一种改进的SSD算法及其在车辆目标检测中的应用

针对目前主流的目标检测算法检测效率不高以及小目标检测困难的问题,提出一种改进的SSD(Sin-gle Shot MultiBox Detector)算法,并将其应用于道路环境车辆目标的检测.设计一个目标检测网络结构,对高层特征图不进行降采样,使用空洞卷积和深度可分离卷积层来提高模型性能,并使用K-means算法来对模型参数进行优化.在Udacity道路环境数据集上进行对比实验,结果表明,该算法对车辆目标检测的平均精准度达到了58.01％,检测速度达到了86.26帧每秒,相比原SSD算法有明显提升.     

基于改进SSD算法的地铁场景小行人目标检测

在地铁场景中,小行人目标由于分辨率低,包含特征信息较少,现阶段目标检测器对此类目标的检测仍具有挑战性. SSD目标检测算法利用金字塔网络的多尺度检测头,能一定程度提高行人目标检测性能,但将其应用于地铁等复杂环境中实现小行人目标检测仍具有一定局限性. 针对上述问题,提出一种改进SSD算法以加强地铁场景中小行人目标检测效果. 通过构建地铁场景行人目标数据集,标注相应标签,同时进行数据预处理操作;在特征提取网络中加入金字塔特征加强模块,将多分支残差单元、亚像素卷积和特征金字塔相结合获得图像多尺度、多感受野融合特征;利用上下文信息融合模块将图像低层特征与上下文特征相融合,生成扩展特征层用于检测小行人目标;设计一种基于Anchor-free的动态正负样本分配策略,为小行人目标生成最优正样本. 实验结果表明：提出的改进SSD算法能有效提高地铁场景小行人目标检测性能,对遮挡严重的小行人目标检测,效果提升更为明显.     

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。     

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...     

注意力机制改进轻量SSD模型的海面小目标检测

目的 海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。为此,在标准的SSD(single shot multiBox detector)目标检测模型基础上,结合Xception深度可分卷积,提出一种轻量SSD模型用于海面目标检测。方法 在标准的SSD目标检测模型基础上,使用基于Xception网络的深度可分卷积特征提取网络替换VGG-16(Visual Geometry Group network-16)骨干网络,通过控制变量来对比不同网络的检测效果;在特征提取网络中的exit flow层和Conv1层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量SSD目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。结果 为证明本文模型的有效性,进行了多组对比实验。实验结果表明,模型轻量化导致特征表达能力降低,从而影响检测精度。相对于标准的SSD目标检测模型,本文模型在参数量降低16.26%、浮点运算量降低15.65%的情况下,浮标的平均检测精度提高了1.1%,漏检率减小了3%,平均精度均值(mean average precision,mAP)提高了0.51%,同时,保证了船的平均检测精度,并保证其漏检率不升高,在对数据集中的小目标进行测试时,本文模型也表现出较好的检测效果。结论 本文提出的海面小目标检测模型,能够在压缩模型的同时,保证模型的检测速度和检测精度,达到网络轻量化的效果,并且降低了小目标的漏检率,可以有效实现对海面小目标的检测。     

基于SSD和MobileNet网络的目标检测方法的研究

为了提高计算机视觉中目标检测的一种基本模型SSD在多任务场景中的准确率和效率;基于深度学习的相关理论研究;结合一种轻量级的深层神经网络MobileNet的基本思想;构建了一种结合特征金字塔的多尺度卷积神经网络结构。利用Tensorflow平台完成了以下一些工作:第一;对低层卷积层的特征图进行区域放大;保留更多的目标特征信息;再对高特征层进行特征提取;第二;在对重叠目标候选区域进行过滤的时候;基于非极大值抑制的方法和思想设置阈值消除冗余的目标候选区域;使得产生的负样本的数目减少;使模型效果逐步趋于稳定;第三;针对目标检测中的预测区域与真实区域在匹配过程中所产生的正负样本进行处理;用于保证模型的稳定性等。基于以上方法研究;使得模型对多目标识别的速度有所加快;鲁棒性更好;准确率更高;同时也适当降低了对硬件配置资源的需求。     

基于Bi-SSD的小目标检测算法

针对目前目标检测技术中小目标检测困难问题,提出了一种基于SSD(Single Shot multibox Detector)改进的小目标检测算法Bi-SSD(Bi-directional Single Shot multibox Detector).该算法为SSD的浅层特征设计了小目标特征提升模块,在网络的分类和回归部...     

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。     

基于反卷积和特征融合的SSD小目标检测算法

由于小目标的低分辨率和噪声等影响,大多数目标检测算法不能有效利用特征图中小目标的边缘信息和语义信息,导致其特征与背景难以区分,检测效果差。为解决SSD(single shot multibox detector)模型中小目标特征信息不足的缺陷,提出反卷积和特征融合的方法。先采用反卷积作用于浅层特征层,增大特征图分辨率,然后将SSD模型中卷积层conv11_2的特征图上采样,拼接得到新的特征层,最后将新的特征层与SSD模型中固有的4个尺度的特征层进行融合。通过将改进后的方法与VOC2007数据集和KITTI车辆检测数据集上的SSD和DSSD方法进行比较,结果表明:该方法降低了小目标的漏检率,并提升整体目标的平均检测准确率。     

XSSD-P：改进的SSD行人检测算法

SSD(single shot multi-box detector)是目前广泛应用于行人检测的神经网络算法,为了提高其检测精度和检测速度,对SSD算法进行了有效改进（改进后的算法称为XSSD-P）。选择Xception网络作为XSSD-P算法的骨干网络并重新选择用于预测的特征层;根据行人外形尺寸的特征设计了多尺度卷积核和基础锚框,并将二者耦合,基础锚框通过调节自身大小得到锚框（anchors）用于位置回归;再使用深度可分离卷积代替常规卷积在特征图上进行预测,实现了行人的有效检测。在INRIA数据集、VOC数据集和COCO数据集上进行检测精度对比测试,与SSD以及其他主流算法相比,XSSD-P算法在行人检测方面拥有更高的检测精度,并在Caltech行人数据集和MIT行人数据集中验证了XSSD-P算法的泛化性能。在检测速度方面,与SSD算法相比,XSSD-P算法的检测速度高出30 FPS,提高了42.86%。实验结果表明,XSSD-P的检测精度和检测速度均优于SSD算法。     

改进FSSD的差速器壳体表面缺陷实时检测算法

针对传统检测方法对于汽车差速器壳体表面小目标缺陷的误检和漏检问题,提出了一种改进的FSSD＿MobileNet缺陷检测模型。该模型将FSSD(feature fusion single shot multibox detector)算法的基础骨干网络VGG16替换成轻量级MobileNet网络,构建了一种高效的特征融合结构并调整了默认框的尺寸,进一步提升对小目标缺陷的检测能力。同时使用RMSProp(root mean square propagate)梯度下降算法来优化损失函数,加快了模型的收敛速度。实验结果表明,改进后的FSSD＿MobileNet模型的mAP为96.7%,相比于改进前提升了16.2个百分点。在保持较高检测精度的同时,检测速度达到了191 FPS,高于目前单阶段算法中速度较快的YOLOv5s网络,相较于传统的SSD(single shot multibox detector)和FSSD分别提升了94 FPS和102 FPS,同时模型较为精简,能够更好地满足实际生产中对准确性和实时性的综合要求。     

多卷积神经网络的胸部X光片肺结核检测方法

由于肺结核病灶区域与正常肺部区域之间的差异微小,导致肺结核疾病难以准确检测.针对此问题,提出了一种基于深度可分离卷积和图卷积相结合的肺结核疾病检测算法.使用深度可分离卷积模块提取图像的局部特征;使用图卷积模块提取图像的全局特征;通过一个捷径分支操作,将提取的局部特征和全局特征进行融合;将融合后的特征经过线性层输出检测的结果.算法模型在中国广东省深圳市第三医院收集的公开可用的正面胸部X光片数据集上进行了充分的实验与验证.实验结果表明,所提算法模型与基准模型相比,在Accuracy、Precision、Recall和F1-Score四个评价指标上分别提高了2.98、3.23、2.94和3.08个百分点,从而证明了所提方法的有效性.     

基于轻量级网络的实时人体关键点检测算法

为提升人体姿态估计在移动终端设备上的运行速度与实时性,提出一种改进的人体关键点检测算法.通过将MobileNetV2轻量级主干网络与深度可分离卷积模块相结合加速特征提取过程,使用精炼网络进行多尺度人体关键点预测,并利用融合网络整合多个尺度的预测结果得到最终人体关键点检测结果.实验结果表明,与传统CPM算法相比,该算法在...     

配电线网施工安全设备旋转目标检测算法

针对传统目标检测算法在配电施工作业场景中对施工安全设备识别精度低和效果不准确的问题,本文提出了一种面向配电线网施工安全设备识别的YOLO-Rotating算法。该算法以YOLOv8为基础,采用深度可分离卷积代替部分Conv设计C2f-R模块,减少模型参数量,提升感受野;使用GAM注意力模块增强特征提取能力,提高语义信息并减少干扰;最后增加旋转目标检测模块使检测框与目标轮廓更贴合,提高检测准确度。实验结果表明,在配电安全设备数据集上,YOLO-Rotating算法的平均精度均值（mAP）达到84.6%,比原算法提高了2.5%,精确度提升了2.07%。该算法具有更高的检测精度和更好的实际应用价值,满足边缘计算设备的要求,适用于配电现网作业施工场景。     

基于ECA-SSD模型的汽车零件缺陷检测

汽车零件对汽车外观、性能以及安全性都有重大影响。由于汽车零件数量大、体积小、对精度要求高,因此对零件检测的精度和速度都有一定的要求。本文利用图像处理技术,以SSD模型为基础,将其中的VGG模块用深度可分离卷积和线性瓶颈倒残差结构替换,并引入避免降维的局部跨通道交互有效的注意力机制ECA模块,在减少模型参数运算量的同时,适当增加通道以提高模型精度,并将注意力放在图像目标上,忽略背景带来的干扰,实现快速又准确的汽车零件缺陷检测。利用本文模型对上汽提供的汽车零件外壁缺陷进行检测,实验结果表明,模型大小仅为15.9 MB,mAP为94.64%,检测每张图片时间为0.013 s,满足汽车工业上的速度和精度的需求。对比性研究表明,本文模型检测精度和速度以及大小较其他目标检测算法VGG-SSD、MobileNetv2-SSD、YOLO v3等有一定的提高和改善。     

基于改进YOLOv8n的矿用提升钢丝绳表面损伤图像识别

针对矿用提升钢丝绳表面油污覆盖引发背景干扰、绳股间隙较大导致特征混淆及小目标损伤识别难度大等问题,提出了一种基于改进YOLOv8n的矿用提升钢丝绳表面损伤图像识别方法。在YOLOv8n主干网络中引入多尺度注意力模块（MSAM）,通过增强损伤特征与油污背景的空间特征区分能力,提升模型抗干扰能力;将YOLOv8n原有的3个检测头替换为4个轻量化小目标检测头,强化对小目标损伤的识别能力;采用深度可分离卷积（DSConv）替代标准卷积,减少了计算量,提高了识别速度。实验结果表明：改进YOLOv8n模型的平均精度均值（mAP）、识别精度和推理速度分别达92.6%,89.7%和43.5帧/s,相比YOLOv8n模型分别提高了3.1%,4.9%,34.7%;与Faster−RCNN,YOLOv5s,YOLOv8n,YOLOv10m,TWRD−Net,YOLOv5−TPH等主流模型相比,改进YOLOv8n模型对小目标损伤识别精度最高,同时保证了较高的实时性;在煤矿现场油污覆盖、绳股间隙较大的复杂场景中,改进YOLOv8n模型未出现漏检情况,且误检情况较少,平均识别准确率达90%。     

融合跨阶段连接与倒残差的NAS-FPNLite目标检测方法

目的 轻量级目标检测方法旨在保证检测精度,并减少神经网络的计算成本和存储成本。针对MobileNetv3网络瓶颈层bneck之间特征连接弱和深度可分离卷积在低维度下易出现参数为0的问题,提出一种融合跨阶段连接与倒残差的NAS-FPNLite(neural architecture search-feature pyramid networks lite)目标检测方法。方法 提出一种跨阶段连接（cross stage connection,CSC）结构,将同一级网络块的初始输入与最终输出做通道融合,获取差异最大的梯度组合,得到一种改进的CSCMobileNetv3网络模型。在NAS-FPNLite的检测器结构中特征金字塔（feature pyramid networks,FPN）部分融合倒残差结构,将不同特征层之间逐元素相加的特征融合方式替换为通道叠加的方式,使得进行深度可分离卷积时保持更高的通道数,并将输入的特征层与最终的输出层做跳跃连接,进行充分特征融合,得到一种融合倒残差的NAS-FPNLite目标检测方法。结果 实验数据表明,在CIFAR(Canadian Institute f...     

基于改进SSD算法对奶牛的个体识别

为了实现养殖场环境下无接触、高精度的奶牛个体有效识别,针对SSD（single shot multibox detector）算法识别准确率不高的问题,提出一种基于浅层特征模块的改进SSD（shallow feature module SSD,SFM-SSD）算法。将原始SSD算法的主干网络由VGG16替换为MobileNetV2,以降低网络的运算量,改善检测的实时性;针对SSD网络结构的浅层特征图设计浅层特征模块,扩大浅层特征图的感受视野,提高浅层特征图对目标物体的特征提取能力;利用[K]均值聚类算法重构区域候选框,提高算法的检测精度。实验结果表明：在奶牛个体识别任务中,SFM-SSD算法的平均准确率比原始的SSD算法提升3.13个百分点。同时检测的实时性也得到改善。