基于关键点检测的无锚框轻量级目标检测算法

针对基于关键点的目标检测参数量大、检测框误匹配的问题,提出一种轻量级的基于关键点检测的无锚框目标检测算法.首先将输入图片输入优化过的特征提取算法,通过级联角池化与中心池化,输出3个关键点的热力图与它们的嵌入向量;然后通过嵌入向量匹配热力图并画出检测框.文中的创新点在于将SqueezeNet中的轻量级模块firemodu...     

改进YOLOv3遥感小目标检测算法

针对目前在遥感目标检测领域广泛使用的YOLOv3算法存在对小目标物体的特征表达能力不足,检测效果不好的问题,本文提出一种改进的YOLOv3小目标检测算法.首先,引入全局信息注意力机制并改进特征提取网络和特征金字塔结构,提高模型小目标特征提取能力和检测能力;其次,对数据集进行单尺度Retinex融合特征增强,提高模型对小目标特征的学习效果;最后,使用自适应锚框优化算法对anchors进行优化,提高anchors和目标的匹配程度.选用遥感数据集RSOD进行实验,本文算法的全类平均精度为92.5%,相比经典YOLOv3算法,提高10.1%,对遥感小目标的检测效果得到明显提升.     

基于CenterNet的改进遥感旋转目标检测北大核心CSCD

遥感影像由于目标角度各异且普遍密集、小目标占比高、背景复杂等特点,检测精度低。针对水平框算法不再适用于遥感旋转目标,以及主流五参数法存在角度回归的周期性与边缘互换性问题,提出VR-CenterNet,采用向量表示法来进行旋转目标的检测与损失设计,规避角度回归的根本性问题,优化细长目标的偏移高敏问题;针对浅层特征融合的高冗余问题,引入自适应通道激活过滤杂质信息,为强化关键点信息,在主干输出部分引入改进后的全局上下文自适应层激活注意力块。首先在HRSC2016与UCAS-AOU数据集上进行不同算法的性能比较;再在两数据集上进行方法消融实验,以验证各改进方法的有效性。实验结果表明:在HRSC2016与UCAS-AOU数据集上分别取得的了88.48%与90.35%的精度。改进算法能够提升遥感旋转目标的检测精度,为遥感旋转目标的准确检测提供了另外一种解题思路。     

基于改进CenterNet的托盘定位方法

目前,托盘定位大多采用基于深度神经网络的目标检测算法,一般使用矩形框进行托盘定位,托盘中心点定位精度不高,且无法有效估计托盘水平方向.针对此问题,本文提出了基于关键点检测的托盘定位方法,通过检测托盘正面外轮廓的4个角点来定位托盘.首先,由于目前没有大规模的托盘数据集,使用迁移学习的方法,将CenterNet的人体姿态估计引入托盘定位任务.然后改进关键点分组方法,并提出关键点回归自适应补偿,提高关键点检测精度.在托盘关键点定位的基础上,提出基于几何约束的托盘中心点计算和托盘水平方向估计方法.本文方法与原CenterNet相比,托盘关键点定位指标AP^kp从0.352提高到0.728,托盘中心点定位精度指标ALP达到0.946,并且可以有效估计托盘水平方向,具有较高的实用价值.     

基于原始点云的三维目标检测算法

针对当前三维目标检测中存在的数据降采样难、特征提取不充分、感受野有限、候选包围盒回归质量不高等问题,基于3DSSD三维目标检测算法,提出了一种基于原始点云、单阶段、无锚框的三维目标检测算法RPV-SSD(random point voxel single stage object detector),该算法由随机体素采样层、3D稀疏卷积层、特征聚合层、候选点生成层、区域建议网络层共五个部分组成,主要通过聚合随机体素采样的关键点逐点特征、体素稀疏卷积特征、鸟瞰图特征,进而实现对物体类别、3D包围盒以及物体朝向的预测。在KITTI数据集上的实验表明,该算法整体表现良好,不仅能够命中真值标签中的目标并且回归较好的包围盒,还能够从物体的不完整点云推测出物体的类别及其完整形状,提高目标检测性能。     

基于关键点的Anchor Free目标检测模型综述

目标检测是计算机视觉应用的基础,基于锚框的一些目标检测算法已难以满足目标检测中对目标处理的效率、性能等诸多方面的要求,而anchor free方法逐渐广泛应用于目标检测.本文首先重点介绍了CornerNet、CenterNet、FCOS模型的一系列基于关键点的anchor free目标检测方法,综述了算法思路及其优缺点;然后分别对基于锚框和基于关键点的目标检测算法在同一个数据集上作了性能比较和分析;最后对基于关键点的目标检测进行了总结,并展望了目标检测的未来发展方向.     

基于EfficientNet的无锚框目标检测模型

目标检测是计算机视觉的热门研究方向之一,包含分类和定位两个任务。针对单阶段目标检测模型普遍存在的两个问题：训练时正负样本的不均衡以及锚框的设置需要人工干预,提出一种基于EfficientNet的无锚框目标检测模型(Anchor-free Efficientnet-based Object Detector, AEOD)。AEOD先筛选出落在目标框中的特征点,再根据特征点所作的预测计算代价矩阵,在训练时基于代价矩阵为目标动态分配正负样本,从而达到平衡二者数量的目的。此模型通过特征图中的特征点直接预测目标的位置和形状,不仅省去了人工设置锚框的环节,还提高了可检出目标的数量。此外,可缩放的EfficientNet进一步提高了模型的泛化能力,使之可以接收多尺度的输入。在PASCAL VOC07+12数据集中,AEOD最高可以获得91.3%的平均精度(mAP),检测速度达到32.1 FPS,较其他主流的目标检测模型有显著提升。     

无锚框目标检测模型特征任务不对齐研究

通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素,模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差巨大的问题,也就是任务特征不对齐的问题。但是通用的目标检测后处理办法,仅以分类分数作为非极大抑制过程的标准,带来了大量回归质量较差、但置信度很高的检测结果。对现代化的无锚框网络展开不对齐问题的研究分析,将问题进一步拆解为尺度层级上的不对齐和空间位置上的不对齐。提出了参数量代价最小的解决方案：使用可变形卷积模块对检测模型头部网络的感受野进行微调,使用考虑样本点对齐效果的标签分配机制进行对齐样本点的挖掘,创新性地解决了上述两个子问题。进一步的详细实验和对比分析证明了该工作的有效性和实用性,以及对不同特征提取骨干网络的鲁棒性。     

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。     

基于非对称沙漏网络结构的目标检测算法

基于无锚框深度学习的目标检测是一种主流的单阶段目标检测算法。融合多层监督信息的沙漏网络结构能够显著提升无锚框目标检测算法的精度,然而其速度却远低于同层次的普通网络的速度,并且不同尺度目标间的特征会互相干扰。针对上述问题,提出了一种非对称沙漏网络结构的目标检测算法。该算法在融合不同网络层的特征时不受形状大小的约束,能够快速高效抽象出网络的语义信息,使模型更容易学习到各种尺度之间的差异。针对不同尺度目标检测问题,设计了一种多尺度输出的沙漏网络结构用来解决不同尺度目标间特征互相干扰的问题,并精细化输出的检测结果。另外,针对多尺度输出使用了一种特殊的非极大值抑制算法以提高检测算法的召回率。实验结果表明,所提算法在COCO数据集上的AP50指标达到61.3%,相较于无锚框网络CenterNet提升了4.2个百分点。所提算法在精度与时间的平衡上超越了原始算法,尤其适用于对工业场景的目标进行实时检测。     

基于深度学习和Transformer的目标检测算法

目标检测是实现目标跟踪、实例分割等高级视觉任务的基础,在智慧交通、缺陷检测、智能安防等现实场景有着重要应用。现有高精度检测算法都是在深度学习的指导下实现,同时伴有锚框技术,但是锚框自身的不足对检测器性能有着较大影响,无锚点碰撞检测成为了近几年目标检测领域新的研究方向。与此同时,Transformer表现出的巨大潜力为视觉领域开辟了图像与Transformer结合这个新方向,基于Transformer的目标检测也成为一个新的研究热点。系统地总结了深度学习时代的目标检测算法,调查并研究了近五年目标检测的相关论文,重点从Anchorfree和Transformer两个角度对这些算法进行深入分析,介绍了这些算法在现实场景具体应用情况以及目标检测领域常用数据集,基于目前的研究现状对目标检测的未来可研究方向进行了展望。     

基于深度学习的小目标检测算法综述

随着人工智能技术的发展,深度学习技术在人脸识别、行人检测、无人驾驶等领域得到了广泛的应用.而目标检测作为机器视觉中最基本、最具有挑战性的问题之一,近年来受到了广泛的关注.针对目标检测特别是小目标检测问题,归纳了常用的数据集和性能评价指标,并对各类常见数据集的特点、优势及检测难度进行对比,系统性地总结了常用的目标检测方法...     

改进CenterNet的无人机小目标捕获检测方法

小目标因浅层特征语义不足而深层特征信息缺失导致极难检测,而无人机视角场景复杂,检测难度进一步增大。普遍提升小目标检测精度的方法是进行不同层级的特征融合,但这会导致特征高冗余问题,并非所有特征层都值得被激活传递到后方的数据预测中去。针对上述问题对CenterNet进行改造,首次将其与自适应特征激活相结合,提出自适应基础模块（MSA）,抑制冗余特征的表达;在主干输出处引入升维全局上下文注意力模块（GC-Block）,强化关键点语义信息;用深度可分离卷积与Mish激活搭建高质量解码块（DW）,在不增加模型复杂度的情况下提升解码精度。在公开的无人机捕获小目标数据集上进行对比实验,改进算法的AP较原始算法提升了2.2个百分点,召回率提升了2.4个百分点,验证了改进算法对小目标检测任务的有效性。     

基于改进的YOLOv4高速公路车辆目标检测研究

针对高速公路场景下的车辆目标检测问题,提出了一种改进的YOLOv4网络对交通场景下车辆目标进行检测的方法;制作了一个多天候、多时段、多场景的车辆目标数据集,并依据数据集得到检测模型;提出多标签检测方法,并在多标签之间建立约束关系,得到更完善的车辆信息;提出了一个图像拼接检测方法,将多幅图像通过拼接层连接后进行车辆检测,...     

基于SSD_MobileNet模型的ROS平台目标检测

目标检测是机器人技术领域中重要的技术环节,而作为机器人开发领域中最受欢迎的平台之一,ROS （Robot Operating System）平台实现快速准确的目标检测功能是非常必要的.目前深度学习方法是实现目标检测功能的核心技术,但当前ROS平台自带的目标检测数据包实现原理仍是基于传统的局部图像特征描述方法,目标检测鲁棒性差,泛化能力弱.本文就将针对以上问题,提出一种基于SSD_MobileNet框架,结合独立制作的图像数据集训练定制的目标检测模型,并将模型集成到ROS平台实现快速准确的目标检测功能.     

基于改进YOLOv5的轻量化航空目标检测方法

为解决硬件平台资源受限条件下的实时航空目标检测需求,在基于改进YOLOv5的基础上,提出了一种针对移动端设备/边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络,设计通道注意力增强结构MNtECA (MobileNetv3 with Efficient Channel Attention)提高特征提取能力;其次在深度可分离卷积层增加1×1的卷积,在减少卷积结构参数的同时提高网络的拟合能力;最后对检测网络进行迭代通道剪枝实现模型压缩和加速。实验选取DIOR (Object Detection in Optical Remote Sensing Images)数据集进行训练和测试,并在嵌入式平台(NVIDIA Jetson Xavier NX)对轻量级模型进行推理验证。结果表明,所提出的轻量级模型大幅降低了参数和计算量,同时具有较高精度,实现了移动端设备/边缘计算的实时航空目标检测。     

基于增量学习的目标检测研究

目标检测技术已经被广泛应用于行人检测、人脸识别等诸多领域。随着社会生活与工业发展中新需求的出现,目标检测的对象与要求也随之出现新的变化。若直接用旧模型训练新类别可能会导致灾难性遗忘缺陷。因此,增量目标检测逐渐成为一个热门的研究方向。总结了常用的数据集和模型评价指标,研究了增量目标检测技术,将增量目标检测分为基于知识蒸馏的目标检测模型、基于回放的增量目标检测模型、开放世界目标检测模型,指出目前增量目标检测存在新增可识别类别的数据有限、新的可识别类别增加会导致模型准确率降低、小目标检测困难、检测速度慢等问题。通过比较最新增量目标检测模型,提出未来增量目标检测应从优化知识蒸馏方式、加强旧目标类别范例样本选择、更好地结合Transformer网络等几个方面进行改进。     

基于改进Efficientdet的自动驾驶场景目标检测

针对自动驾驶场景中车载平台计算资源有限及小目标检测精度较低等问题,提出一种基于Efficientdet的单阶段目标检测框架Efficientdet-Gs.通过重构倒转残差瓶颈MBConv来改进主干网络Efficientnet,在不牺牲精度的同时降低了网络的参数量和计算量;设计多尺度注意力机制模块应用于特征融合网络,进一...