融合比例先验和损失感知的目标检测模型的正负样本分配算法 *

针对目标检测模型在训练过程中正负样本分配时没有考虑真实框的长宽比、对物体不同分布的适应能力差等不足,提出了比例先验和损失感知的分配算法RLA。RLA不改变原有检测模型的结构,首先根据真实框的长宽比选择等比例的中心区域,然后计算锚点综合损失,考虑真实框内物体的实际分布,最后通过动态损失阈值的方式区分正负样本。该算法解决了基于IoU分配时适应性差、难以选出最佳正样本等问题,对偏心物体和长宽比悬殊物体的样本分配更加合理。与已有的样本分配算法对比,该算法在MS COCO数据集上的表现更优,比基线FCOS的AP提升1.66%;在模型结构相同时,比ATSS和PAA算法的AP分别提升了0.76%和0.24%,证明了RLA算法的有效性。     

红外目标图像尺度自适应检测算法

针对红外目标尺寸不定的实际情况,提出了对基于数学形态学的红外目标检测方法的改进。首先,对数学形态学进行了介绍,然后提出了一种红外目标检测的改进算法,最后给出并分析了该算法的仿真结果。实验结果表明,该算法是一种有效的红外目标检测算法。     

基于权重平衡调节损失函数的结构优化RefineDet算法

在目标检测方法中,针对目标检测网络RefineDet对类别样本数量不平衡和困难样本难挖掘问题,以及ARM获取位置信息和特征信息比较粗略所导致训练效果不佳的问题;提出权重平衡调节损失(WBALoss)函数,通过对多分类损失中的不同类别样本和难易样本进行加权来提高对样本数量少的类别和困难样本关注度;以及ARM与TCB信息融...     

融合改进密集连接和分布排序损失的遥感图像检测

针对遥感图像中小目标尺寸较小、样本分布不均匀、特征不明显等问题,提出一种改进的YOLOv3目标检测算法。在使用Stitcher数据增强解决小目标样本分布不均匀的问题后,提出VOVDarkNet-53基础网络,将DarkNet-53基础网络中第4次下采样后的8个残差模块减少为4个残差模块。然后采用VOVNet的密集连接方式,使网络利用更多的浅层小目标特征信息,增加网络感受野。最后,采用分布排序损失改进YOLOv3中的分类损失,解决单阶段目标检测器正负样本不平衡的问题。实验使用YOLOv3目标检测算法和改进后的YOLOv3算法在HRRSD遥感数据集上进行对比。结果表明,改进后的YOLOv3算法对小目标和中目标的检测精确度分别提升了7.2%和2.1%,尽管对大目标的检测精度下降了1%,但在平均单张图片处理时间几乎不变的情况下,平均检测精度均值(mAP)提升了4.1%,召回率和准确率也有所提升。     

小样本图像目标检测研究综述

近年来,以深度学习为基础的图像目标检测技术取得了显著成就,并涌现了许多成熟的检测模型,但这些模型均需要利用大量的标注样本进行训练,而在实际场景当中,往往很难获取到相应规模的高质量标注样本,从而限制了其在特定领域的应用和推广.由于对样本数量的依赖性小,小样本条件下的图像目标检测技术逐渐得到研究和发展.基于小样本图像目标检...     

基于自适应分类样本更新的运动目标检测

背景差分法是一种被广泛应用的前景检测方法,其关键部分在于背景图像的获取。算法提出一种通过分类样本模拟运动背景动态特征的背景模型,综合考虑多维度的背景像素点的变化信息,使算法保持样本更新的随机性,增加样本更新的目的性,同时使用自适应的更新策略来适应背景更新的快慢,快速获取真实的背景,达到最真实的目标检测效果。实验结果表明,提出的策略能够更好地处理动态背景更新时的目标检测,能快速准确地检测出运动目标,对噪声干扰具有很强的鲁棒性。     

基于改进的无锚框目标检测算法的涡检测

在流体运动中涡对各种流场结构的生成和维持起着至关重要的作用,涡的识别和检测有助于理解流体流动规律。传统涡识别方法别存在定义不准确、严重依赖经验阈值、泛化性能差等问题,因此涡检测具有一定挑战性。本文从计算机视觉的角度出发,提出了一个基于目标检测算法的涡检测模型。针对原始目标检测模型对极端宽高比的细长涡检测效果不理想的问题,对两种不同类型涡的数据特性进行分析,并提出了基于可变形卷积（Deformable convolutional network, DCN）的特征自适应模块和基于改进损失函数的细长样本挖掘方法。采用圆柱尾流涡和潜艇尾部涡数据集对所提模型进行验证,实验结果表明改进后的模型检测精确率显著提高,并在细长涡的检测精确率上有显著提升,有效地平衡了各类型的涡检测性能。     

引入抑制增长损失函数的肺炎目标检测

为提高对肺炎图像目标检测算法的平均精度,针对肺炎图像中病灶的轮廓模糊、通道单一的缺点,提出抑制增长损失函数(inhibition grow th loss function,IG Loss).根据损失函数数值的变化特征自适应调整其权值,使损失函数值随step增大的项得到增强,损失函数值随step减小的项不变,引入激活函...     

基于方差检测的自适应机动目标跟踪算法

首先建立了机动目标跟踪的系统动态模型和观测模型,在此基础上提出并分析了基于方差检测的状态自适应调整滤波器,针对不加自适应修正的Kalman滤波在机动目标跟踪中的不足,通过仿真验证了基于方差检测的状态自适应调整滤波器的正确性和可行性.     

基于高表征能力特征处理模块的小目标检测

针对小目标检测性能较差的问题,从影响性能的关键因素特征信息损失入手,设计一种特征信息处理模块CHR-Net.结合HRNet高分辨率表征和CARAFE精细化上采样的特点,随着特征处理进程,设计不同的特征图融合方法,采用越来越有效的上采样方法,在保持一定计算效率的条件下最大化CHRNet的表征能力.针对突出的样本不平衡对损...     

改进损失函数的地基云状目标检测算法

云是一种常见的天气现象,云状是天气预测的关键特征.目前,地基云图像中的云状观测主要依赖于气象观测员的目视观测,十分依赖观测员的经验,实时性和效率较低.针对这一问题,提出使用深度学习的方法进行地基云状检测识别.设计了一种新的目标检测边界框损失函数UIoU,将其应用于YOLOv3算法上.并且使用了K-means聚类算法重新...     

基于自适应分块和SSIM的运动目标检测

研究了目标检测方法。针对传统背景更新方法易受噪声干扰、算法执行速度慢等弊端,对背景差分法予以改进,提出一种基于自适应图像分块和结构相似性(SSIM)的运动目标检测方法。根据视频最初几帧得到初始背景模型,再对视频后续的每帧进行自适应分块处理,利用相邻帧对应分块的结构相似性计算局部更新率,建立背景模型,将背景与当前帧差分即得到运动目标。实验结果表明,与传统的背景差分法相比,改进后的方法具有更好的检测效果。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

基于图像风格转换的水下图像显著性检测算法

由于水下显著性检测数据集不足,导致基于深度学习的水下图像显著性检测网络容易出现过拟合的问题,从而影响显著性检测网络的性能.针对上述问题,本文引入图像风格转换方法,提出一种基于CycleGAN的水下显著性检测网络.网络生成器由图像风格转换子网络和显著性检测子网络构成.首先,通过无监督的级联方式对风格转换子网络进行风格转换...     

基于改进YOLOv3的高分辨率遥感图像复合目标检测

遥感图像的复合目标相对单一目标而言,存在多个结构,结构之间存在一定差异。本文围绕复合目标多变性、复杂性,大宽幅遥感影像背景复杂,存在较多和待检复合目标特征相似的区域,检测准确率较低等问题,开展基于高分辨率遥感图像的复合目标检测研究。首先开展目标特性分析和样本数据标注;然后提出一种基于Coordinate Attention注意力机制和Focal Loss损失函数的改进YOLOv3检测算法;最后以篮球场这种复合目标为例进行实验。实验结果表明,改进后的算法与原YOLOv3算法相比,召回率和平均检测准确率分别提高了10.3个百分点和28.8个百分点。该结果验证了所提方案的可行性、合理性。     

基于改进SSD的高效目标检测方法

为改善一阶段目标检测算法检测精度较差的缺陷，提出一种基于SSD的高效多目标定位检测算法FSD。该算法主要从两个方面对一阶段目标检测算法进行改进：设计了一个更高效的密集残差网络，即R-DenseNet，通过采用一种更窄的密集网络结构形式，在保持特征提取容量的同时降低了计算复杂度，从而提高了算法的检测和收敛性能；改进了损失函数，通过抑制易分样本在损失函数中的权重，提高算法的鲁棒性，改善了目标检测中样本失衡的现象。采用Tensorflow深度学习框架部署网络，并在搭载Nvidia Titan X的Ubuntu上开展实验，实验表明FSD在COCO和PASCAL VOC这两个目标检测数据集上上都取得了最高的检测精度，其中FSD300D的检测精度相比SSD300有3.7%提升，检测相率比SSD有10.87%提升。     

基于YOLOv7的交通目标检测算法研究

针对交通场景中由光照、遮挡、目标小以及背景复杂等因素导致目标检测精度低,易出现漏检和误检问题的情况,提出了一种基于YOLOv7的交通目标检测算法;该算法在主干网络中融入多头注意力机制,以增强网络特征学习能力,从而更好地捕获数据和特征内部的相关性;在YOLOv7颈部网络引入协调注意力模块(CA),将位置信息嵌入到注意力机制中,忽略无关信息的干扰,以增强网络的特征提取能力;增加一个多尺度检测网络,以增强模型对不同尺度目标的检测能力;将CIoU损失函数更改为SIoU函数,以减少模型收敛不稳定问题,提高模型的鲁棒性;实验结果表明,改进的算法在BDD100K公开数据集上的检测精度和速度分别达到了59.8% mAP和96.2 FPS,相比原算法检测精度提高了2.5%;这表明改进的算法在满足实时性要求的同时,具备良好的检测精度,适用于复杂情况下的交通目标检测任务。     

基于分类不确定性的伪标签目标检测算法

伪标签目标检测算法利用大量未标注数据生成伪标签数据来增加训练数据规模,从而提高目标检测模型的性能。针对伪标签数据中存在大量错误标注数据且伪标签目标检测模型性能难以提升的问题,提出基于SoftTeacher-CUC的伪标签目标检测算法。SoftTeacher-CUC算法在SoftTeacher伪标签目标检测算法的基础上,利用分类不确定性方法计算模型生成的伪标签分类结果的不确定性来判断伪标签是否可靠,不确定性越低说明伪标签的分类结果越可靠。在此基础上,将计算得到的不确定性作为权重加入伪标签数据的分类损失函数中,进一步减少高不确定性伪标签为模型带来的负面影响。根据Teacher模型中不同模块的作用,采用不同权重的指数滑动平均方法更新Teacher模型,降低Teacher模型和Student模型参数之间的相似性,使一致性正则化方法发挥效用。实验结果表明,在标注数据分别占训练集1%、5%和10%的情况下,与SoftTeacher算法相比,SoftTeacher-CUC算法的平均精度均值分别提高了1.4、1.2和1.7个百分点,在标注数据较少的情况下,该算法具有更好的检测效果。     

基于课程学习思想的目标检测增强算法

目标检测算法性能优劣既依赖于数据集样本分布,又依赖于特征提取网络设计.从这2点出发,首先通过分析COCO 2017数据集各尺度目标属性分布,探索了数据集固有的导致小目标检测准确率偏低的潜在因素,据此提出CP模块,该模块以离线方式调整数据集小目标分布,一方面对包含小目标图片进行上采样,另一方面对图片内小目标进行复制粘贴....