改进YOLOv3算法的交通多目标检测方法

针对交通场景中目标像素占比小、互相遮掩等因素造成漏检、误检的问题,提出了基于YOLOv3的多目标检测方法。该方法在YOLOv3网络结构中植入空间金字塔池化模块以增强特征表达,同时提出一种多尺度特征融合机制兼顾获取空间信息和语义信息,通过扩展预测层的预测分支来细化待检目标的语义信息。此外,将改进的K均值聚类算法用于提取先验框的初始中心点,提升预测锚框与待检目标的匹配度,并运用柔性非极大值抑制算法进行置信分数的灵活调整。基于混合数据集的实验结果表明,所提方法有效地提升了检测精度。     

基于改进YOLOv5s的头盔佩戴检测算法

交通法规规定电动车驾驶人驾车时需要佩戴安全头盔,常用检测算法针对安全头盔这类小目标进行检测时存在漏检的问题。鉴于此,提出一种基于改进YOLOv5s的电动车驾驶人头盔佩戴检测算法,简称为HWD-YOLOv5s算法。该算法以深度学习框架YOLOv5s为基础,改进原始模型特征提取部分的下采样方法和特征融合方法,并修改边框损失函数GIOU的计算方法。通过多场景下数据采集获得11 370张图片以制作安全头盔数据集,并在自制数据集上采用HWD-YOLOv5s算法及其他主流算法进行小目标检测的对比实验。实验结果表明：与YOLOv5s算法相比,HWD-YOLOv5s算法在准确率、召回率、平均精度三个方面分别提升0.4%、1.1%、0.2%;检测速度能够达到实时检测要求。     

基于特征融合的深度学习目标检测算法研究

通过研究卷积神经网络中的特征层级,发现高层特征图的分辨率低、语义信息强,低层特征图的分辨率强、语义信息较弱等问题.针对上述问题提出一种二次特征融合的目标检测算法,该算法在特征金字塔网络(Feature Pyramid Networks,FPN)的基础上对过渡特征重复使用并进行二次特征融合,使丰富的低层特征信息补充到高层...     

复杂背景下的小目标检测算法

提出一种改进的多类别单阶检测器（SSD）算法. 借鉴特征金字塔算法的思想,将Conv4-3层的特征与Conv7、Conv3-3层的特征进行融合,同时增加融合后特征图每个位置对应的默认框数量. 在网络结构中增加裁剪-权重分配网络（SENet）,对每层的特征通道进行权重分配,提升有用的特征权重并抑制无效的特征权重. 为了增强网络的泛化能力,对训练数据集进行一系列增强处理. 实验结果表明,改进后的算法在VOC数据集（07+12）上的检测效果良好,平均精度均值为80.4%,比改进前的算法提高了2.7%;在COCO数据集（2017）上的平均精度均值为42.5%,比改进前的算法提高了2.3%. 所提算法能够准确检测出不小于16×16像素的目标.     

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。     

一种轻量级目标检测算法

通过增加特征提取网络M o bilenet的网络层数得到深层不同维度的特征图,并利用特征金字塔结构对特征图进行特征融合处理,进而增强算法的检测精确度.实验结果表明,所得模型在VOC数据集上的检测效果达到了78.8％ 的mAP,检测精确度对比原有网络检测精确度提高了2.9％,改进后的网络模型在达到实时检测的前提下,有效提高了对道路场景下主要目标的检测精确度.     

基于深度学习的多视角螺钉缺失智能检测算法

为有效实现工业生产线螺钉缺失问题的智能检测,利用深度学习技术,提出并设计一种螺钉检测算法。该算法包括3个部分：基于目标检测算法实现螺钉自动检测;基于关键点检测的螺钉匹配算法消除零件位置变化影响;构建多视角检测结果融合算法降低零件相互遮挡影响。该算法已应用于多种型号的洗衣机内桶螺钉检测中,试验结果表明其正确率高达99.7%以上。与传统的人工检测方式相比,该算法具有更高的准确率和自动化程度,可以有效减少漏检和误检问题,为工业生产提供新的解决方案。     

融合L-α的YOLO-v4小目标检测算法

当前基于深度学习的目标检测技术得到了迅速发展,但小目标检测仍然是一个有待改善的难题。相比于大目标,小目标检测任务存在分辨率低、特征易丢失等特点,很多通用的目标检测算法不能直接迁移到小目标检测。特征金字塔融合能有效结合深层和浅层的特征,增强对小目标的检测性能,然而现有模型大都忽略了相邻层间融合时的信息不平衡问题。针对此问题,提出将有效融合因子的思想融入YOLO-v4的PANet结构,添加融合因子L-α控制深层向浅层传递的信息量,从而有效提高信息融合效率,增强YOLO-v4对小目标的检测能力。实验表明,加入了L-α的YOLO-v4模型,在Tiny Person数据集上平均精度AP₅₀^tiny和AP₅₀^small分别提高了2.14%和1.85%,在MS COCO数据集上平均精度AP和AP_S分别提高了1.4%和2.7%,且检测结果优于其他小目标检测算法,证明此改进方法对小目标检测有效。     

特征增强的单阶段遥感图像目标检测算法

针对遥感图像目标检测算法在特征融合过程中最高层信息丢失及遥感图像复杂背景难以区分的问题,提出了一个特征增强的单阶段遥感图像目标检测算法。该算法在基线单阶段对齐网络(S²A-Net)中引入残差特征增强处理策略和改进的通道注意力机制,从而保留特征融合过程中最高层信息并使网络抑制复杂背景信息。为了验证所提算法的有效性,分别在DOTA-v1.0数据集和HRSC2016数据集上进行了实验。实验结果表明,所提算法相比于S²A-Net算法,在DOTA-v1.0数据集上的平均精度提升了1.43个百分点,并在HRSC2016数据集上取得了比较有竞争力的结果。     

基于多头自注意力的复杂背景船舶检测算法

针对内河港口背景复杂、类间尺度差异大和小目标实例多的特点,提出基于多头自注意力机制(MHSA)和YOLO网络的船舶目标检测算法(MHSA-YOLO).在特征提取过程中,基于MHSA设计并行的自注意力残差模块(PARM),以弱化复杂背景信息干扰并强化船舶目标特征信息;在特征融合过程中,开发简化的双向特征金字塔结构,以强化特征信息的融合与表征能力.在Seaships数据集上的实验结果表明,与其他先进的目标检测方法相比,MHSA-YOLO拥有较好的学习能力,在检测精度方面取得97.59%的平均均值精度,MHSA-YOLO对复杂背景船舶目标和小尺寸目标的检测更有效.基于自制数据集的实验结果表明,MHSA-YOLO的泛化能力强.     

多尺度特征增强的SSD目标检测算法

针对目标检测中多类别、多尺度和背景复杂而导致的SSD (Single Shot Multibox Detector)算法检测精度不高的问题,提出了一种多尺度特征增强的改进SSD目标检测算法。首先将SSD网络模型的高层特征依次向下与浅层特征融合,构造一种多尺度目标检测结构。然后利用注意力机制对特征进行进一步的优化,从而达到增强网络模型特征提取的目的。最后用DIoU-NMS来处理图像目标中冗余框的问题,减少目标的漏检。在公开的NWPU VHR-10遥感数据集上将该方法与其他算法进行对比实验,其m AP较传统的SSD算法提高了6.7%。最后将改进后的算法应用于地铁安检图片检测,并在此数据集上进行消融实验来验证此算法每一阶段的有效性。     

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.     

基于道路辅助的机载SAR动目标检测和参数估计

经典的合成孔径雷达（SAR）动目标检测方法无法实现地面非匀速动目标的参数估计,为解决这一问题,本文根据动目标成像的特点,提出一种基于道路信息辅助的机载双通道SAR动目标检测方法。根据双通道SAR系统空间几何模型和回波信号模型,首先采用DPCA技术实现杂波抑制和动目标的检测,然后利用道路信息确定动目标的位置和速度,最后根据动目标方位向的散焦程度,估计动目标的距离向加速度。仿真结果验证了该方法的有效性。     

基于Efficient高效网络的目标检测和识别

深层的卷积网络结构可以提升目标的检测准确率,但带来大量的参数运算,对计算机的计算资源要求比较高。为使目标检测算法可以应用到计算资源较小的移动端设备且保持目标检测和识别精度,本文将一种轻量级特征提取网络Efficient-B0与多尺度融合模块FPN相结合,在YOLOv3预测网络上对目标进行检测。实验结果表明,在有限的计算资源下,该目标检测算法参数量更少,运算效率更高。改进的目标检测网络更适合移动端设备,检测速度快、漏检率低、鲁棒性强。     

基于非监督特征学习的分叉道路检测算法

为了解决道路分叉环境中的智能车辆导航问题,提出一种大视场、近距离的道路检测方法.采用安装于车头的鱼眼摄像机,克服了普通相机视野窄、近处存在盲区的问题;通过鱼眼图像重投影,去除鱼眼畸变和透视失真,获得尺度一致的数据块;应用非监督特征学习和逻辑回归分类器,从海量未标记数据中得到原始数据块的稀疏表达,免除了人工标记数据,最后得到路面可通行概率.实验结果表明:此算法在缺乏先验道路几何信息、无手工标记数据的情况下,可以正确地识别分叉道路可通行区域,无视野盲区.     

基于固态激光雷达的智能汽车目标检测算法

基于低成本的车载固态激光雷达,提出了一种动态目标状态检测方法.首先给出了针对目标位置和速度检测的总体框架,然后基于固态激光雷达的点云特点,提出了改进的RANSAC地面分割算法.在此基础上,进一步设计了求取运动目标相对速度的检测算法.最后,融合固态激光雷达和惯导数据,辨识交通环境中的运动目标,并获得目标的绝对速度.通过两...     

基于通道注意力与特征融合的水下目标检测算法

水下光学图像存在色偏、低对比度、目标模糊的现象,导致水下目标检测时存在漏检、误检等问题。针对上述问题,提出了一种基于通道注意力与特征融合的水下目标检测算法。基于通道注意力设计了激励残差模块,将前向传播的特征信息进行自适应分配权重,以突出不同通道特征图的显著性,提高了网络对水下图像高频信息的提取能力;设计了多尺度特征融合模块,增加了大尺度特征图用于目标检测,利用其对应的小尺度感受野提高了网络对小尺寸目标的检测性能,进一步提高了网络对水下不同尺寸目标的检测精度;为提高网络对水下环境的泛化性能,设计了基于拼接和融合的数据增强方法,模拟水下目标的重叠、遮挡和模糊情况,增强了网络对水下环境的适应性。通过在公共数据集URPC上的实验,与YOLOv3、YOLOv4和YOLOv5相比,所提算法的平均精度均值分别提升5.42%,3.20%和0.9%,有效改善了水下复杂环境中不同尺寸目标漏检、误检的问题。