跨层融合和感受野扩增的SSD目标检测算法

鉴于SSD(Single Shot Multibox Detector)不同层缺乏信息的交互以及模型感受野的限制,提出了一种改进的SSD目标检测算法——ESSD(Enhanced SSD),以提高目标检测的准确性。首先,使用SSD模型中原有的多尺度特征图,利用FPN(Feature Pyramid Networks)的思想,设计了一种跨层信息交互模块,在增强了不同层的语义信息能力的同时减小了不同层的信息差异。然后,为了提高模型的感受野和多尺度检测能力,设计了一种感受野扩增模块。最后,采用批处理归一化层缩短训练时间,以提高模型的收敛速度。为了评价ESSD的有效性,在PASCAL VOC2007测试集以及PASCAL VOC2012测试集上进行了实验。实验结果表明,在PASCAL VOC2007数据集上其mAP为82.1%且检测速度为15.7FPS,相比原有的SSD512,其mAP提升了2.3%;在PASCAL VOC2012测试集上其mAP达到了80.6%,也比SSD512高2.1%。实验证明了ESSD检测器在达到较高检测精度的情况下,仍然可以满足实时性。     

基于空洞卷积与特征增强的单阶段目标检测算法

基于卷积神经网络目标检测算法的浅层特征图包含丰富的细节信息,但缺乏语义信息,而深层特征图则相反.为充分利用浅层和深层特征图特征,解决多尺度目标检测问题,提出一种新的单阶段目标检测算法(AFE-SSD).以SSD算法为基础,分别对该算法中相邻的2个特征图进行特征融合,从而丰富浅层特征层的语义信息.通过对并行空洞卷积机制进...     

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。     

特征增强的SSD算法及其在目标检测中的应用

针对多尺度单发射击检测(SSD)算法不同尺度的特征层很难进行融合互补问题,提出一种特征增强的SSD(FE-SSD)算法.首先对SSD算法的金字塔特征层中,每一尺度的特征进行尺寸不变的卷积操作;然后将卷积前与卷积后的特征进行特征融合操作,进而产生一组新的金字塔特征层;最后在新产生的金字塔特征层上执行目标的检测与定位任务.在PASCALVOC2007公共数据库上进行实验,当输入图像尺寸为300×300时,检测精度(mAP)达到78.0%,检测速度(FPS)达到82.5帧/s.此外,在拓展实验中,文中算法对图像中模糊目标的检测效果也优于SSD算法.     

基于多尺度感受野融合的小目标检测算法

针对通用目标检测算法在检测小目标时检测精度低的问题,提出一种基于多尺度感受野融合的小目标检测算法S-RetinaNet。该算法采用残差神经网络（residual neural network,ResNet）提取出图像的特征,利用递归特征金字塔网络（recursive feature pyramid network,RFPN）对特征进行融合,通过多尺度感受野融合模块（multiscale receptive field fusion,MRFF）分别处理RFPN的三个输出,提升对小目标的检测能力。实验表明,相比改进前的RetinaNet算法,S-RetinaNet算法在PASCAL VOC数据集上的均值平均精度（mean average precision,mAP）和MS COCO数据集上的平均精度（average precision,AP）分别提高了2.3和1.6个百分点,其中小目标检测精度（average precision small,APS）更为显著,提升了2.7个百分点。     

感受野下的小目标检测算法

早前提出的one-stage类算法SSD,在主干网络特征提取方面,经过3×3的卷积之后会造成计算通道数增多.同时,在SSD中这些被提取出的特征直接生成特征图并分别丢入预测模型中,导致层与层之间没有很好的信息交融.在现实的检测过程中,因为神经网络的主导为大型目标,常常会忽略相对于大型物体更容易被漏检的小型物体,导致小型被...     

目标检测算法

目标检测是计算机视觉任务的一个重要组成部分,也是人工智能的一个重要应用,其目的是在自然图像中的大量预定义类别中定位对象实例。同时目标识别也有着广泛的应用场景,可以应用到自动驾驶技术中以及各种侦察车上。系统性介绍了主要的目标识别方法,之后主要介绍两种基于深度卷积神经网络的目标识别方法,并分别说明了它们的应用场景,同时通过具体的实验数据对比了骨干网络的优缺点。与传统的基于特征的目标检测方法相比,基于深度学习的目标检测方法可以同时学习图像的低级特征和高级特征。最后展望了目标检测方法的发展前景。     

扩增感受野特征融合的小目标检测算法

为了解决小目标检测在实际应用中的高漏检率、低准确率、低召回率等问题,提出一种基于感受野扩增特征融合的小目标检测算法.首先,对全卷积单阶段目标检测算法(fully convolutional one-stage object detection, FCOS)基础网络特征提取部分增加感受野扩增模块,改善基础网络ResNet-50特征信息提取较少、浅层特征层信息利用率偏低等问题;其次,在特征金字塔部分利用门控思想筛选信息融合,降低无效信息融合的干扰;最后,对7个特征层增加注意力机制模块,提升目标定位精度和分类精度.在COCO2017数据集上的实验结果表明,该算法比传统FCOS算法的检测精度提升2.4%.其中,小目标检测精度提升3.2%,具有更好的检测效果.     

一种基于SSD改进的目标检测算法

SSD(Single Shot MultiBox Detector)是一种基于深度学习的目标检测算法,它作为当前最为主流的检测算法之一,在极大地提高检测速度的同时,还能保证一定的检测精度,但是仍难以满足实际应用的需求。本文在SSD模型的基础上,引入注意力机制,提出一种基于SSD改进的目标检测算法。注意力机制能够有效地提高卷积神经网络对图片特征的提取能力,从而进一步提高算法的检测精度。改进后的算法在Pascal VOC数据集上进行对比试验。实验结果表明,改进后的模型在Pascal VOC2007测试集上的检测精度达到78.5% mAP（mean Average Precision）,比改进前提高4.2个百分点,在Pascal VOC2012测试集上的检测精度达到77.1% mAP,比改进前提高4.7个百分点。     

基于视觉的目标检测方法综述

目标检测是计算机视觉的核心,在图像识别、行人检测、大规模场景识别等方面具有广泛应用,提升目标检测的速度与精度可以拓展计算机视觉的应用范围。大数据的出现以及深度学习的发展为目标检测研究注入了新的动力。传统的目标检测主要使用基于手工特征配合机器学习的方法,即Feature-Based方法。目前的检测算法主要以卷积神经网络(CNN)为核心。分析了Feature-Based方法检测效果差的原因并提出改进方法,详细讨论了CNN网络衍生出的TWO-STATE方法和ONE-STATE方法,介绍了每种方法的联系以及相比之前方法的改进,详细描述了其网络的机理与检测过程,指出了每种方法的检测效果与不足。总结了目标检测方法在一些数据集上的检测效果与仍然存在的问题。     

一种改进的SSD网络车载图像检测方法

对行人和车辆的检测识别是无人驾驶领域的重要组成部分,为满足该领域对相关模型检测精确度的需求,以传统单发多框检测器(single shot multibox detector,SSD)为基础,提出了一种车载图像识别改进算法.鉴于传统SSD目标检测算法不能充分利用局部特征和全局语义特征、目标定位和识别存在矛盾等缺陷,提出了...     

深度卷积神经网络的目标检测算法综述

目标检测是计算机视觉中的核心任务之一,在智能视频监控、自动化监测、工业检测等领域应用广泛。近些年来,随着深度学习的快速发展,基于深度卷积神经网络的目标检测算法逐渐替代了传统的目标检测算法,成为了该领域的主流算法。介绍了目标检测算法的常用数据集和性能评价指标,介绍了卷积神经网络的发展,重点分析比较了两阶段目标检测算法和单阶段目标检测算法,展望了基于深度卷积神经网络的目标检测算法未来的发展。     

Deep Learning for Object Detection: A Survey

Object detection is one of the most important and challenging branches of computer vision, which has been widely applied in people s life, such as monitoring security, autonomous driving and so on, with the purpose of locating instances of semantic objects of a certain class. With the rapid development of deep learning algorithms for detection tasks, the performance of object detectors has been greatly improved. In order to understand the main development status of target detection, a comprehensive literature review of target detection and an overall discussion of the works closely related to it are presented in this paper. This paper various object detection methods, including one-stage and two-stage detectors, are systematically summarized, and the datasets and evaluation criteria used in object detection are introduced. In addition, the development of object detection technology is reviewed. Finally, based on the understanding of the current development of target detection, we discuss the main research directions in the future.     

基于卷积神经网络和关键词的目标检测系统

该文以互联网上的图片数据为训练数据,结合使用深度学习技术,实现了一种基于卷积神经网络和检测关键词的目标检测系统。系统根据用户输入的检测关键词,利用网络爬虫技术搜集图像用于训练。对每张图像,使用预训练的神经网络模型提取图像特征,并采用金字塔池化技术得到图像表达向量。系统基于图像表达向量学习分类器,并利用分类器对用户上传的图片进行目标检测。系统的实现具有实际意义,理想情况下可对任意具体目标实现检测(如行人、车辆、动物等)。