基于深度学习的小目标检测方法综述

小目标检测一直是目标检测领域中的热点和难点,其主要挑战是小目标像素少,难以提取有效的特征信息.近年来,随着深度学习理论和技术的快速发展,基于深度学习的小目标检测取得了较大进展,研究者从网络结构、训练策略、数据处理等方面入手,提出了一系列用于提高小目标检测性能的方法.该文对基于深度学习的小目标检测方法进行详细综述,按照方法原理将现有的小目标检测方法分为基于多尺度预测、基于数据增强技术、基于提高特征分辨率、基于上下文信息,以及基于新的主干网络和训练策略等5类方法,全面分析总结基于深度学习的小目标检测方法的研究现状和最新进展,对比分析这些方法的特点和性能,并介绍常用的小目标检测数据集.在总体梳理小目标检测方法的研究进展的基础上,对未来的研究方向进行展望.     

基于深度学习的电力输电线故障目标检测算法综述

故障检测对于确保电力系统正常运行具有重要意义。近年来随着深度学习在目标识别领域的重大进展，基于深度学习的电力输电线故障目标检测逐渐成为电力系统故障目标检测领域的研究热点。目前深度学习领域的主流算法包括两阶段目标检测算法和单阶段目标检测算法。本文对此两类算法进行简要介绍，分析其中具有代表性的几种卷积神经网络算法的优缺点，并总结电力系统故障目标检测存在的问题，以及未来的发展方向。     

基于SSD的棋子检测算法研究

准确的目标检测算法是人工智能的一个重要部分,在安防、智能机器人、自动驾驶等领域有重要应用。传统的目标检测方法适应性较差、准确度不高。随着深度学习算法的发展,以深度学习为基础的目标检测算法相对于传统算法有巨大提升。部分检测框架在速度和精度上有了很大突破。对于简单目标棋子的识别上,由于目标单一、目标间差别小、目标数据容易重复、容易使算法出现过拟合的问题。通过深度更深的残差网络提取图像深层信息以强化对目标的识别能力,同时通过标签映射实现单目标到多目标的转换,最终目标识别置信度几乎稳定在99%。通过使用层间融合、网络剪枝等技术优化了网络结构,然后使用权重量化压缩神经网络模型的权重。优化后的网络准确度几乎不变但是计算效率更高并能普通CPU上实现快速推理。     

基于改进Tiny-yolov3算法的安全帽佩戴检测

针对深度学习方法在视觉上检测安全帽佩戴过程中存在对施工人员等小目标漏检率高和实际中需达到实时监测的要求,提出一种改进的目标检测模型.首先,在该算法的原网络上加入残差网络模块,使得小目标的特征不会随着网络的加深而导致梯度消失的情况,且能更好地改善对小目标的漏检率高的问题.然后,对损失函数与筛选预测框进行了优化.理论分析与...     

一种基于变分辨率机制的机坪目标检测算法

多目标检测任务存在目标尺寸变化范围大的情况。通过采集高分辨率图像,可以保证对小目标的观测效果,但是在原始图像中进行滑动窗口扫描式检索,会造成计算成本的显著增加;大尺度目标的检测通过对原始高分辨率图像压缩快速完成,但压缩过程会导致小目标的大量细粒度特征丢失:因此,文章提出一种基于变分辨率机制的YOLO检测 (multiple resolution mechanism based YOLO,MRMY) 算法,并用深度可分离卷积进行优化。该算法考虑特定场景下不同尺寸目标间的位置关系,采用多分辨率机制,先对高分辨率图像进行压缩,对大目标进行快速检测,再根据大目标位置信息确定小目标的搜索空间,并在原始高分辨率图像的局部区域进行小目标识别。由于在任一分辨率下目标尺寸较为明确,因此可对检测模型基于归一化层剪裁掉网络中不重要通道。尽管检测任务需要2次模型运算才能完成,但通过该检测模型可提高算法的速度。在网络公开数据集和自建数据集上的测试结果表明,MRMY算法的全类平均正确度（mAP）比YOLO V4算法提升约21%,检测速度为84帧/秒与YOLO V4的83帧/秒相近。     

融合ReFPN结构与混合注意力的小目标检测算法

基于深度学习的小目标检测研究对于如小人脸识别、遥感图像检测等任务的优化与提升都具有极为重要的意义。但由于图像中的小目标所占像素较少,分辨率低,包含的特征信息不明显,现有方法对小目标的检测效果并不理想。针对此问题,提出一种基于反馈的特征融合网络ReFPN用于YOLOv4算法,两次利用骨干网络提取的原始特征层,加强小目标特征信息,对其进行更精确的位置回归。同时提出混合注意力机制Co-AM充分提取小目标的细节特征信息,抑制无效特征,进一步提高小目标的检测精度。实验结果表明,此文提出的方法使YOLOv4算法在MS COCO数据集上平均精度AP提高了1.9%,小目标平均精度AP_S提高了3.3%,检测效果优于现有小目标检测算法,证明了此文提出方法的有效性。     

基于计算机视觉的行人检测方法研究进展

基于计算机视觉的行人检测方法可有效提高行人检测效率,已广泛应用于智慧城市、辅助驾驶等场景。文章对行人检测涉及的图像分割、特征提取、机器学习和分类与定位等方法进行了归纳,综述了各种方法的主要思想、适用性和局限性;同时介绍了行人检测算法的评价指标,对算法性能进行了分析;最后总结了行人检测方法的研究进展,并对未来的发展方向进行了展望。计算机视觉作为目标检测中的一项重要技术,在行人检测领域仍有待发展,算法结构改进、分类器优化、复杂场景下的行人检测等是未来的研究重点。     

融合L-α的YOLO-v4小目标检测算法

当前基于深度学习的目标检测技术得到了迅速发展，但小目标检测仍然是一个有待改善的难题。相比于大目标，小目标检测任务存在分辨率低、特征易丢失等特点，很多通用的目标检测算法不能直接迁移到小目标检测。特征金字塔融合能有效结合深层和浅层的特征，增强对小目标的检测性能，然而现有模型大都忽略了相邻层间融合时的信息不平衡问题。针对此问题，提出将有效融合因子的思想融入YOLO-v4的PANet结构，添加融合因子L-α控制深层向浅层传递的信息量，从而有效提高信息融合效率，增强YOLO-v4对小目标的检测能力。实验表明，加入了L-α的YOLO-v4模型，在Tiny Person数据集上平均精度AP₅₀^tiny和AP₅₀^small分别提高了2.14%和1.85%，在MS COCO数据集上平均精度AP和AP_S分别提高了1.4%和2.7%，且检测结果优于其他小目标检测算法，证明此改进方法对小目标检测有效。     

基于深度学习的轮廓检测算法:综述

轮廓检测旨在提取图像中目标与背景环境的分界线,是计算机视觉研究领域中最基本的问题之一.深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破.鉴于此,本文就基于深度学习的轮廓检测研究领域的最新发展进行总结,具体包括:轮廓检测任务中采用的卷积神经网络结构,相关训练数据构造、特征压缩、上采样、代价函数和轮廓细化等关键问题,轮廓检测实验中采用的通用数据集和性能评价指标.最后,分析了基于深度学习的轮廓检测算法的挑战和未来研究趋势,以期为该领域的后续研究提供新思路及参考.     

面向无人机航拍图像小目标检测方法

针对航拍图像目标检测中小目标特征模糊问题,提出一种改进YOLO＿v5x的目标检测算法。通过在YOLO＿v5x的主干和颈部网络中添加空间到深度(space-to-depth,SPD)模块来减少细粒度信息丢失;在检测输出端添加1个小目标预测头,提高算法学习低分辨率特征的效率;引入协调注意力(coordinate attention,CA)机制,将横向和纵向的位置信息编码到通道注意中,增强网络对不同维度特征的提取能力;在完整交并比(complete-intersection over union,CIOU)损失函数的基础上引入Alpha交并比(α-IOU)损失函数,获得更准确的边界框回归,实现图像中目标更精确的定位。通过在Visdrone数据集上对改进YOLO＿v5x算法进行训练和对比实验,结果表明：相比于原YOLO＿v5x,改进目标检测算法的平均检测精度提升了7.8%,小目标检测的平均精度达23.9%,能够有效识别无人机航拍图中的小目标;相比于RetinaNet、YOLOX-S、Grid-RCNN等目标检测算法,改进目标检测算法的小目标检测平均精度最高,在当前主流检测小目标算法中达到先进水...     

基于注意力模型和Soft-NMS的输电线路小目标检测方法

在输电线路的缺陷检测中，鸟巢以及塑料、碎布等挂空悬浮物多为小目标。其所占像素少，容易被背景干扰，检测精度有待提高。设计了一种全新的两阶段目标检测算法，用于改善对输电线路中鸟巢以及挂空悬浮物的检测效果。为了提高小目标检测的性能，在特征提取模块中融入注意力机制，以学习更为丰富的上下文信息。此外，在检测模块中，设计了基于更为柔和非极大值抑制算法的后处理方法，以减少小目标的丢失。与常用的两阶段目标检测算法相比，该方法在两个类别的平均准确率上分别提高了约4.7%和5.9%，有着更高的实际应用价值。     

基于遮挡目标去除的公交车拥挤度分类算法

由于公交车中场景复杂、干扰因素繁多容易出现遮挡乘客问题,现有深度学习和目标检测方法在对公交车内的拥挤程度分类时精度低、效果差,往往达不到令人满意的效果。针对这一问题,提出一种基于遮挡目标去除的公交车拥挤度分类算法,对公交拥挤进行分类和分析。该方法有遮挡物检测、图像去遮挡和拥挤度分类模块三部分组成。基于目标检测算法检测出遮挡物,通过图像修复算法对乘客图像进行修复,利用拥挤度分类算法分析拥挤度。本研究从真实的公交车中采集数据生成数据集,并进行标注。试验结果表明,基于遮挡目标去除的分类算法的准确率达到了67.12%,与现有的方法对比具有最高的预测精度。     

基于改进YOLOv5s的头盔佩戴检测算法

交通法规规定电动车驾驶人驾车时需要佩戴安全头盔,常用检测算法针对安全头盔这类小目标进行检测时存在漏检的问题。鉴于此,提出一种基于改进YOLOv5s的电动车驾驶人头盔佩戴检测算法,简称为HWD-YOLOv5s算法。该算法以深度学习框架YOLOv5s为基础,改进原始模型特征提取部分的下采样方法和特征融合方法,并修改边框损失函数GIOU的计算方法。通过多场景下数据采集获得11 370张图片以制作安全头盔数据集,并在自制数据集上采用HWD-YOLOv5s算法及其他主流算法进行小目标检测的对比实验。实验结果表明：与YOLOv5s算法相比,HWD-YOLOv5s算法在准确率、召回率、平均精度三个方面分别提升0.4%、1.1%、0.2%;检测速度能够达到实时检测要求。     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

基于关键点的复杂道路环境目标检测算法

针对复杂交通环境手工搭建神经网络人力成本高、小目标检测准确度低、使用锚框法参数多、算法实时性差等问题,提出一种基于关键点的复杂道路环境目标实时检测算法。首先,重构MBConv,改进EfficientNet主干特征提取网络,提高特征提取效率;其次,融入小尺度特征层,优化特征融合网络,提升复杂环境下小目标检测能力;最后,运用关键点预测法,完成检测目标分类及回归。在BDD100K数据集上的测试结果表明,设计算法的目标检测实时性较强,且对复杂环境中的小目标检测准确度较高。     

轮廓匹配的复杂背景中目标检测算法

为解决基于形状的目标检测算法受图像复杂背景的影响,本文提出了一种新的基于轮廓匹配的复杂背景中目标检测方法,算法结合了显著性检测和模板匹配的方法.首先对输入图像在超像素级别进行预处理,应用显著性区域检测方法得到不含复杂背景的区域图像,然后在显著性区域内得到初始边缘图像,对初始边缘图像进行优化处理后利用形状描述子进行轮廓匹配,最后,通过深度优先的搜索策略识别目标的假设位置并进行假设验证来确定最终的目标位置,完成复杂背景图像中的目标检测任务.在ETHZ形状数据集的实验结果证明了本文算法的可行性,根据50%-IoU和20％-IoU标准与其它几种基于形状的目标检测方法进行对比,当误报率为0.3时,算法平均检测率是96%,误报率为0.4时,检测率已经达到99%,如果接受更高误报率时检测率可达到100%,均高于其余几种算法.算法的实验和对比分析结果表明本文方法可以提高检测精度,具有明显的性能优势,为复杂背景中的目标检测提供了新的解决方法.     

基于嵌入式平台的安全帽实时检测方法

基于深度学习实现施工现场人员是否佩戴安全帽的检测方法因卷积神经网络层数多、结构复杂、计算量庞大,难以在嵌入式平台上实现实时检测。针对该问题,提出一种基于改进YOLOv4-Tiny的轻量化网络算法。该算法首先通过改进特征提取网络进一步融合多尺度特征信息以提高对小目标区域的识别能力;其次通过引入EIOU损失函数提高定位精确度以及模型收敛速度;最后采用聚类算法K-means++提取先验框中心点,选取更为合适的先验框,用于提高检测的精度及速度。实验结果表明,采用改进后的算法在嵌入式平台上进行安全帽佩戴检测,均值平均精度达到92.47%,较YOLOv4-Tiny提高了12.91%,实现了每秒20.16帧的实时检测速度,达到了实时检测的要求。     

基于SSD的多特征刑侦场景识别

将基于深度学习的SSD(Single Shot MultiBox Detector)目标检测方法应用于刑侦图像目标检测中。通过对目标进行多尺度特征提取,将小目标与大目标采用不同级别的特征图方式进行融合识别。实验测试结果表明,SSD方法明显地提高了小目标在刑侦图像中的检测率,且与Faster R-CNN相比发现,在置信阈度为0.5时,SSD的检测精度接近Faster R-CNN,mAP(Mean Average Precision)达到94.8%,检测速度远超Faster R-CNN,帧频FPS达到58Hz。实验结果说明SSD方法在刑侦图像目标识别上具有特别优势。     

基于改进YOLOv5的小目标检测算法

针对目标检测中小目标误检、漏检及特征提取能力不足等问题,提出一种基于改进YOLOv5的小目标检测算法.该算法使用Mosaic-8方法进行数据增强,通过增加一个浅层特征图、调整损失函数,来增强网络对小目标的感知能力;通过修改目标框回归公式,解决训练过程中梯度消失等问题,提升了小目标的检测精度.将改进后的算法应用在密集人群...     

基于邻域对比的红外林火小目标检测

为了在森林复杂背景下准确地检测出红外小目标,提出了一种基于邻域对比的目标提取算法。首先,根据小目标区域与其8-邻域背景的差异,利用邻域对比算法实现对小目标的增强和对背景的抑制;其次,采用多尺度模板准确检测小目标区域的变化情况;最后,在得到最终对比图的基础上,利用自适应阈值对目标进行分割。实验结果表明:与现有算法相比,所提出的算法在红外小目标检测方面具有更高的准确性,图像整体的信噪比也有较大的提高。