基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.     

基于注意力机制和多层次特征融合的目标检测算法

为了提高目标检测的准确率,提出一种基于注意力机制和多层次特征融合的图像目标检测算法。该算法在Cascade R-CNN模型的基础上,以RseNet50为主干网络,通过嵌入简单的注意力模块（SAM）来提高网络的判别能力;其次,利用深度可分离卷积改进特征金字塔网络（FPN）,设计了多层次特征融合模块（MFFM）,对多尺度特征进行融合,以丰富特征图的信息量,并对不同层次的特征图赋予相应的权重以平衡不同尺度的特征信息;最后,结合目标检测方法中的区域建议网络（RPN）结构获取目标的候选区域进行分类和回归处理,确定检测目标的位置和类别。实验结果表明,相较于Cascade R-CNN目标检测算法,该算法的检测精度提升了约2.0%。     

基于改进YOLOv4-tiny算法的车距预警方法

针对现有网络难以实时精确识别道路检测目标及车距的问题,提出了一种基于改进YOLOv4-tiny算法的车距预警方法。首先,总结了YOLOv4-tiny算法的特征提取结构,分析了原网络结构的不足之处。其次,在原网络中增加了空间金字塔池化层SPPF进一步提取目标特征,增强深层次语义信息表达能力,并将特征金字塔网络(FPN）结构添加下采样通道和CSPnet层,充分融合多尺度图像特征,避免浅层信息丢失。最后,使用Mosaic数据增强方法丰富数据集训练样本,并将改进YOLOv4-tiny算法与单目测距原理相结合,依据车距大小设置3种级别的信息提示进行车距预警实验。结果表明：本文算法在PASCAL VOC数据集上的检测速度为43帧/s,平均精度达到81.25%,较YOLOv4-tiny算法提高了3.59%。可见,改进YOLOv4-tiny算法在满足检测实时性要求的同时,具备良好的目标检测精度,对提升车距预警方法的使用效果具有指导意义。     

基于特征增强与Anchor-object匹配的目标检测算法

为了提升SSD(single shot multiBox detector)的检测精度,提出一种基于Anchor-object匹配的A-SSD(anchor-object SSD)目标检测算法。在算法的特征提取部分,使用并行卷积和空洞卷积构成感受野模块,增大特征图的感受野,获得多尺度的特征信息;将含有纹理、边缘等细节信息的浅层特征与含有丰富语义信息的深层特征融合。在算法的检测器部分,采用Anchor-object匹配方法联合SSD多层特征图为每个检测目标构建相应的Anchor包,通过选择-抑制优化策略,选择置信度较高的Anchor去更新模型,为每个Anchor评估得分。通过迭代学习,模型的参数、Anchor的位置坐标与分类置信度不断优化。在PASCAL VOC数据集上A-SSD算法的mAP达到了80.7,在车间行人数据集上A-SSD算法的漏检率为3.5%,准确率为91.5%。     

基于多尺度局部梯度的点目标检测技术

在研究红外点状移动目标特征的基础上,该文提出一种多尺度局部梯度强度测算的小目标检测算法。首先构造多尺度图像金字塔,并在多尺度下提出一种快速粗略的小目标检测方法;再利用目标本身与环绕背景之间的差异性,测算局部窗口内各个方向的灰度变化强度。然后根据这些测算结果获得最合适的响应。实验结果表明,在复杂多变的背景下,该方法具有较好的鲁棒性,在低信噪比下,有较为有效的检测性能。     

基于空洞卷积金字塔的目标检测算法

作为目标检测领域最突出的问题,遮挡和多尺度严重影响了算法的召回率和准确率。针对以上问题,该文从感受野入手,提出了一种基于空洞卷积金字塔网络(ACFPN)的目标检测算法。首先,将不同尺寸的空洞卷积层引入特征金字塔网络(FPN)中,构建混合感受野模块(HRFM),旨在控制参数量的条件下,通过增大感受野获取更多全局特征信息,解决目标的遮挡问题;其次,改进FPN的结构,设计低层嵌入特征金字塔模块(LEFPM),将浅层特征细节信息和高层特征语义信息相融合,提高特征图的丰富度和表征能力,增强模型的尺度适应性;特别地,针对漏检问题,引入FCOS算法中的无锚框(AF)机制,减少了候选框的冗余,进一步提高了定位精度。最后在公开数据集上进行测试,该算法在检测精度上大幅提升。     

基于优化预测定位的单阶段目标检测算法

针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD. 通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息. 通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度. 实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%. 在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD, 适用于需要高定位性能的实时应用场景.     

基于多尺度融合与注意力机制的小目标车辆检测

针对传统目标检测算法（SSD）检测小目标精度低的问题,提出基于注意力机制与多尺度信息融合方法并将其运用于车辆检测任务.结合浅层特征图与深层特征图的优势,小目标检测分支和大中型目标检测分支的特征图采用5支路和2支路融合.在基础网络层之间加入注意力机制模块,模型会关注包含更多信息量的通道.实验结果表明,在自建车辆数据集上的均值平均精度（m AP）达到90.2%,比传统SSD算法提高了10.0%,其中小目标检测精度提高了17.9%;在PASCAL VOC 2012数据集上的类别平均精度mAP为83.1%,比主流的YOLOv5算法提高了6.4%.此外,提出算法在GTX1 660 Ti PC端的检测速度可以达到25帧/s,能够满足实时性的需求.     

基于多特征交叉融合及跨层级联的航拍目标检测算法

复杂条件下特殊目标的精确检测是增强特定场景态势生成和预测能力的关键因素。目前的技术不能克服航拍视频中出现的烟雾和遮挡干扰、目标高度变化、尺度不一等问题。因此,提出一个多特征交叉融合及跨层级联的航拍特殊目标检测算法(YOLOv5-MFLC)。针对实际特殊目标保密性高、航拍图像资源匮乏的问题,构建了一个基于真实场景的航拍特殊目标数据集,并采用随机拼接和随机提取嵌入的方法进行数据增强以提高目标多样性和泛化性;针对复杂背景干扰问题,构建了多特征交叉融合注意力机制,增强了目标特征的可用信息;针对航拍图像中目标多尺度问题,设计了跨层级联多尺度特征融合金字塔,提高了跨尺度目标的检测准确率。实验结果表明,与现有的先进检测模型相比,所提算法的检测准确率有较大提升,算法平均准确率可达到81.0%,相比于原始网络提升了5.2%,特别是,在更小的目标类别“person”中达到了55.9%,提升了9.4%,进一步表明了所提改进算法对小目标检测的有用性。同时,所提算法的检测速率可以达56 frame/s,能够有效地实现实际复杂场景特殊目标的准确、快速检测,对特殊目标的识别具有一定的指导意义。     

联合多尺度与注意力机制的遥感图像目标检测

遥感图像存在背景复杂、目标尺度差异大且密集分布等不足,为提高现有算法的检测效果提出联合多尺度与注意力机制的遥感图像目标检测算法. 改进空洞空间金字塔池化模块,增大不同尺寸图像的感受野;提出注意力模块用于学习特征图通道信息和空间位置信息,提升算法对复杂背景下遥感图像目标区域的特征提取能力;引入加权双向特征金字塔网络结构与主干网结合来增进多层次特征的融合;使用基于距离的非极大值抑制方法进行后处理,改善检测框易重叠的问题. 在DIOR和NWPUVHR-10数据集上的实验结果表明：所提算法的平均精度均值mAP分别达到71.6%和91.6%,相比于主流的YOLOv5s算法分别提升了2.9%和1.5%. 所提算法对复杂遥感图像取得了更好的检测效果.     

MobileNetV3-CenterNet : A Target Recognition Method for Avoiding Missed Detection Effectively Based on a Lightweight Network

To solve the problems in online target detection on the embedded platform, such as high missed detection rate, low accuracy, and slow speed, a lightweight target recognition method of MobileNetV3-CenterNet is proposed. This method combines the anchor-free Centernet network with the MobileNetV3 small network and is trained on the University at Albany Detection and Tracking (UA-DETRAC) and the Pattern Analysis, Statical Modeling and Computational Learning Visual Object Classes(PASCAL VOC) 07+12 standard datasets. While reducing the scale of the network model, the MobileNetV3-CenterNet model shows a good balance in the accuracy and speed of target recognition and effectively solves the problems of missing detection of dense and small targets in online detection. To verify the recognition performance of the model, it is tested on 2683 images of the UA-DETRAC and PASCAL VOC 07+12 datasets, and compared with the analysis results of CenterNet-Deep Layer Aggregation (DLA) 34, CenterNet-Residual Network (ResNet) 18, CenterNet-MobileNetV3-large, You Only Look Once vision 3(YOLOv3), MobileNetV2-YOLOv3, Single Shot Multibox Detector (SSD), MobileNetV2-SSD and Faster region convolutional neural network (RCNN) models. The results show that the MobileNetV3-CenterNet model accurately recognized the dense targets and small targets missed by other methods, and obtained a recognition accuracy of 99.4% with a running speed at 53 (on a server) and 14 (on an ipad) frame/s, respectively. The MobileNetV3-CenterNet lightweight target recognition method will provide effective technical support for the target recognition of deep learning networks in embedded platforms and online detection.     

采用改进YOLOv5网络的遥感图像目标识别方法

针对无人机目标识别中因遥感图像模糊、成像距离远、目标图像占比小等使得目标识别准确度不高问题,提出了一种基于改进YOLOv5网络的方法.该方法通过改进损失函数、改进特征金字塔网络(FPN)结构和增加平衡系数来提高目标识别效果.实验结果表明,在相同训练条件下,相比原始YOLOv5网络,改进YOLOv5网络对目标占比小于5％...     

多尺度残差网络模型的开放式电阻抗成像算法

针对开放式电阻抗成像（OEIT）的图像重建算法存在的成像精度低、对噪声敏感、重建图像伪影面积较大等问题,提出基于多尺度残差网络模型的OEIT算法.该算法利用不同尺寸卷积核的残差块提取边界电压的多尺度特征;在完成特征拼接后,利用卷积实现深层信息融合,得到预测的电导率分布结果.使用有限元法搭建OEIT正问题模型,构造“边界电压-电导率分布”数据集,将所提算法与其他算法在该数据集和实际模型实验中进行比较.结果表明,所提算法使OEIT的重建精度、抗噪能力和定位目标准确性显著提高,并使检测目标的伪影面积缩小.     

一种基于深度学习的PCB图像字符检测方法

利用印刷电路板（PCB）残片图像的字符检索完整PCB图像,是解决PCB残片溯源难题的一种有效方法;为此,提出了一种高性能的PCB图像字符检测方法。基于残差网络结构实现特征金字塔的提取,设计双检测头进行字符区域预测,引入结构相似性损失函数优化网络;设计了一种适合PCB图像的字符区域热力图标签生成算法以训练网络;采用多种数据增强、多尺度检测等策略提高字符检测性能。在自建PCB图像数据集上进行测试,该方法的字符检测精准率为95.6%、召回率为92.4%;特别是综合指标F1为93.6%,优于对比方法,证明了针对PCB图像字符检测问题,所提出的综合检测方法可与当前自然场景图像字符检测的先进方法媲美。     

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架. 构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用. 结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的. 引入软阈值非极大值抑制（Soft-NMS）算法,改善簇状果实结构中检测框被误剔除的情况. 与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.