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。     

基于YOLO框架的无锚框输电线多种缺陷检测

检测并及时修复输电线路的缺陷是电能安全输送的重要保障。针对现有检测方法存在效率低、对多尺度目标检测精度低、泛化能力差等不足,提出了一种基于无人机影像的无锚框输电线缺陷检测方法。该方法基于YOLO系列目标检测框架构建了一种无锚框的检测网络,设计了相匹配的正负样本分配方式,融入了多种优化策略,有效改善了现有方法的不足。实验结果表明,提出的方法能够同时对输电线的断股、散股、断线、烧伤和异物5种缺陷进行有效检测。相比于传统输电线缺陷识别方法和基于深度学习的缺陷检测方法SSD、Faster R-CNN、YOLOv4、YOLOv5,该方法的平均精度均值(mAP)达到78.31%,每秒传输帧数(FPS)为103.5 f/s,同时兼备检测的快速性和高精度,在5类输电线缺陷检测任务中均具有良好的性能。     

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...     

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。     

基于无锚框关键点算法的工件表面缺陷检测

针对工件表面图像中划痕缺陷尺寸比例异常、尺度变换大、背景纹理复杂等问题,提出一种基于无锚框关键点的工件表面缺陷检测算法AFKPDD。为提高尺寸比例异常的细长划痕的检测精度,采用基于RepPoints Head的检测模块,更好拟合缺陷形态并提取有效特征。为改善尺度变换和背景复杂问题,使用可变形卷积多尺度网络提取图像特征。为提高模型泛化能力,设计随机遮挡数据增强方法和多任务学习策略。自建铝制工件内壁数据集,AFKPDD算法在该数据集上AP达到88.9%,优于其它主流目标检测算法。在公开钢材表面数据集上验证了模型的泛化能力和在划痕检测上的应用价值。     

保持高分辨率信息的无锚点框检测算法

目标检测逐渐成为视觉研究社区的关键领域,而其挑战之一是检测器难以准确地定位不同尺度的物体.面向图像中的目标检测应用,提出了高分辨率-无锚点框(HOAR)检测策略来应对物体尺度多变的挑战.HOAR将待测图像输入多条通路(对应不同尺度)并行的高分辨率网络,并提取每条通路上的输出特征图作为图像在每种尺度下的深度特征表示;然后...     

无锚框目标检测模型通道剪枝方法

针对无锚框目标检测模型主干网络参数冗杂度大、计算开销高以及检测速度慢等问题,提出双维度注意力引导的通道剪枝算法(CPDAM),以便对无锚框目标检测模型进行压缩。利用池化层和组归一化操作提升通道注意和空间注意子模块性能;采用通道分组策略融合改进后的通道注意和空间注意子模块,并经过不断训练,为每个通道生成一个尺度值用于表示该通道在分类任务上的重要程度;利用尺度值计算一个全局尺度值,并根据该值评估通道重要性对主干网络进行通道剪枝;在PASCAL VOC、ImageNet、CIFAR-100等常用数据集上对剪枝前后的无锚框目标检测模型进行实验验证,结果表明,在mAP仅损失0.6个百分点的前提下,剪枝前后的CenterNet-ResNet101参数量从6.995×10⁷减少至2.238×10⁷,FPS从27提升至46。     

基于无锚框目标检测算法的多样性感受野注意力特征补偿

作为目标检测的研究热点之一,无锚框算法摒弃大量预定义框的设置而采取逐像素的方式进行预测。即便如此,它仍不能够很好地处理重叠目标。此外,该算法获取图像的全局信息能力较弱且易出现感受野不匹配。因此,提出2种改进方法：多样性感受野注意力机制和全局信息指导特征融合。PASCAL VOC和MS COCO数据集上广泛的实验证实了改进方法的有效性。与基线FCOS相比,本文方法的检测精度在PASCAL VOC上提升了1.4%,在MS COCO上的精确度为42.8%,检测性能明显优于许多先进算法。     

无人机航拍数据的机动车检测算法

无人机航拍图像的车辆检测任务存在物体尺寸小、背景复杂以及各种车辆样本不平衡等问题。为了解决这些问题,本文提出了一种基于改进的YOLO-X深度学习的机动车检测算法。实验结果表明,该算法能够有效地实现实时检测,可以为航拍机动车算法实现纯ARM部署提供保障。     

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....     

基于单线程的无锚点目标检测模型

为避免锚点对目标检测模型的鲁棒性造成负面影响,并保证在无锚点情况下模型具有较高的准确度,提出一种单线程无锚点全卷积网络模型.通过取消预设锚点参数以及像素级别预测,使得模型在无锚点情况下检测目标时具有更高的鲁棒性.使用沙漏骨干网络取代特征金字塔模块,从而降低锚点与特征金字塔模块的冗余以及计算量,使整体模型结构更加精简.实...     

深度神经网络图像目标检测算法综述

随着深度卷积神经网络优异的特征提取能力被发掘, 目标检测的进程开始以一种势不可挡的姿态向前推进, 同时, 和深度学习结合的目标检测技术取得了显著的成果, 在自动驾驶、智能化交通系统、无人机场景、军事目标检测和医学导航等现实场景中得到了广泛的应用. 本文回顾了传统目标检测算法的缺点, 介绍了常用的检测数据集以及性能评估指标, 综述了基于深度学习的目标检测经典算法, 阐述了当前目标检测的以及存在的困难与挑战, 对目标检测的未来可行的研究方向进行了展望.     

多尺度特征融合与交互的伪装目标检测网络

伪装目标检测是一项在复杂场景中定位和识别伪装目标的任务. 目前基于深度神经网络的方法已初步运用, 但在复杂场景下遇到干扰时, 许多方法无法充分利用目标的多级特征来提取丰富的语义信息, 仅依靠固定尺寸特征识别伪装目标. 为解决这一问题, 本文提出了一种基于多尺度特征融合交互的伪装目标检测网络. 该网络包含两个创新设计: 多尺度特征感知模块和双阶段邻级交互模块. 前者旨在通过结合多尺度特征的方式充分捕获复杂场景中丰富的局部-全局场景对比信息. 后者则是整合来自相邻层的特征以利用跨层相关性将有价值的上下文信息从编码器传输到解码器网络. 本文在CHAMELEON、CAMO-Test、COD10K-Test这3个公共数据集上对提出的方法进行了评测并与当前的主流方法对比. 实验结果表明, 本文方法的性能超越了当前的主流方法, 在各项指标上达到了优异的性能水平.     

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...     

基于双注意力机制的遥感图像目标检测

针对遥感图像在复杂背景下小目标检测精度较低的问题,提出一种基于双注意力机制模型的SSD检测算法。该算法在前端特征提取网络中引入双注意力机制模型,强化低层特征图中小目标的有效特征信息并抑制冗余的语义信息,实现自适应特征学习;并在空间注意力模型中引入空洞卷积,保证卷积核感受野的同时减少了网络参数。引入Focal loss损失函数作为改进算法的分类损失函数,改善网络在训练过程中样本失衡的问题,增加正样本与难样本在训练时的权重比例,提升算法的检测性能。对遥感图像数据集NWPU VHR-10进行检测的结果表明,本文的改进算法在保证检测速度的同时提高了检测精度。与传统SSD算法相比,改进SSD算法的mAP提高了2.25个百分点,达到79.65%。     

基于自动驾驶场景的目标检测算法DFSSD

为了提高单阶段目标检测算法对小目标和重叠目标的检测性能,使其能够应用到自动驾驶场景中,提出一种基于SSD（Single Shot Multibox Detector）的深度特征融合算法DFSSD（Deep Fusion based Single Shot Multibox Detector）。DFSSD主要从两个角度对SSD算法进行改进：一方面提出一种高效的特征融合方式,在不引入大量参数和过多计算量的情况下,增强了模型的特征表达能力和对困难小目标的检测能力;另一方面引入一种带噪声的训练方式,即在训练时,随机地将样本中未标记的困难正例目标（不易分辨的正例目标）加入训练,以提高算法对复杂背景的抗干扰能力,降低对困难小目标的误检率。在PASCAL VOC2007测试集上,DFSSD300比SSD300的mAP（mean Average Precision）提升了3.7个百分点,在KITTI数据集上,Car类困难目标的AP（Average Precision）值提升了5个百分点,同时与SSD300具有相当的检测速率。     

特征平衡的无人机航拍图像目标检测算法

无人机航拍图像目标较小、图像视角变化大,导致目标检测效果不佳。针对此问题,设计了一种适用于无人机小目标检测的网络。该网络中的可变形卷积模块可以提高多视角目标的特征提取能力,以解决航拍图像目标视角变化剧烈致使目标特征难以提取的问题;特征平衡金字塔模块可以增强网络中底层小目标特征,以解决航拍图像中的小目标因特征易丢失而造成其检测效果差的问题;同时利用像素重组构建底层大尺度特征以解决特征平衡金字塔模块的底层特征卷积运算量大的问题;交叉自注意力机制获取目标上下文信息,改善严苛条件下的漏检错检问题。公开数据集上的仿真结果表明,在保证实时检测的情况下所提算法的平均准确度优于主流检测算法。