基于改进SSD的合成孔径声呐图像水下多尺度目标轻量化检测模型

针对轻量化目标检测模型SSD-MV2对合成孔径声呐(SAS)图像水下多尺度目标检测精度低的问题,该文提出一种新的卷积核模块-可扩张可选择模块(ESK),ESK具有通道可扩张、通道可选择和模型参数少的优点。与此同时,利用ESK模块重新设计了SSD的基础网络和附加特征提取网络,记作SSD-MV2ESK,并为其选择了合理的扩张系数和多尺度系数。在合成孔径声呐图像水下多尺度目标检测数据集SST-DET上,SSD-MV2ESK在模型参数基本相等的条件下,检测精度比SSD-MV2提升4.71%。实验结果表明,SSD-MV2ESK适用于合成孔径声呐图像水下多尺度目标检测任务。     

基于改进SSD的合成孔径声呐图像水下多尺度目标轻量化检测模型

针对轻量化目标检测模型SSD-MV2对合成孔径声呐(SAS)图像水下多尺度目标检测精度低的问题,该文提出一种新的卷积核模块-可扩张可选择模块(ESK),ESK具有通道可扩张、通道可选择和模型参数少的优点.与此同时,利用ESK模块重新设计了SSD的基础网络和附加特征提取网络,记作SSD-MV2ESK,并为其选择了合理的扩张系数和多尺度系数.在合成孔径声呐图像水下多尺度目标检测数据集SST-DET上,SSD-MV2ESK在模型参数基本相等的条件下,检测精度比SSD-MV2提升4.71％.实验结果表明,SSD-MV2ESK适用于合成孔径声呐图像水下多尺度目标检测任务.     

基于改进SSD的轻量化小目标检测算法

为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD算法的平均精准度。同时针对SSD算法存在模型过大,运行内存占用量过高,无法在嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,将SSD算法特征提取部分替换为轻量化特征提取最小单元的组合后,可在嵌入式ARM设备上运行。在PASCAL VOC数据集和KITTI自动驾驶数据集上进行对比实验,结果表明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。     

基于改进的SSD监理目标检测研究

针对装饰装修工程中由人工验收带来的诸多问题,文中提出了一种改进的SSD算法并将其应用于监理工作来代替人工验收,推动智能监理的实现。由于SSD算法存在对同一目标复检以及小目标检测效果欠佳等问题,故文中利用DPN网络替换基础特征提取网络VGG16。DPN结合了Resnet和Densenet的优点,具有更好的特征提取能力。通过加权FPN融合特征图,突出不同层特征图的贡献,丰富用于预测的特征图语义。利用深度可分离卷积降低模型的参数量,提高算法的推理速度。实验对比发现,改进后模型的平均精度提升了3.47%,对小数目检测平均精度的提升可达15%,证明新模型在监理目标检测任务中效果良好。     

基于改进SSD算法的铁路隧道漏缆卡具检测

针对目前隧道内漏缆卡具检测数据量大、人工检测效率低的问题,提出了一种基于改进single shot MultiBox detector(SSD)算法的隧道漏缆卡具检测算法.该算法使用不同尺度的特征图检测卡具目标,并在网络宽度和网络深度上对SSD网络结构进行改进.结合Inception结构,增加网路宽度;采用残差结构,在提高网络深度的同时优化网络深度结构;使用深度可分离卷积和1×1卷积结构,减少模型参数量,改善模型结构,从而提高模型检测效率.将改进后的模型应用于隧道漏缆卡具图像检测,实验结果表明,该算法检测的平均准确率达到了86.6％,检测速度达到了26.6 frame/s,相较于原始SSD算法和MobileNet SSD算法,具有明显优势.     

基于深度学习的多视窗SSD目标检测方法

提出了一种基于深度学习的多视窗SSD （Single Shot multibox Detector）目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF （Average F-measure）为0.729,mAP （mean Average Precision）为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。     

基于SSD卷积网络的航拍图像目标检测方法

基于深度学习的目标检测算法是目前目标检测领域 最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航 拍图像,通常先采用滑窗法提取区域,再对提取的 区域进行检测,极大地降低了算法的检测速度。针对这一问题,本文根据航拍图像中人造物 体含有 大量边缘的特点,提出了一种基于深度学习的梯度聚类目标检测算 法,并阐述了其模型结构与工作原理,然后通过151张航拍图像数据 集测试,对比评估了梯度聚类 SSD方法与滑窗SSD方法在航拍图像检测上的检测精度和检测速度。结果表明:梯度聚类SSD 方 法的FPS(Frames Per Second)为0.499,SPF(Seconds Per Frame )为2.00,mAP(mean Average Precision) 为46.93,相比滑窗SSD方法,在损失11.72%的 检测精度的条件下,FPS提高了64.69%(SPF提高了40.40%),验证了所提出算法的有效性。     

红外弱小目标特征分析及融合检测

研究了复杂背景下的红外弱小目标的典型特征,分析了各个特征的特点和适用环境,从中挑选出可靠性较强的特征,依据文中提出的自适应融合算法,实现了对低信噪比弱小目标的融合检测。实验结果证明,该算法具有较好的有效性和鲁棒性。     

基于时频域深度网络的海面小目标特征检测

为了提升海杂波背景下小目标探测性能,本文提出一种基于时频域深度网络的特征检测方法。首先,将观测向量转换为归一化时频图（Normalized Time-Frequency Graph, NTFG）,实现海杂波抑制。在时频域,建立海杂波、含正多普勒偏移目标回波、含负多普勒偏移目标回波的三分类问题,精细化目标落在主杂波带内外的不同特性。其次,引入Inception-ResNet V2深度网络作为特征提取器,自主学习不同类别在NTFG上的深层差异性,并将差异性浓缩为一个2D特征向量。然后,在2D特征空间中,设计具有引导的三次样条曲线,获得虚警可控的判决区域,实现异常检测。最后,IPIX实测数据验证了所提算法的性能优势,能深入挖掘时频域的特性。     

采用深度可分离卷积和改进特征融合的MSSD

单步多框检测器(Single Shot Multibox Detector,SSD)是一种优秀的目标检测模型,但是其对额外层的处理方式还需要进一步提升.因此,利用深度可分离卷积的思想设计新的深度可分离卷积模块改进模型中的额外层,采用紧邻特征图融合方法加强特征复用,综合设计了改进的目标检测模型(Modified SSD,...     

雷达海上目标双通道卷积神经网络特征融合智能检测方法

受复杂海洋环境影响,基于统计理论的海面目标检测方法由于假设条件不成立,在实际应用中难以实现高性能检测,本文从特征提取分类角度,通过深度学习分类方法对目标和杂波的雷达回波信号进行二元分类,提出了一种基于双通道卷积神经网络(DCCNN)的雷达海上目标智能检测方法。首先,对实测海杂波和目标雷达信号进行预处理,得到信号的时间-多普勒谱和幅度信息;然后,构建DCCNN对预处理得到的数据进行智能特征提取,得到信号的特征向量,并对不同特征提取模型性能进行测试;最后,通过阈值可设的Softmax分类器作为检测器对特征向量进行分类,实现虚警率的控制。测试结果表明:与传统的单通道CNN以及无虚警控制Hog-SVM分类算法相比,基于二维卷积核VGG16和一维卷积核LeNet的DCCNN特征提取模型和softmax分类器可实现更高的检测性能,并可以实现虚警率控制,为复杂海杂波背景下目标智能检测提供了新的技术途径。     

引入自上向下特征融合的小目标检测算法

针对原始SSD(Single Shot Multibox Detector)算法未充分利用各特征层之间关系导致浅层特征层缺乏小目标语义信息的问题,为了提高对小目标的检测能力,提出了一种结合PANet多尺度特征融合网络和自上向下特征融合路径的TTB-SSD(Top to Bottom SSD)改进算法。首先,使用PANet多尺度特征融合网络对特征进行反复提取,从而获得丰富的多尺度语义信息;然后,使用一种深层特征融合模块将浅层特征层的空间信息传递到深层特征层,进而更准确地对小目标进行定位;最后,为了增强浅层特征层的语义信息,构造了自上向下的特征融合路径,从而强化浅层对小目标检测的准确率。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到80.5%,对目标的mAP较原始SSD提高了5.7%,证明了该算法对小目标检测的有效性。     

融合深度扩张网络和轻量化网络的目标检测模型

目标检测作为计算机视觉的一个重要研究方向,近年来在算法性能上有了突破性进展.为了更好的提升两阶段目标检测的精度与速度性能,提出了一种基于迁移学习方法的融合深度扩张卷积网络和轻量化网络的检测模型.首先用扩张卷积网络替换主干网络中部分的卷积残差模块——深度扩张卷积网络D_dNet-65;然后对预训练后的特征图进行压缩操作,并增加一个81类的全连接层以确保正常进行分类和回归操作——轻量化网络结构;最后,引入迁移学习方法并融合D_dNet和轻量化网络结构,通过迁移实现模型的进一步优化.实验在典型的数据集MSCOCO以及VOC07上进行.实验评估表明,本文提出的方法具有良好的有效性和可扩展性.     

基于目标运动分辨技术提取导弹目标运动特征

空间运动特征是导弹目标识别所依据的主要目标特性之一。本文基于目标运动分辨(TMR)技术，研究了导弹目标空间运动特征提取的方法与处理步骤，并用实测数据进行了验证。     

低分辨雷达目标调制特征提取和分类识别方法

利用目标的发动机调制(JEM)效应,提取目标的谱线间隔、谱线宽度、谱线个数、幅度偏差系数、能量比、波形熵、中心矩等特征,形成特征向量后参与后续的综合决策。在低分辨雷达对飞机目标进行的目标分类识别试验中采集数据,进行了实测数据分析,实验结果表明提取的目标特征和分类效果方面的有效性。     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。