注意力优化RetinaNet的多尺度目标检测算法

针对目标检测算法RetinaNet在多尺度物体检测任务中存在利用特征上下文信息和多尺度特征融合不充分及边界框回归不够快速精准的问题,提出了一种注意力优化RetinaNet的多尺度目标检测算法。在特征提取模块嵌入无参数的3D注意力机制,来充分利用特征上下文信息;同时,构建了特征融合细化模块,实现多尺度融合特征的细化和增强;使用距离交并比(Distance Intersection over Union, DIoU)损失函数优化定位损失,提升边界框回归精准度。为了论证该方法的有效性,分别在PASCAL VOC数据集和MS COCO数据集上进行实验。改进模型的检测精度分别达到了82.1%、52.3%,其中,小目标、中目标和大目标的检测精度相比原算法分别提升了1.9%、1.1%和1.4%。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

基于双分支特征融合的无锚框目标检测算法

针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法。在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理。同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样。其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力。最后,采用拼接和卷积操作对两个分支的特征进行融合。实验结果表明,在公开数据集PASCAL VOC上的检测精度为82.3%,比CenterNet算法提高了3.6%,在KITTI数据集上精度领先其6%,检测速度均满足实时性要求。该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能。     

多尺度语义信息融合的目标检测

针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后将基础融合特征输入到小型的多尺度语义信息融合模块中,得到具有丰富上下文信息和空间细节信息的语义特征,同时把语义特征和基础融合特征经过特征重利用模块获得浅层增强特征;最后基于浅层增强特征进行一系列卷积获取多个不同尺度的特征,并输入各检测分支进行检测,利用非极大值抑制算法实现最终的检测结果.在PASCAL VOC2007和MS COCO2014数据集上进行测试,模型的平均精度均值分别为81.2％和33.7％,相对于经典的单极多盒检测器(SSD)算法,分别提高了2.7％和4.9％;此外,该文方法在检测小目标和密集目标场景上,检测精度和召回率都有显著提升.实验结果表明该文算法采用特征金字塔结构增强了浅层特征的语义信息,并利用特征重利用模块有效保留了浅层的细节信息用于检测,增强了模型对小目标和密集目标的检测效果.     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

多尺度语义信息融合的目标检测

针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后将基础融合特征输入到小型的多尺度语义信息融合模块中,得到具有丰富上下文信息和空间细节信息的语义特征,同时把语义特征和基础融合特征经过特征重利用模块获得浅层增强特征;最后基于浅层增强特征进行一系列卷积获取多个不同尺度的特征,并输入各检测分支进行检测,利用非极大值抑制算法实现最终的检测结果。在PASCAL VOC2007和MS COCO2014数据集上进行测试,模型的平均精度均值分别为81.2%和33.7%,相对于经典的单极多盒检测器(SSD)算法,分别提高了2.7%和4.9%;此外,该文方法在检测小目标和密集目标场景上,检测精度和召回率都有显著提升。实验结果表明该文算法采用特征金字塔结构增强了浅层特征的语义信息,并利用特征重利用模块有效保留了浅层的细节信息用于检测,增强了模型对小目标和密集目标的检测效果。     

基于MobileNet的多尺度感受野特征融合算法

针对轻量化网络在目标检测中检测精度低的问题，提出了一种以MobileNet为基础网络的轻量级目标检测网络MobileNet-RFB-ECA。针对目标多尺度特性，采用基于轻量化扩充感受野模块(RFB)的特征金字塔网络结构增强网络对目标多尺度特性的适应性。与此同时，针对复杂注意力模块导致计算量大的问题，在主干特征提取网络添加有效通道注意力机制模块(ECA)，提高卷积神经网络的性能。实验结果表明，相较于MobileNet，所提MobileNet-RFB-ECA在PASCAL VOC数据集和KITTI数据集上检测精度分别提高了4.2个百分点和15.4个百分点，模型大小分别为50.3 MB和48.5 MB，平均检测速度为34 frame·s^-1。     

基于单次双向特征金字塔网络的目标检测模型

目标检测是计算机视觉领域的重点研究方向，SSD模型虽然在检测精度与速度上均取得较好的效果，但其利用低语义信息的浅层特征训练小目标，容易出现小目标漏检和误检现象。对此，提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型（OBSSD）。首先基于分层融合的思想构建双向特征融合模块来解决浅层特征利用不足的问题；其次引入融合权重来更加有效地融合不同层级的特征，改善浅层特征语义信息低的问题；最后在分类和回归预测前加入基于残差模块的检测单元，解决因分类网络偏向平移不变性导致的目标定位不准确问题。在PASCAL VOC2007测试集上的实验结果表明：所提模型的平均精确度（mAP）为80.8%，较SSD模型提高6.5个百分点，且检测速度满足实时检测的需求。     

一种基于多尺度特征融合的目标检测算法

基于深度学习的目标检测器RetinaNet和Libra RetinaNet均是使用特征金字塔网络融合多尺度特征,但上述两个检测器存在特征融合不充分的问题。鉴于此,提出一种多尺度特征融合算法。该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生的结果与原始预测特征融合,以此提高检测器的精度。将多尺度特征融合模块与Libra RetinaNet结合构建目标检测器并在不同的数据集上进行实验。实验结果表明,与Libra RetinaNet检测器相比,加入模块后的检测器在PASCAL VOC数据集和MSCOCO数据集上的平均精度分别提高2.2个百分点和1.3个百分点。     

一种高精度的卷积神经网络安全帽检测方法

在复杂的施工环境中,基于机器视觉技术的安全帽佩戴检测算法常常出现漏检、误检,其检测能力有限。为提高安全帽佩戴检测的精度,本文建立了一种基于注意力机制的双向特征金字塔的安全帽检测卷积神经网络。为兼顾卷积神经网络中的浅层位置信息和深层语义信息的表达能力,实现对弱小安全帽目标的检测能力,该网络将跳跃连接和注意力机制CBAM技术引入双向特征融合的特征金字塔网络PANet模块中,构建基于注意力机制的双向特征金字塔模块CPANet。为提高模型的收敛能力,采用了CIoU来代替IoU进行优化锚框回归预测,降低该网络的训练难度。对比实验表明,本文建立的检测网络比YOLOv3、RFBNet、SSD、Faster RCNN的mAP值分别提高了0.82,4.43,23.12,23.96,检测速度达到21frame/s,实现了施工现场安全帽佩戴实时高精度检测。     

基于特征融合与自注意力机制的图像语义分割算法

提出了一种基于特征融合与自注意力机制的图像语义分割方法,设计了特征融合模块、自注意力模块、增强模块、全局空间信息融合模块和损失函数。特征融合模块融合多个图像的所有组件,通过自注意力机制来执行。自注意力模块从而有效地捕获远程上下文信息。增强模块旨在增强输入图像以获得更多样化的特征。全局空间信息注意模块相对于图像尺寸只有线性的复杂度,能够带来显著的提升效果。利用损失函数,对模型进行优化,将每个像素的分类结果优化到最接近真实值。实验结果表明,所提出的方法可以显著提高PASCAL VOC 2012数据集、COCO-Stuff 10K数据集和ISIC 2018数据集这3个数据集的性能,并在3个数据集上进行了验证,实验还通过对自注意力、推理速度和消融实验进行比较,验证了本文方法的优越性。     

YOLOv4算法在安全帽目标检测技术中的应用

目标检测技术广泛应用于各个领域,其目的是通过对输入图像中的物体和场景进行信息的特征提取,从而识别图中感兴趣的目标。为了减少作业人员在建筑工地作业时因未佩戴安全帽造成的人员伤亡事故,文章提出了一种基于深度学习的建筑工地安全帽目标智能检测方法,检测建筑工地人员安全帽佩戴情况,提高行业安全生产效率。本研究通过安全帽数据集进行先验框设计,采用k-means算法获得本数据集的先验框维度;将用于训练的图片进行拼接实现了数据集的增强;用CIOU代替回归损失增加预测精度,基于YOLOv4的基础网络进行特征提取,获得不同尺度的特征层,将获得的特征层经过深层次特征金字塔进行特征融合,再输入分类回归层进行回归预测。     

基于可变空间感知的目标检测算法

检测场景中目标数量不定且随机分布，目标之间尺寸差异大，使得检测难度增加。为此，文中利用可变形卷积对位置偏差的学习能力，构建两个能够建模局部几何特征的可变空间感知模块(Variable Spatial Perception Module, VSPM)。VSPM1用于特征下采样阶段，减少分辨率降低引起的信息损失，从而有效提升检测器的颈部特征融合能力，使输入检测头的特征包含更多有益预测的信息。VSPM2用于检测头部分，通过大核卷积获取全局信息，另外，通过解耦的检测头解决分类和回归任务之间的冲突。所提算法在PASCAL VOC数据集上检测精度达到84%，相比基准算法YOLOv4提高2%，能够有效提高检测性能。     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有安全帽佩戴检测算法在复杂场景下存在密集目标检测难度大、小目标误检和漏检等问题,提出一种基于改进YOLOv5的安全帽佩戴检测算法。该算法主要在以下三个方面进行优化:通过在主干网络添加卷积块注意力模块(CBAM)来提取多个尺度的全局特征信息,使模型在通道和空间上更关注主要信息,得到更丰富的高层语义信息;将特征融合网络中的路径聚合网络(PAN)改进为加权双向特征金字塔网络(BiFPN),实现特征信息双向跨尺度连接和加权融合;将边界框回归损失函数改进为EIOU损失函数,加快边界框收敛速度和提高目标识别准确率。在自制的安全帽佩戴检测数据集上进行实验验证的结果表明:改进后的算法平均准确率(mAP)达到92.8%,相较于YOLOv5算法,改进后的算法在目标检测精确度和召回率上分别提升2.4%和1.8%。     

基于改进RetinaNet的列车关键部件检测研究

列车关键部件对列车的安全运行具有重要保障作用,在光照环境较差以及部件尺寸较小时,当前基于深度学习的目标检测算法无法很好地进行检测。针对这一问题,提出一种基于改进RetinaNet的列车关键部件检测算法。首先,为了提高小尺寸部件的检测效果,在浅层特征P3后引入感受野模块,提升P3特征层的感受野及特征质量;进而将特征金字塔网络替换为像素聚合网模块,通过增加自底向上的特征融合路径,增强特征金字塔的定位能力;最后通过调节实验参数以及网络检测层的位置,得到适用于列车关键部件检测的网络模型。经验证,所提模型在公开数据集PASCAL VOC上的效果优于原始RetinaNet网络,且所提方法在列车关键部件检测任务上优于当前的主流算法。     

基于YOLOv3的农田鸟类目标检测算法

针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征的重要程度。采用自适应空间特征融合（ASFF）增强网络中特征金字塔网络（FPN）的特征融合,提升各尺度的检测能力。引入CIOU边界框回归损失函数,将预测框和目标框在有重叠甚至包含等情况考虑进去,使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值（AP）达到96.65%,单张图像检测耗时仅为0.058 s,相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度,对农田防治鸟害优化驱鸟器开关策略提供依据。     

面向航拍小目标的改进YOLOv5n检测算法

针对无人机视角下目标尺度差异大、检测场景复杂、目标小且密集而导致的检测精度不高的问题,提出了一种基于改进YOLOv5n的实时目标检测算法。首先,通过引入轻量通道注意力(ECA)模块提高卷积神经网络对特征图内有效信息的提取能力;其次,在特征金字塔网络输出端后,加入自适应空间特征融合(ASFF)模块,提高不同尺度特征图的识别精度;再次,使用EIoU损失函数计算预测框和目标框的差异值,加快收敛速度并提高检测精度;最后,改进YOLOv5n的检测头,优化模型对小目标的检测性能。在VisDrone数据集上训练测试,相比于基础的YOLOv5n模型,在640×640分辨率下,改进后模型的类平均精度(mAP₅₀)提高了6.1个百分点;在1504×1504分辨率下类平均精度(mAP₅₀)提高了7.1个百分点;同时,改进后的模型检测速度在硬件上可达22帧/s以上。该算法模型在精度提高的同时保证了足够高的检测速度,更适用于无人机的小目标实时检测。     

基于特征增强和筛选机制的遥感电力目标检测

电力遥感目标检测对电网安全有着重要意义。针对电力遥感目标检测精度低的问题，提出了一种基于特征增强和筛选机制的YOLOv5目标检测算法。数据预处理方面，通过同态滤波和Retinex去雾算法进行数据增强，降低遥感影像大气折射和光照不均匀影响，增强目标特征；网络模型方面，将CBAM融合注意力模块添加到网络骨干层之前，通过k-means聚类特征增强和筛选机制，减少卷积核深度和网络参数；预测网络方面，将预测框中心坐标和真实框中心坐标之间的欧式距离作为代价函数添加到回归损失函数中。在google电力遥感数据集上进行对比实验，结果表明：检测平均精度均值可达83.7%,相比于基线算法以及其他检测算法，平均精度值提升了9%,速度提高了45.7%。     

改进SSD的飞机遥感图像目标检测

针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题,提出了基于SSD(Single Shot MultiBox Detector)的飞机遥感图像目标检测算法。首先使用经过改进后的深度残差网络替换SSD的骨架网络,对于特征图之间缺少特征信息关联和特征通道间缺少差异性权重值的问题,设计了一种含有特征感受野增强模块与注意力机制模块的新型特征金字塔网络。该网络用以融合不同层级的特征信息和训练特征通道间的权重系数,使得深层网络和浅层网络都得到结构层次丰富的融合特征,为后续网络的分类与定位提供了良好的前提。另外,在改进后的SSD算法中还使用了聚焦分类损失函数来解决正负样本不平衡的问题。在飞机遥感数据集上进行相关实验,精度均值达到92.45%,每秒帧率为35.6。结果表明,改进后的SSD算法能够同时兼顾高检测精度和实时性。     

基于稀疏掩模Transformer的遥感图像目标检测方法

针对遥感图像中目标尺度差异较大和方向分布随机等导致检测精度较低的问题,提出一种基于稀疏掩模Transformer的遥感目标检测方法。该方法以Transformer网络为基础,首先引入角度参量,使其适应遥感目标的旋转特性;其次在特征提取部分以多层级特征金字塔为输入,以应对遥感图像目标尺寸变化大的特点,提高对不同尺度目标的检测效果,尤其对小目标的检测效果提升明显;最后以稀疏-插值注意力模块代替自注意力模块,有效缓解了Transformer网络检测高分辨遥感图像时计算量大的缺陷,并且加快了网络的收敛速度。在大型遥感数据集DOTA上的实验结果表明,所提方法的平均检测精度为78.43%,检测速度为12.5 frame/s,与基准方法相比,平均精度均值（mAP）提高了3.07个百分点,证明了所提方法的有效性。