融合SPP和改进FPN的YOLOv3交通标志检测

针对交通标志目标检测尺寸较小、分辨率低、特征不明显问题,提出一种改进的YOLOv3网络模型。在利用颜色增强方法对交通标志进行数据增强后,改进原网络中的FPN结构,保留原网络中52×52的大尺度预测,然后利用YOLOv3网络中第二次下采样输出的特征图建立108×108的更大尺度预测。为了解决图像尺寸和失真的问题,在检测层前使用固定分块大小为5、9、13的池化操作,再将输出的特征与原来的特征图进行融合,从而实现对不同尺寸的输入得到相同大小的输出。最后,利用K-means聚类算法对TT100K交通标志数据集进行聚类分析,重新定义网络的初始候选框,使用YOLOv3网络模型和改进的YOLOv3网络模型以及其他小目标检测算法在TT100K数据集上进行对比实验。实验结果表明,改进后的YOLOv3网络模型能更有效的检测交通标志,其检测的平均精确度在三个尺度下相对原YOLOv3网络模型分别提升8.3%、6.1%、4.3%,在FPS变化不大的情况下,召回率和准确率都有明显提升,同时,改进后的YOLOv3算法相对其他小目标检测算法具有更好的检测精度和实时性。     

基于改进YOLOv3的多尺度目标检测算法

为了进一步提高多尺度目标检测的速度和精度,解决小目标检测易造成的漏检、错检以及重复检测等问题,提出一种基于改进YOLOv3的目标检测算法实现多尺度目标的自动检测。首先,在特征提取网络中对网络结构进行改进,在残差模块的空间维度中引入注意力机制,对小目标进行关注;然后,利用密集连接网络（DenseNet）充分融合网络浅层信息,并用深度可分离卷积替换主干网络中的普通卷积,减少模型的参数量,提升检测速率。在特征融合网络中,通过双向金字塔结构实现深浅层特征的双向融合,并将3尺度预测变为4尺度预测,提高了多尺度特征的学习能力;在损失函数方面,选取GIoU（Generalized Intersection over Union）作为损失函数,提高目标识别的精度,降低目标漏检率。实验结果表明,基于改进YOLOv3（You Only Look Once v3）的目标检测算法在Pascal VOC测试集上的平均准确率均值（mAP）达到83.26%,与原YOLOv3算法相比提升了5.89个百分点,检测速度达22.0 frame/s;在COCO数据集上,与原YOLOv3算法相比,基于改进YOLOv3的目标检测算法在mAP上提升了3.28个百分点;同时,在进行多尺度的目标检测中,算法的mAP有所提升,验证了基于改进YOLOv3的目标检测算法的有效性。     

多目标小尺度车辆目标检测方法

车辆目标检测是智能交通系统中的重要环节,针对传统车辆目标检测方法效率低、小目标检测效果不好、漏检率高等问题,提出一种基于改进的YOLOv3网络车辆目标检测算法.为了提高车辆检测的效率,利用轻量化模型MobileNetv2代替原YOLOv3中的特征提取网络,使得网络计算量相比原算法有所降低.为了有效提高网络对小尺度车辆目标的检测能力,网络将由高到低不同尺度的特征层融合之后进行目标检测.为了得到更丰富的语义特征信息和提高网络预测能力,增加了特征增强模块.同时针对车辆目标检测的特定应用,利用K-means方法对锚框重新聚类以满足车辆目标检测的特定需求.结合以上改进获得车辆目标检测网络YOLOv3-M2,实验结果表明,与YOLOv3相比,改进方法平均检测准确率增加约9%, 时间减少约一半,能够同时提高检测效率和小目标检测能力.     

改进YOLOv3-SPP的SAR图像舰船目标检测

合成孔径雷达图像中舰船目标的尺度差异大、小目标居多,这给检测造成一定的困难。针对此问题,提出了一种基于改进YOLOv3-SPP的SAR图像舰船目标检测算法。改进原模型FPN,利用主干网络的第二次下采样输出的特征来建立尺度为104×104的预测,并将各个尺度进行紧密连接;用K-median++聚类算法重新对锚框聚类来得到适合舰船特征的先验框。使用YOLOv3-SPP模型和改进的YOLOv3-SPP模型以及其他典型目标检测算法在AIR-SARship-1.0与SSDD数据集上进行对比实验。实验结果表明,相比于原始算法,改进后的算法能更有效地检测SAR图像舰船目标,检测精度分别提升了3.2%、4.4%。在数据集3个不同输入尺度下,检测精度都有所提升。相比于其他检测算法,改进后的算法在保证实时性的情况下具有更高的检测精度。     

基于卷积神经网络的桥梁裂缝检测方法

针对桥梁裂缝固有特征及检测过程的局限性,引入基于卷积神经网络的YOLOv3单阶段目标检测算法,并对YOLOV3网络的多尺度预测模块进行改进,充分利用浅层特征,提升小裂缝检测精度.通过聚类算法对数据集进行聚类,得到适用于桥梁裂缝特征的先验框尺寸.数据集方面引入生成对抗网络对桥梁裂缝数据集进行扩增.实验结果表明,在相同数据集和迭代次数下,改进YOLOv3网络裂缝检测精度可达0.9302,比原YOLOv3提高0.0137.     

优化YOLO网络的人体异常行为检测方法

鉴于公共场合监测视频信息中周围环境背景信息干扰大以及人体异常行为目标的尺度不同,目前人体异常行为检测的准确性难以进一步提高。针对上述问题,设计了通过改进YOLOv5网络的异常行为检测方法。该方法在原YOLOv5主干网络添加屏蔽卷积注意力模型,该模块从一个屏蔽卷积层开始,感受野的中心区域被遮掩,通过预测屏蔽信息并利用与屏蔽信息相关的误差作为异常得分。在检测网络中嵌入Swin-CA模块。通过对相邻层特征的学习,使得模型能够更好地掌握全局信息,从而减小了背景信息对检测结果的影响,通过提取不同背景中人体异常行为尺度特征,降低了整个模型计算的复杂度,提高了模型对人体异常行为目标定位的精度。在UCSD-ped1、KTH和Shanghai Tech数据集上的实验结果表明,提出方法的检测精度分别达到了98.2%、96.4%和95.8%。     

改进YOLOv3的遥感影像小目标检测方法

针对当前目标检测任务中对小目标检测识别率低,漏检率高的问题,提出一种基于门控通道注意力机制（EGCA）和自适应上采样模块的改进YOLOv3算法。该算法采用DarkNet-53作为主干网络进行图片基础特征提取;引入自适应上采样模块对低分辨率卷积特征图进行扩张,有效增强了不同尺度卷积特征图的融合效果;在三个尺度通道输出预测结果之前分别加入EGCA注意力机制以提高网络对小目标的特征表达和检测能力。将改进的算法在公开数据集RSOD（remote sensing object detection）上进行实验,小目标检测精度提升了8.2个百分点,最为显著,平均精度AP值达到56.3%,较原算法提升了7.9个百分点。实验结果表明,改进的算法相比于传统YOLOv3算法和其他算法拥有更好的小目标检测能力。     

基于深度学习的型钢表面多形态微小缺陷检测算法

为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度-密集特征金字塔的型钢表面缺陷检测算法——Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度-密集特征金字塔模块：在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明：Steel-YOLOv3算法具有89.24%的检测平均精度均值（mAP）,与Faster R-CNN（Faster Region-based Convolutional Neural Network）、SSD（Single Shot MultiBox Detector）、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。     

基于SPMYOLOv3的水面垃圾目标检测

为解决水面垃圾检测中存在目标形状尺度差异大, 难以区分背景以及目标偏小的问题, 本文提出了一种SPMYOLOv3目标检测算法来实现对水面垃圾的检测. 首先, 对收集到的水面垃圾数据集进行标注, 使用改进的K-means算法对数据集重新聚类, 得到与数据集更匹配的先验框. 其次, 在YOLOv3的主干网络后添加SE-PPM模块, 加强目标的特征信息, 保证目标尺度不变且保留全局信息. 再使用多向金字塔网络对不同尺度的特征图进行融合, 获得携带更加丰富的上下文信息的特征图. 最后使用在损失函数中使用focal loss计算负样本的置信度损失, 抑制了YOLOv3中正负样本不均衡问题. 改进后的算法在水面垃圾数据集上的实验结果表明, 相比于原YOLOv3算法检测精度提升了3.96%.     

用于人体检测的YOLOv3改进及压缩算法的研究

针对Yolov3算法应用于人体检测中的准确率低,参数量、计算量和模型体积大难以在资源有限的嵌入式平台上实现等问题,提出了YOLOv3改进及其模型压缩算法.在YOLOv3中通过引入密集连接与多分支结构,增加网络宽度和多尺度感受野,加强特征重用,提高了模型的检测精度;对改进的YOLOv3通过联合优化权重损失函数和BN层缩放...     

基于改进YOLOv3的高铁异物入侵检测算法

针对传统铁路异物检测方法中实时性不高、检测精度不够的问题,提出一种基于YOLOv3网络的高铁异物入侵的检测算法.为提高YOLOv3网络对图片特征的利用能力,利用可切换空洞卷积替代特征提取网络中的前四个3×3卷积,增加了卷积的感受野.然后为提升小物体检测精度,改进FPN结构,从YOLOv3特征提取网络中第二次下采样输出的...     

基于Dense-YOLOv3的车型检测模型

针对传统YOLOv3的网络结构存在曝光过度或光线较暗等异常图片在提取特征时鲁棒性较差,导致车型识别率低下的问题,提出了一种用于交通车辆检测的Dense-YOLOv3模型.该模型集成了密集卷积神经网络DenseNet和YOLOv3网络的特点,加强了卷积层之间的车型特征传播和重复利用,提高了网络的抗过拟合性能;同时,对目标车辆进行了不同尺度的检测,构建了交叉损失函数,实现了车型的多目标检测.经过在BIT-Vehicle标准数据集上对模型进行训练和测试,实验结果表明,基于Dense-YOLOv3车型检测模型平均精度达到了96.57%,召回率为93.30%,表明了该模型对车辆检测的有效性和实用性.     

基于Swin Transformer的YOLOv5安全帽佩戴检测方法

针对目前施工现场的安全帽检测方法存在遮挡目标检测难度大、误检漏检率高的问题,提出一种改进YOLOv5的安全帽检测方法;首先,使用K-means++聚类算法重新设计匹配安全帽数据集的先验锚框尺寸;其次,使用Swin Transformer作为YOLOv5的骨干网络来提取特征,基于可移位窗口的Multi-head自注意力机制能建模不同空间位置特征之间的依赖关系,有效地捕获全局上下文信息,具有更好的特征提取能力;再次,提出C3-Ghost模块,基于Ghost Bottleneck对YOLOv5的C3模块进行改进,旨在通过低成本的操作生成更多有价值的冗余特征图,有效减少模型参数和计算复杂度;最后,基于双向特征金字塔网络跨尺度特征融合的结构优势提出新型跨尺度特征融合模块,更好地适应不同尺度的目标检测任务;实验结果表明,与原始YOLOv5相比,改进的YOLOv5在安全帽检测任务上的mAP@.5:.95指标提升了2.3%,检测速度达到每秒35.2帧,满足复杂施工场景下安全帽佩戴检测的准确率和实时性要求。     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

基于改进YOLOv5s的交通信号灯识别方法

交通信号灯的检测与识别是提升无人驾驶系统安全性的关键技术,传统基于深度学习的识别方法不能在精度和速度之间达到较好的平衡,难以满足实际环境下的检测要求。YOLOv5具有网络规模小的优势,适合在交通场景下进行交通信号灯检测。对YOLOv5网络进行改进,提出TL-YOLOv5s网络用于交通信号灯识别。通过简化主干网络中卷积层的数量提高特征提取效率,同时对残差组件进行密集连接和多层次跨连接,得到2种新的CSP残差结构替换原网络中的残差结构,增强网络特征融合能力,提高识别精度。考虑到交通信号灯的小目标属性,在网络中保留中小目标检测尺度而去除大目标检测尺度,进一步提升识别速率。在法国巴黎LaRA信号灯数据集上进行实验,结果表明,TL-YOLOv5s网络mAP值达到70.1%,相比于基线网络YOLOv5提升6.3个百分点,且检测速度达到22.4 frame/s,能够满足现实环境下的实时性要求。     

基于改进YOLOv3的车辆尾灯检测方法

在自动驾驶场景中,对前车尾灯的检测是一个广泛且具有研究意义的问题。Darknet53是YOLOv3的特征提取网络,其使用5个残差单元对原始图像进行特征提取并采用三尺度的特征图进行融合预测,尺寸越小对大目标的特征表达能力越强。因为尾灯检测属于小目标检测,所以本文舍去Darknet53的最后一个残差单元,同时增加小尺度特征提取残差单元的重复次数。针对K-means聚类算法存在k值难以确定以及对初始聚类中心敏感的问题,本文使用K-means+〖KG-*3〗+聚类算法获取anchor值,同时结合IOU距离度量指标。实验结果表明,改进后的YOLOv3网络上尾灯检测的准确率和检测速度都要高于改进前的,mAP由79.63%提高到89.32%,单张图片检测时间由0.014 s缩短到0.01 s。对比其他主流目标检测框架,本文改进的YOLOv3模型具有优越的检测性能。     

基于改进YOLOv4-tiny的输电线路目标识别算法

对输电线路周围的典型目标进行检测对于防止输电线路外部破坏有着重要意义。传统目标检测方法没有针对输电线路周围目标尺度变化大、小目标多等进行有效设计,存在识别速度慢、容易误报漏报等问题。基于YOLOv4-tiny目标检测模型的基本框架,提出了一种改进的YOLOv4-tiny目标检测模型来检测输电线路周围的典型目标。在原先YOLOv4-tiny网络的骨干网上额外引出了一层特征层以提取更多的特征;在原特征金字塔网络结构的基础上引入空洞空间卷积池化金字塔模块,使得模型能在3种不同尺度的特征图上提取更多的特征;同时为解决检测过程中正负样本数量不均衡问题,使用Focal损失函数代替二分交叉熵损失函数。实验结果表明,在牺牲较少检测速度的情形下,模型精度提升了9.92%。