增强特征金字塔结构的显著目标检测算法

显著目标检测是计算机视觉的研究热点。显著目标检测算法存在一些问题,如：算法常采用单一损失函数,缺乏对多维特征损失的考虑,可能带来局限性;最高层特征图来源单一;特征图融合常使用对应像素相加,不能有效突出图像中感兴趣区域。针对上述问题,结合结构性相似、交并比和交叉熵三种损失函数来捕捉图像细节,采用对应像素相乘操作融合特征图,令模型对显著区域更加敏感;通过残差特征图增强模块逆向构建更高层特征图强化其语义信息;采用特征金字塔结构融合不同尺度信息,完成编码解码模块。在5个数据集的对比实验表明该方法性能超过主流算法,能实现有效的显著目标检测。     

级联特征点检测的锥套小目标快速检测定位算法

为提升无人机自主空中加油中锥套小目标的检测精度和实时性,提出了级联网络与特征点检测网络的锥套小目标高精度快速定位算法。该算法设计了锥套目标全局粗定位和局部精定位的两级检测神经网络结构,采用特征点的输出位置误差及特征点群拟合的椭圆参数误差设计网络的损失函数,利用特征点拟合的锥套目标尺寸位置信息修正跟踪算法,提升了跟踪算法的和目标定位的实时性。实验测试结果表明,该定位算法定位成功率在95%以上,定位的精度（预测区域与真实区域的重叠率）在80%以上,定位输出速率达到100 Hz,对于环境的变化有着较强的适应性。因此该算法可以快速准确地进行锥套目标的跟踪,对于无人机空中加油技术的发展具有重要的研究意义。     

基于改进全卷积一阶检测器的桥梁裂缝定位算法

为解决桥梁裂缝检测时定位速度慢的问题,提出一种基于全卷积一阶（FCOS）检测器的裂缝定位改进算法。本算法采用FCOS网络模型,利用轻量级骨干网络Efficientnet提取裂缝图像特征,作为改进措施,引入加权双向特征金字塔网络（BiFPN）融合裂缝图像不同尺度的特征,从而进一步增强骨干网络的视觉特征提取效果。在自制数据...     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。     

跨深度的卷积特征增强目标检测算法

针对当前基于深度学习的目标检测算法采取的特征图融合方式存在缺陷,算法普遍不能很好地应对尺度变化等问题,提出一种跨深度卷积特征增强的目标检测算法CDC-YOLO。对YOLOv3算法进行改进,针对多尺度预测层各自的特点采用与之适应的特征增强模块,采用多通道的跨深度的卷积核并结合空洞卷积并行地提取特征,最终级联起来。该模块能充分利用多尺度多深度特征,形成统一的多尺度特征表达。在VOC2007test上的实验结果表明,提出算法的mAP (均值平均精度)高达82.33%,比原始YOLOv3提升了约2%,且对尺度变化大的物体鲁棒性更强。     

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...     

改进SSD算法的道路小目标检测研究

在道路场景中,因小目标分辨率低且特征不明显,传统的目标检测算法难以确认其所属类别和位置信息,导致检测精度低、检测速度慢、漏检率高。提出一种改进SSD的道路小目标检测算法RFG_SSD。在SSD网络结构的主干部分和检测部分之间,通过引入改进的特征金字塔网络结构,融合浅层和深层感受野的特征信息,以获得小目标语义信息丰富的特征图。将深层特征提取网络ResNet 50作为改进网络的主干特征提取网络,提高整体网络的检测精度。为加快网络运算速度,基于检测层结构,利用全局平均池化层代替全连接层,减少网络参数量。实验结果表明,与SSD、VGG16+SFPN等算法相比,该算法能够有效提高小目标检测性能,且加快检测速度,其在BDD100K数据集上的平均精度和检测速度分别为98.05%和85.56 frame/s,小目标检测个数相较于SSD算法提高3倍多。     

改进SSD的机场场面多尺度目标检测算法

针对现有基于深度学习的通用目标检测方法对机场场面环境目标尺度差别大,特别是小目标难以检测到的问题,提出了一个基于SSD算法并结合特征金字塔融合网络的多尺度目标检测算法.该算法采用了更深的ResNet-50作为骨干网络,并单独设计了六层额外特征层.使用特征金字塔网络进行特征融合,以获得更鲁棒的语义信息.使用Soft-NM...     

分段反卷积改进SSD的目标检测算法

针对当前SSD算法低层特征图语义信息不足导致存在小目标漏检以及误检的问题,提出一种基于分段反卷积改进SSD的目标检测算法SD-SSD(Segmented Deconvolution-Single Shot MultiBox Detector).根据SSD模型低层特征图语义信息提取不足,高层特征图边缘信息丢失过多,本文重...     

基于改进SSD的车辆小目标检测算法研究

针对SSD(single shot multibox detector,单步多盒检测)算法在车辆的自动紧急制动(AEB)中对远方目标检测效果差、检测速度慢、对硬件资源需求高的问题,提出了一种基于SSD的改进算法.首先用MobileNetv2替换SSD中的AGG-16作为检测网络,以减少参数数量和计算量,降低网络对硬件性...     

基于改进YOLOv5的目标检测算法研究

YOLOv5是目前单阶段目标检测性能较好的算法,但对目标边界回归的精确度不高,难以适用对预测框交并比要求较高的场景。基于YOLOv5算法,提出一种对硬件要求低、模型收敛速度快、目标框准确率高的新模型YOLO-G。改进特征金字塔结构（FPN）,采用跨层级联的方式融合更多的特征,一定程度上防止了浅层语义信息的丢失,同时加深金字塔深度,对应增加检测层,使各种锚框的铺设间隔更加合理;其次把并行模式的注意力机制融入到网络结构中,赋予空间注意力模块和通道注意力模块相同的优先级,以加权融合的方式提取注意力信息,使网络可根据对空间和通道注意力的关注程度得到混合域注意力;通过降低网络的参数量和计算量对网络进行轻量化处理,防止因模型复杂度提升造成实时性能的损失。使用PASCAL VOC的2007、2012两个数据集来验证算法的有效性,YOLO-G比YOLOv5s的参数量减少了4.7%,计算量减少了47.9%,而mAP@0.5提高了3.1个百分点,mAP@0.5：0.95提高了5.6个百分点。     

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。     

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。     

结合卷积神经网络和三支决策的入侵检测算法

随着网络入侵行为的多样化和智能化,传统的入侵检测算法在面对高维特征、非线性的海量数据时,存在特征提取不充分、模型分类不够精确等问题,为此,提出了一种结合卷积神经网络（convolutional neural networks,CNN）和三支决策（three-way decision,TWD）的入侵检测算法。卷积神经网络具有优越的特征提取能力;同时,三支决策可以规避因信息不足而盲目分类造成的风险,且减少分类所耗费的时间。该方法通过卷积神经网络对高维数据进行特征提取,构建多粒度特征空间,然后基于三支决策理论对网络行为做出即时决策,对于无法即时决策的网络行为进行延迟决策,即对该部分网络行为再次特征提取以构建不同的粒度特征空间,最后输出分类结果。该方法建立的模型在NSL-KDD、CIC-IDS2017数据集上的实验结果表明,提出的算法可以提升入侵检测系统的性能。     

改进的RetinaNet目标检测算法

针对经典一阶段目标检测算法RetinaNet难以充分提取不同阶段特征、边界框回归不够准确等问题,提出一个面向目标检测的改进型RetinaNet算法。在特征提取模块中加入多光谱通道注意力,将输入特征中的频率分量合并到注意力处理中,从而捕获特征原有的丰富信息。将多尺度特征融合模块添加到特征提取模块,多尺度特征融合模块包括1个路径聚合模块和1个特征融合操作,路径聚合模块通过搭建自底向上的路径,利用较浅特征层上精确的定位信号增强整个特征金字塔的信息流,特征融合操作通过融合来自每个阶段的特征信息优化多阶段特征的融合效果。此外,在边界框回归过程中引入完全交并比损失函数,从边界框的重叠面积、中心点距离和长宽比这3个重要的几何因素出发,提升回归过程的收敛速度与准确性。在MS COCO数据集和PASCAL VOC数据集上的实验结果表明,与RetinaNet算法相比,改进型RetinaNet算法在2个数据集上的平均精度分别提高了2.1、1.1个百分点,尤其对于MS COCO数据集中较大目标的检测,检测精度的提升效果更加显著。     

改进FCOS的二阶段SAR舰船检测算法

近年来无锚框的目标检测算法逐渐被应用于SAR舰船检测,其中FCOS算法摆脱了对锚框参数设置的依赖,对多尺度、多形态舰船检测的鲁棒性更好,但仍存在两个问题：第一、该算法直接进行逐像素点回归,因搜索空间过大、目标回归困难导致检测不够准确;第二、其中特征金字塔对低层特征利用仍有不足导致小目标大量漏检。针对上述问题基于FCOS进行改进,通过增加特征增强网络构建了二阶段无锚框检测算法。该网络作为第一阶段对检测过程进行精细化引导,同时增强了舰船特征表达能力。通过引入更多特征并增加跳跃连接改进特征金字塔,提高了低层特征利用率。在数据集SSDD和SAR-Ship-Dataset上的实验结果表明,平均准确率（mAP）相比FCOS分别提高9.5和3.4个百分点,相比其他主流舰船检测算法分别提高3.6和1.0个百分点,充分验证了所提算法的有效性。     

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-VOC20...