改进的SSD算法及其在目标检测中的应用

针对以R-CNN展开的目标检测速度慢,传统的SSD算法在检测小目标精度不高的问题,提出一种改进的SSD算法.该算法提出轻量级网络融合+层级特征融合构建新的金字塔特征层来解决SSD对小目标识别率低的问题.将卷积前后的特征进行轻量级网络融合,形成新的金字塔特征层,对形成的特征层进行层级特征融合,形成最终的金字塔特征层,在最终的金字塔特征层上执行目标检测任务.在PASCAL-VOC2007的训练集和验证集上训练该算法,并在VOC2007测试集上测试该算法对小目标检测的有效性,检测速度达到81.5帧/s,与传统SSD算法相比,mAP提升了0.078.     

感受野特征增强的SSD目标检测算法

SSD （Single Shot multi-box Detector）算法是在不同层的特征图上,进行多尺度对象的检测,具有速度快和精度高的特点.但是,传统SSD算法的特征金字塔检测方法很难融合不同尺度的特征,并且由于底层的卷积神经网络层具有较弱的语义信息,也不利于小物体的识别,因此本论文提出了以SSD算法的网络结构为基础的一种新颖的目标检测算法RF_SSD,该算法将不同层及不同尺度的特征图以轻量级的方式相融合,下采样层生成新的特征图,通过引入感受野模块,提高网络的特征提取能力,增强特征的表征能力和鲁棒性.和传统SSD算法相比,本文算法在精度上有明显提升,同时充分保证了目标检测的实时性.实验结果表明,在PASCAL VOC测试集上测试,准确率为80.2%,检测速度为44.5 FPS.     

改进SSD算法及其在地铁安检中的应用

针对传统SSD算法在检测小目标时容易漏检且检测精度不高的问题,提出一种改进算法。对SSD算法中各尺度特征进行尺寸大小不变的卷积操作,将卷积前后对应的特征进行轻量级网络融合,从而生成新的金字塔特征层,并加入基于残差模块的检测单元避免增加网络模型容量和运算复杂度,同时增强对小尺度目标的检测能力。基于PASCAL-VOC2007小目标数据集的实验结果表明,与传统SSD、YOLOv3、Faster RCNN等算法相比,在PASCAL-VOC2007小目标数据集中,该算法的mAP指标较传统SSD算法提高8.5%,较Faster RCNN算法提高3.9%,较YOLOv3提高2%,FPS达到83 frame/s,其检测地铁安检图片的mAP达到77.8%。     

基于环境上下文和语义特征融合的小目标检测算法

针对现阶段目标检测领域中小目标由于特征信息匮乏而难以检测的问题,提出了一种基于SSD(Single Shot multibox Detector)算法的改进小目标检测算法（CS-SSD）。首先,以特征金字塔中不同大小的感受野表达出的不同特征信息为基础,在SSD算法的主干框架上增加了环境上下文特征融合模块以及自顶向下的语义特征融合模块,为小目标提供环境上下文和语义特征信息;然后,在SSD算法的检测层上增加基于残差结构的检测头,从而充分利用融合后的特征以提高检测精度;最后,使用一种受人类学习方式启发的分阶段网络训练算法来缓解小目标与中大型目标在网络训练中损失不平衡问题。在VOC07+12数据集上进行实验,CS-SSD算法的平均检测精度（mAP）达到了82.00%,相较于SSD算法提升了2.08个百分点;同时小目标平均检测精度相较于SSD算法提升了7.87个百分点。实验结果表明,CS-SSD算法能充分融合网络中的环境上下文和语义特征信息以达到提高小目标检测精度的效果。     

特征信息增强的单发多框检测器算法

单发多框检测器算法（Single Shot Multibox Detector,SSD）采用多个特征层进行目标检测,但每一层都是独立使用的,这种结构忽略了上下文信息,不利于提高小目标检测的精度。为了提高传统SSD算法精度,提出了一种特征信息增强的SSD算法（Feature Information Enhancement Based Single Shot Multibox Detector,FESSD）,其核心是一个特征信息增强模块。首先提出一个特征融合模块来对不同特征层进行融合和细化。然后采用一种挤压和激励模块（Squeeze and Excitation block）来自适应地获取每个特征通道的重要程度,从而增强有用信息和抑制无用信息。最后仿真结果表明,相比于传统SSD算法,FESSD算法能够有效地提升目标检测的精度。     

基于改进SSD算法对奶牛的个体识别

为了实现养殖场环境下无接触、高精度的奶牛个体有效识别,针对SSD（single shot multibox detector）算法识别准确率不高的问题,提出一种基于浅层特征模块的改进SSD（shallow feature module SSD,SFM-SSD）算法。将原始SSD算法的主干网络由VGG16替换为MobileNetV2,以降低网络的运算量,改善检测的实时性;针对SSD网络结构的浅层特征图设计浅层特征模块,扩大浅层特征图的感受视野,提高浅层特征图对目标物体的特征提取能力;利用[K]均值聚类算法重构区域候选框,提高算法的检测精度。实验结果表明：在奶牛个体识别任务中,SFM-SSD算法的平均准确率比原始的SSD算法提升3.13个百分点。同时检测的实时性也得到改善。     

中药材粉末显微特征图像的检测方法研究

针对中药材粉末显微特征图像存在的目标断裂残缺这一关键问题，提出一种改进型SSD检测算法，即在SSD网络的预测卷积特征图之后加入SE模块，使SSD网络对该特征图的多个特征通道进行重要性的学习，并据此让包含较多信息且对最终结果起重要作用的特征通道分配到较大的权重。这样，断裂残缺的目标所保留的关键信息在网络迭代过程中能够被网络充分地学习，实现网络对目标的自动定位和种类识别，提高最终的检测效果。将改进型SSD算法用于厚壁细胞、导管和花粉孢子这三类显微图像的检测，mAP由79.8%提升到81.5%,这一结果证明了改进型SSD算法的有效性。     

IrisBeautyDet:虹膜定位和美瞳检测网络

虹膜活体检测是虹膜识别中涉及安全的重要环节之一,也是虹膜识别领域亟待解决的问题之一,其中美瞳检测是虹膜活体检测中最具挑战性的领域。提出了一种基于SSD(single shot multibox detector)目标检测网络的虹膜定位和美瞳检测算法IrisBeautyDet,并对网络结构进行轻量化处理,引入MobileNet主干网络显著减少模型计算量,极大提高速度。采用空间注意力和通道注意力机制,进一步提高模型准确率。实验表明,在CASIA-Iris和圣母大学NDCLD的活体和美瞳虹膜数据集上,该算法具有较好的泛化能力和鲁棒性,相比原始SSD算法,IrisBeautyDet具有更少的参数量、更快的实时性和更高的准确率。相比原始SSD网络模型,该模型大小从91.1 MB下降到26.1 MB,同时将检测速度从29.68 frame/s提高到41.88 frame/s,对活体类和美瞳类的检测精确率达到99.21%和98.61%。利用导向反向传播（guided-backpropagation）对检测特征图进行可视化,分析并优化网络模型使其更有效地提取美瞳纹理特征。     

基于改进SSD算法的车辆检测

SSD算法利用多尺度特征图进行分类和位置回归,检测小目标效果优于YOLO算法,但SSD算法在进行车辆检测时存在漏检问题。为此,提出一种改进SSD算法。为提取更多的车辆特征信息,设计改进Inception模块替代SSD网络中的Conv8、Conv9和Conv10层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合,构建多尺度特征融合均衡化网络,提高小目标车辆识别率。在特征提取层均引入SENet,对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明,改进后SSD算法在自制的车辆数据集上平均精度为90.89%,检测速度达到59.42 frame/s,相比改进前的SSD算法,在精度和速度上分别提高2.65个百分点和17.41 frame/s,能够更快速、准确地对图像中的车辆进行识别和定位。     

基于Bi-SSD的小目标检测算法

针对目前目标检测技术中小目标检测困难问题, 提出了一种基于SSD (Single Shot multibox Detector) 改进的小目标检测算法Bi-SSD (Bi-directional Single Shot multibox Detector). 该算法为SSD的浅层特征设计了小目标特征提升模块, 在网络的分类和回归部分结合多尺度特征融合方法和BiFPN (Bi-directional Feature Pyramid Network) 结构, 设计了6尺度BiFPN分类回归子网络. 实验结果表明, 在PASCAL VOC和MS COCO目标检测数据集上Bi-SSD相比原始的SSD算法有更好的检测性能. 其中VOC2007+2012上Bi-SSD算法的mAP指标达到了78.47%相较SSD算法提升了1.34%, 在COCO2017上Bi-SSD算法的mAP达到26.4%提升了接近2.4%.     

边缘环境中目标检测算法的应用研究

为了满足对安防图像数据安全准确高效的处理需求,在低延迟、高可靠性的边缘计算环境中设计了一种实时性目标检测框架,按层次分为终端网络层、边缘服务器层与云层。在终端网络层采用BING（Binarized Normed Gradients）算法区分图像的目标区域与背景区域,对不同区域采取选择性压缩以减少数据传输量。在边缘服务器层,针对安防图像中小目标易漏检的问题提出了基于SSD（Single Shot Multibox Detector）的改进算法2FSSD,将SSD主干网络中具有高语义信息的深层特征与低层特征进行融合,形成新的特征提取层进行目标检测。实验表明,2FSSD算法在VOC数据集中检测精度可达79.5%,检测速度为27.3 frame/s。因此该研究方法可以在保证检测准确度的同时满足安防图像处理的实时性要求。     

基于SSD的车辆目标检测

传统的车辆目标检测算法需要为不同的图像场景选择合适的特征，导致泛化能力差。针对此问题，本文提出一种基于SSD（Single Shot MultiBox Detector）的图像车辆检测方法。该方法通过对多个尺度的卷积特征图进行预测来检测车辆，在一定程度上提升车辆的检测精度；找出原SSD方法在训练过程中的小缺陷，通过改进损失函数来优化训练速度。最后结合KITTI数据集进行训练。实验结果表明，该方法对车辆的检测具有较高的识别率，且比传统算法的效果更好。     

基于改进SSD算法的遥感图像目标检测

在遥感图像目标检测领域,多数目标检测算法针对小目标检测时效果不佳,为此,提出一种多尺度特征融合的遥感图像目标检测算法。利用SSD算法的基础网络进行特征提取,形成特征图金字塔。设计特征图融合模块,融合浅层特征图的位置信息和深层特征图的语义信息,从而保留丰富的上下文信息。设计冗余信息去除模块,通过卷积操作进一步提取特征图中的特征,并对特征信息进行筛选,以减少特征图融合时带来的混叠效应。在遥感图像数据集NWPU VHR-10上的实验结果表明,该算法的平均检测精度高达93.9%,其针对遥感图像小目标的检测性能优于Faster R-CNN和SSD等算法。     

基于密集连接的FPN多尺度目标检测算法

图像中目标对象的多尺度问题一直以来都是目标检测领域的主要难点之一,尤其是极端尺度对象的检测。研究发现,目标检测网络模型的深层语义特征有利于对象的识别,而浅层空间特征对对象的边界框回归很有帮助。DC-FPN使用密集连接代替FPN网络模型中的横向连接,能够从多层特征层中获取目标检测所需的特征信息,其中密集连接可以融合FPN自底向上传输模块中的所有特征层的特征信息,使FPN自顶向下传输模块的预测特征层能从中获取不同尺度对象检测所需的特征信息。实验表明,DC-FPN目标检测算法能够显著地提升模型的多尺度目标检测性能,使用MS COCO数据集训练和测试,其检测准确度(AP)能达到43.1%。     

基于改进 YOLOv4 和图像处理的蔬菜田杂草检测

以蔬菜苗田内幼苗期 7 种常见蔬菜和田间杂草为研究对象,针对田间杂草种类多和分布复杂导致检测方法效率低、精度差和鲁棒性不足等问题,逆向将杂草检测转换为作物检测,提出一种基于优化 YOLOv4和图像处理的蔬菜苗田杂草检测算法。在 YOLOv4 目标检测算法基础上,主干特征提取网络嵌入 SA 模块增强特征提取能力,引入 Transformer 模块构建特征图长距离全局语义信息,改进检测头和损失函数提高检测定位精度。改进模型单幅图像平均识别时间为 0.261 s,平均识别精确率为 97.49%。在相同训练样本以及系统环境设置条件下,将改进方法与主流目标检测算法 Faster RCNN,SSD 和 YOLOv4 算法对比,结果表明改进 YOLOv4模型在蔬菜苗期的多种蔬菜检测具有明显优势。采用改进 YOLOv4 目标检测算法检测作物,作物区域外的植被为杂草,超绿特征结合 OTSU 阈值分割算法获取杂草前景,最后标记杂草前景连通域输出杂草质心坐标和检测框位置,可以较好解决蔬菜苗田杂草检测问题。     

改进的R-SSD全景视频图像车辆检测算法

针对SSD算法在检测全景视频图像车辆目标时存在准确率低、漏检率高的问题,构建了一种改进的SSD网络,命名为R-SSD,并提出了一种基于R-SSD的全景视频图像中车辆目标检测算法。在原SSD网络之前增加了一个RPN*网络,目的在于过滤负样本先验框并粗略调整先验框的位置和大小,为后续回归提供好的初始条件。在原SSD和RPN*网络之间构建了传输转换模块,实现两个网络间的特征融合,并增加低层特征信息,从而提高目标的检测效果。在同时兼顾了RPN*网络和SSD*网络损失函数的基础上提出了新的损失函数,应用了二分类和多分类的方法,使回归操作更加精确。将采集的全景视频图像数据分为训练集和测试集,通过对比实验,表明提出的R-SSD算法检测精度可达90.78%,明显优于SSD算法,可较好地解决全景目标车辆检测中误检率较高、漏检率较高等问题。     

小目标检测研究综述

随着计算机视觉和人工智能技术的快速发展,目标检测受到了更加广泛的关注。由于小目标像素占比小、语义信息少、易受复杂场景干扰以及易聚集遮挡等问题,导致小目标检测一直是目标检测领域中的一大难点。目前,视觉的小目标检测在生活的各个领域中日益重要。为了进一步促进小目标检测的发展,提高小目标检测的精度与速度,优化其算法模型,本文针对小目标检测中存在的问题,梳理了国内外研究现状及成果。首先,分别从小目标可视化特征、目标分布情况和检测环境等角度对小目标检测的难点进行了分析,同时从数据增强、超分辨率、多尺度特征融合、上下文语义信息、锚框机制、注意力机制以及特定的检测场景等方面系统总结了小目标检测方法,并整理了在框架结构、损失函数、预测和匹配机制等方面发展的较为成熟的单阶段小目标检测方法。其次,本文对小目标检测的评价指标以及可用于小目标检测的各类数据集进行了详细介绍,并针对部分经典的小目标检测方法在MSCOCO(Microsoft common objects in context)、VisDrone2021(vision meets drones2021)和Tsinghua-Tencent100K等数据...