多尺度特征融合与锚框自适应的目标检测算法

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题,提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先,通过双向融合方法充分提取相邻层级间的深层特征和浅层特征;然后,均衡化处理多尺度特征,使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息,提高目标的识别能力;最后,在区域提议网络（RPN）中利用目标的特征信息,通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比,所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力,自适应锚框机制能够提高定位精度并避免小目标的漏检,算法整体的检测结果具有较好表现,平均检测精度提升了3.20个百分点。     

基于改进的Faster RCNN的手势识别

针对传统手势识别算法存在手势定位不精确,识别率不高,鲁棒性不强等问题,提出改进的Faster RCNN网络进行手势的精准定位和识别。Faster RCNN采用强语义信息、低分辨率的顶层特征图作为RPN网络的输入,导致对小目标识别率不高。改进的Faster RCNN结合FPN网络算法,将高层特征通过上采样不断与前层特征融合,构造不同尺度的特征金字塔模型作为RPN网络的输入,提升了Faster RCNN对手势的检测效果。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...     

采用改进Faster R-CNN的遥感图像目标检测方法

遥感图像目标检测能为军事和民用领域提供重要的可利用信息,成为近年来的研究热点。针对现有目标检测技术不能兼顾检测速度和精度的问题,本文对Faster R-CNN做了优化:将轻量化的深度可分离残差网络作为Faster R-CNN的基础网络,降低基础网络模型的参数数量;将基础网络中的多层卷积特征经局部响应归一化后进行融合,增强目标特征信息的完备性,改善小目标易漏检的问题;联合softmax损失函数和中心损失函数训练网络模型,增加类别之间的差异性,缩小类内变化,使网络模型能学习到更具差异性的目标特征。在VEDAI、NWPU VHR-10、DOTA三个数据集上对本文方法进行验证,与传统Faster R-CNN相比,本文方法的检测精度提高了约7.0%。      

基于双目视觉的三维车辆检测算法

立体区域卷积神经网络(Stereo R-CNN)算法具有准确、高效的特点,在一定场景下的检测性能较好,但对于远景目标的检测仍有一定的提升空间。为了提升双目视觉算法的车辆检测精度,提出一种改进的Stereo R-CNN算法。该算法将确定性网络(DetNet)作为骨干网络,以增强网络对远景目标的检测;针对左右目视图的潜在关键点,建立了左右视图关键点一致性损失函数,以提高选取潜在关键点的位置精度,进而提高车辆的检测准确性。在KITTI数据集上的实验结果表明,本算法的性能优于Stereo R-CNN,在二维、三维检测任务上的平均精度提升了1%~3%。     

基于雷达传感器和改进深度学习的无人机目标检测方法

针对当前无人机目标检测技术精确度低、受环境影响大的缺点,依托运动相机与激光雷达设备,提出了基于改进深度学习的无人机目标检测方法：在深度图像网络架构的基础上,引入残差网络提升算法精度,利用MobileNet加速深度学习的过程,从而利用改进的RetinaNet算法实现无人机精确目标识别与定位;针对点云数据无法通过二维投影准确计算距离的问题,提出通过直方图网络精确估计检测目标的视觉距离。实验结果表明,在不同的复杂环境条件下,与Faster R-CNN相比,所提方法检测精度更高、使用场景更广、运算速度更快,平均精度比Faster R-CNN算法高出1.5%。     

基于深度学习的可见光舰船目标检测与识别

目标检测技术是计算机视觉中的重要任务,舰船的目标检测是保证海面安全不可或缺的技术,提出了一种改进Faster R-CNN的可见光舰船图像目标检测方法。针对Faster R-CNN网络舰船目标检测时出现的尺度较为单一及ROI池化造成的精度损失问题,通过引入特征金字塔模块实现多尺度特征融合,并将ROI池化的下采样策略优化为ROI对齐方法,以此提升目标检测精度。实验表明,在可见光舰船数据集上取得了较好的效果,优化后网络模型使用VGGNet-16作为主干网络精度提升了5%,使用ResNet-101作为主干网络精度提升了5.4%,比YOLOv3精度最高提升了6.6%。     

基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法

针对传统图像处理算法在检测隐形眼镜表面缺陷时存在精度低、耗时长、算法鲁棒性差、漏检多等问题,提出一种基于改进Faster R-CNN的隐形眼镜表面缺陷检测算法。首先,对比了3种特征提取网络的性能,选取ResNet50作为骨干网络;然后,引入特征金字塔网络（FPN）,通过融合多层次的特征信息,提高Faster R-CNN的多尺度检测能力;最后,基于构建的隐形眼镜表面缺陷数据集,使用K-means++算法改进锚框的尺度和数量。实验结果表明：改进后的Faster RCNN算法在测试集上的平均精度均值（mAP）达到了86.95%,相比于改进前的Faster R-CNN算法,提高了9.45个百分点,可以有效地检测出气泡、车削亮点、划痕、模具亮点等多种隐形眼镜典型缺陷。     

基于改进的Faster R-CNN图像目标检测方法研究

随着科技的不断发展,图像充斥在人类生活的任何角落,因此如何提取出图像中包含的信息,完成对图像目标的检测是当前研究的热点问题。针对一阶段目标检测算法可能会对目标图像产生漏检的情况,本文使用MobileNet V2和ResNet50网络对传统的Faster R-CNN的主干特征提取网络进行改进。在公开数据集上的实验结果表明,基于MobileNet V2特征提取的Faster R-CNN网络占用的计算资源和存储资源最少,基于ResNet50特征提取的Faster R-CNN网络的检测效果最优。此外,两种改进的Faster R-CNN网络均能有效克服一阶段目标检测算法中的漏检问题。     

基于深度卷积与全局特征的图像密集字幕描述

为了解决图像密集字幕描述中感兴趣区域(Regions of interest,ROI)定位不准确与区域粗粒度描述问题,本文提出了一种基于深度卷积与全局特征的图像密集字幕描述算法,该算法采用残差网络与并行LSTM(Long Short Term Memory)网络的联合模型对存在的区域重叠定位和粗粒度描述细节信息不完整问题进一步改进。首先利用深度残差网络与Faster R-CNN(Faster R-Convolutional Neural Network)的RPN(Regional Proposal Network)层获取更精准区域边界框,以便避免区域标记重叠;然后将全局特征、局部特征和上下文特征信息分别输入并行LSTM网络且采用融合算子将三种不同输出整合以获得最终描述语句。通过在公开数据集上与两种主流算法对比表明本文模型具有一定优越性。      

改进DAB-DETR算法的非规则交通对象检测

非规则交通对象主要指任何在车辆行驶过程中可能对车辆行驶起到阻碍作用的物体，例如坑洼、落石、树枝等影响车辆正常驾驶的目标。针对道路中的非规则交通对象检测问题，提出一种基于改进DAB-DETR算法的非规则交通对象目标检测算法，经过对原始模型结构的分析，发现在图像特征输入编码器前加入绝对位置编码来弥补图像位置信息的缺失，只能隐式地表达特征间的相对位置信息，因此改进DAB-DETR在Transformer的编码结构中的多头自注意力机制中添加了针对图像的相对位置编码；其次发现在原始训练策略中，对得到的检测定位结果与类别信息进行二分匹配并计算损失值时，只是简单地将定位损失和分类损失加权求和，这样会导致性能下降，所以在训练策略中增加了将分类、定位损失集成在一个统一参数化公式中的AP损失函数。实验结果表明：改进DAB-DETR算法的检测精度达到了82.00%，比原始模型提高了3.3%，比传统模型Faster R-CNN、YOLOv5分别提高了6.20%、7.71%。     

联合实例深度的多尺度单目3D目标检测算法

针对单目3D目标检测算法中存在图像缺乏深度信息以及检测精度不佳的问题，提出一种联合实例深度的多尺度单目3D目标检测算法。首先，为了增强模型对不同尺度目标的处理能力，设计基于空洞卷积的多尺度感知模块，同时考虑到不同尺度特征图之间的不一致性，从空间和通道两个方向对包含多尺度信息的深度特征进行重新精炼。其次，为了使模型获得更好的3D感知，将实例深度信息作为辅助学习任务来增强3D目标的空间深度特征，并使用稀疏实例深度来监督该辅助任务。最后，在KITTI测试集以及评估集上对所提算法进行验证。实验结果表明，所提算法相较于基线算法在汽车类别的平均精度提升了5.27%，有效提升了单目3D目标检测算法的检测性能。     

基于改进SSD的铁路障碍物检测研究

铁路安全问题中由障碍物造成的安全事故占比大,后果严重。目前,铁路障碍物的检测方法存在检测精度低、实时性差的问题,并且需要耗费大量人力。为此,文中将目标检测技术应用到铁路障碍物检测中,通过实时监控预警辅助人工巡检,提高检测效率。首先选取Faster R-CNN和SSD两种目标检测算法,根据特征提取网络性能对比,选择两种性能较好的特征提取网络VGG-16和MobileNet-v2,完成4种目标检测模型的搭建;然后通过修正参数训练,对两种模型进行对比,确定最佳模型为SSD＿VGG-16;最后在此基础上,从反卷积特征融合方面入手,对模型进行改进。测试结果表明：改进后的New＿SSD＿VGG-16模型的平均精度（mAP）为82.4%,单张图片平均检测时间为0.071 s;相较于Faster R-CNN及未改进的SSD＿VGG-16模型,文中模型在保证一定检测准确率的同时,还可以提升检测速度。     

基于改进RetinaNet的电力设备红外目标精细化检测模型

电力设备在运行过程中会产生大量红外图像,当红外图像中的电力设备存在排列密集、具有倾斜角度、大长宽比的情况时,基于水平矩形框的目标检测网络只能给出目标概略位置,易发生目标检测区域重叠,引入冗余背景信息,使得检测结果不够精细。针对此问题,提出在RetinaNet目标检测网络中引入旋转矩形框机制,并在网络输入端引入Mosaic数据增强技术;将原特征提取网络中ReLU函数替换为梯度流更平滑的Mish激活函数;在原模型FPN模块后追加PAN模块进一步融合图像特征。最后利用现场采集的电力设备红外图像制作数据集,将改进后的模型与Faster R-CNN、YOLOv3、原RetinaNet三种基于水平矩形框定位的目标检测网络进行对比评估,实验表明改进后的模型可以更为精细地检测出密集场景下带有倾角的电力设备红外目标,在多类别电力设备检测准确率对比上高于以上3种模型。     

基于改进CenterNet的水下目标检测算法

针对常规目标检测器检测水下目标时存在特征提取困难、目标漏检等问题,提出一种改进CenterNet的水下目标检测算法。首先,使用高分辨率人体姿态估计网络HRNet代替CenterNet模型中的Hourglass-104骨干网络,降低模型参数量,提升网络推理速度;其次,引入瓶颈注意力模块,在空间维度及通道维度进行特征增强,使网络关注重要目标特征信息,提高检测精度;最后,构建特征融合模块,融合网络内部丰富的语义信息和空间位置信息,并利用感受野模块增强融合后的特征,提高网络多尺度目标检测能力。在URPU水下目标检测数据集上进行实验,与CenterNet相比,所提算法的检测精度可达77.4%,提升1.5个百分点,检测速度为7 frame/s,提升35.6%,参数量为30.4 MB,压缩84.1%,同时与其他主流目标检测算法相比具有更高的检测精度,在水下目标检测任务上更具优势。     

基于改进Faster R-CNN的交通标志检测算法

针对大视野交通场景下背景复杂和交通标志目标较小的问题,提出一种改进Faster R-CNN检测网络的算法.首先采用深度残差网络ResNet50作为骨干网络,提取交通标志的特征;然后设计了在两个不同层级特征图上使用合理尺度滑动窗口的策略来生成目标建议区域,增强多尺度交通标志的检测能力;最后在残差块中引入注意力机制模块,强...     

一种改进的Faster R-CNN对小尺度车辆检测研究

针对传统Faster R-CNN算法对小尺度车辆检测效果不佳的问题,提出一种改进型网络进行车辆检测的方法。首先,通过改进经典全卷积网络和区域建议网络的结构,增强低层特征与高层特征之间的信息传递;其次,增加更小尺度的锚,从而改善Faster R-CNN对小目标的检测能力;最后,增加锚选择策略,通过平衡锚数量的差异,缓解区域建议网络生成的正负锚数量不平衡问题。文中实验分别在VOC2007、Kitti、真实数据集上对所提方法和传统Faster R-CNN算法进行比较,检测准确率分别提高了9%,8.1%,8.9%。     

基于Faster R-CNN的金属表面缺陷检测研究

目标检测是计算机视觉领域一个重点研究内容,Faster R-CNN作为目标检测新秀,被越来越多的应用于缺陷检测研究。本文基于Faster R-CNN的特征提取、RPN、RC三个核心部份做了实验设计,利用旋转和随机裁剪等方法构建金属表面有麻点和划痕瑕疵缺陷的数据集,并进行了模型训练及测试,麻点的检测结果为90.56%,划痕的检测结果为91.21%,整个模型的平均检测精度为90.78%,实验结果表明Faster R-CNN模型在金属表面缺陷检测中表现优异。     

基于改进YOLOv5s的无人机图像识别

无人机在军事情报、航拍检测等领域能够提供目标相关的图像信息,为处理任务提供目标信息。针对无人机图像背景复杂、检测目标小、可提取特征少等问题,提出基于YOLOv5s的改进无人机图像识别算法。首先,结合CotNet模块对网络结构进行优化,提升模型自学习能力并增强识别精度;其次,对颈部网络进行改进,通过跨层链接和提高特征图分辨率更好地利用浅层特征图中包含的丰富信息来定位目标,并且在检测头部分采用解耦检测头,减少预测过程中定位与分类任务对于特征信息的冲突;最后,为了提高收敛速度和模型精度,在CIoU和EIoU损失函数的基础上对损失函数的宽高纵横比进行优化。在公开数据集VisDrone测试集上进行测试,所提算法相比原始YOLOv5s算法的mAP₅₀与mAP_50∶95分别提升了6.1与2.9个百分点,实验结果表明,所提模型能够有效提升无人机图像识别的准确率。     

改进的Faster R-CNN在车辆识别中的应用

随着人工智能技术的不断发展,利用深度学习进行车辆识别已经成为智能交通领域的热点。以更快速区域卷积神经网络(Faster R-CNN)模型为基础,利用BIT-Vehicle数据集定义车辆视觉任务,利用改进的困难样本算法加强对图像中远小目标车辆的特征提取,并改进NMS算法的置信度函数,动态调整置信度区间,对实际场景中的车辆图像进行测试。该方法可输入多尺度图像、能自主提取车辆特征,提高模型对小目标的判别能力,减少漏检情况,提升检测精度,加速模型收敛,鲁棒性较强。