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。     

高阶分形特征在雷达信号检测中的应用

本文将高阶分形特征用于雷达信号的分析,提取出用于区分目标和杂波的新的分形特征——缝隙尺度变化率.推导了缝隙值在加性分形噪声中的关系式.实验表明:利用缝隙特征进行海上雷达目标的检测,可以取得较分维值检测更高的准确率.     

基于改进Shuffle-RetinaNet的红外车辆检测算法

针对当前红外场景下多尺度车辆检测精度欠佳且算法模型复杂度高的问题，提出了基于Shuffle-RetinaNet的红外车辆检测算法。该算法以RetinaNet网络为基础，并选用ShuffleNetV2作为特征提取网络。提出双分支注意力模块，通过双分支结构和自适应融合方法增强网络对红外图像中目标关键特征的提取能力；优化特征融合网络，集成双向交叉尺度连接和快速归一化融合，增强目标多尺度特征的表达能力；设置校准因子增强分类和回归之间的任务交互，提高目标分类和定位的准确性。该算法在自建红外车辆数据集上的检测精度达到92.9%，参数量为11.74×10⁶，浮点计算量为24.35×10⁹，同时在公开红外数据集FLIR ADAS上也展现出较好的检测性能。实验结果表明：该算法具有较高的检测精度，且模型复杂度低，在红外车辆检测领域具有较高的应用价值。     

基于自适应注意力机制的红外与可见光图像目标检测

针对红外和可见光目标检测方法存在的不足,将深度学习技术与多源目标检测相结合,提出了一种基于自适应注意力机制的目标检测方法。该方法首先以深度可分离卷积为核心构建双源特征提取结构,分别提取红外和可见光目标特征。其次,为充分互补目标多模态信息,设计了自适应注意力机制,以数据驱动的方式加权融合红外和可见光特征,保证特征充分融合的同时降低噪声干扰。最后,针对多尺度目标检测,将自适应注意力机制结合多尺度参数来提取并融合目标全局和局部特征,提升尺度不变性。通过实验表明,所提方法相较于同类型目标检测算法能够准确高效地在复杂场景下实现目标识别和定位,并且在实际变电站设备检测中,该方法也体现出更高的泛化性和鲁棒性,可以有效辅助机器人完成目标检测任务。     

基于多尺度局部极值和边缘检测的目标性算法

目标性作为目标检测的预处理算法,用于高效提取少量可靠的目标潜在区域,可替代针对复杂特征的多尺度滑动窗的分析方式,达到提升目标检测效率的目的。该文提出了一种基于多尺度局部极值和边缘检测的目标性算法。首先,基于原始图像的多尺度梯度特征,在不同尺度下利用均值滤波得到梯度强度的局部极值,并在原始图像上还原出初始目标潜在区域;然后,通过提取图像的边缘特征,计算初始目标潜在区域的目标性得分值;最后,对得分值进行尺度加权,并结合非极大值剔除冗余区域,最终输出少量可靠的目标潜在区域。通过PASCAL VOC和ILSVRC2014数据库的实验对比,该算法给定1000个候选区时在PASCAL VOC和ILSVRC2014分别达到97%和98%以上的召回率,同时有效地提升了首框召回率。      

基于改进SSD的人脸口罩佩戴检测算法

本文提出一种多尺度卷积特征融合目标检测方法,用于优化SSD模型对口罩遮挡、尺度变化、样式多样化以及小目标问题的检测精度。基准网络选用表征能力更强的残差网络,引入跳跃连接机制降低提取特征的冗余度,解决层数增加出现性能退化问题;同时引入低层边缘信息与高层语义信息的多尺度特征融合机制充分利用特征细节信息,最终通过参数再训练方式获得改进的SSD模型。实验结果表明,该方法在人脸口罩数据集测试精度90.65%,与原SSD算法82.37%提高8.28%,与SSD使用ResNet-50的87.99%提高2.66%。     

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.     

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。     

基于深度学习的单步目标检测器特征增强算法

针对基于深度学习的目标检测网络模型多采用级联的卷积网络结构进行特征提取,没有很好地利用多尺度特征融合的信息,以及卷积往往采用方形卷积核而没有提取出具备方向性的特征等问题,提出了一种特征提取模块,采用不同大小形状的卷积核结合异性卷积核并行提取特征,并进行融合。该类结构相比于级联网络更能提取并融合目标的多尺度特征,同时提取具有方向性的特征。提出的特征增强型单步目标检测器(Feature Enhanced Single Shot Detector,FESSD)网络基于单步目标检测器(Single Shot Detector,SSD),修改了网络结构、加入特征提取模块并采用多层特征融合,在VOC0712数据集上大大提高了检测准确率。     

基于互累积量的多雷达信号层融合检测

针对多雷达检测海上目标的研究背景,本文提出了一种新的基于互累积量的多带雷达信号层融合检测方法,该方法融合不同雷达的观测信息,对不同频带的雷达观测在统计相关域上进行积累,最后进行检测。仿真结果表明,与传统的融合检测方法相比,新方法能够显著提高融合处理后的信杂比,有效提高海上目标检测概率。     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

基于改进Anchor-Free模型的交通标志检测算法

交通标志检测是自动驾驶系统的一项重要功能,当前先进的交通标志检测器大多采用Anchor-Based网络模型,根据锚框遍历所有潜在的目标位置。为了减少锚框带来的计算开销和过多的超参数设置,提出了一种基于编码-解码结构的Anchor-Free交通标志检测算法。为了增加解码模块的特征表征能力,在解码模块中引入残差增强分支。为了高效地提取和利用多尺度特征,设计了特征融合子网络,提升对多尺度目标的检测能力,并使用Ghost轻量化模块提取多尺度特征图,不显著引进运算量。在Tsinghua-Tencent 100K数据集上进行验证,所提算法实现了92.5%的召回率和90.3%的准确率,模型的参数量和模型大小分别为1.61×107和64.4 Mbit。实验结果表明,与主流目标检测算法相比,所提算法的检测精度较高,计算开销较低,在综合性能上具有优越性。     

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%。     

基于改进YOLOv5的海面目标检测算法

针对海面目标检测模型难以应用在存储能力和计算能力较小的移动端的问题,提出一种基于改进YOLOv5的海面目标检测算法。采用轻量级提取网络ShuffleNetv2 Block作为YOLOv5网络的骨干部分,减少模型计算量和参数量;使用加权双向特征金字塔网络模块替换原特征融合网络模块,提高网络对不同尺度的特征提取能力;引入坐标注意力机制,提高模型检测精度。在海面目标数据集上进行实验,结果表明：与YOLOv5模型相比,改进模型的精确率、召回率、平均精度分别提高了1.2%、1.4%、0.9%,计算量和参数量分别降低了55.8%,54.9%。改进后的YOLOv5模型不仅提高了检测精度和模型性能,还压缩了模型的计算量和参数量,有利于部署在移动设备端。     

梯度纹理直方图与多层感知器船舶快速检测

在动态的复杂环境中,受背景建模失效影响,传统船舶目标检测方法的精度较低。针对该问题,提出一种基于梯度纹理直方图特征与多层感知器的船舶快速检测算法。该算法利用多层感知器将目标的梯度与纹理的直方图进行特征融合,为船舶目标构建特征空间。首先,基于二值梯度的特征训练船舶候选区模型,以快速生成具有高召回率的少量船舶候选窗口,并在每个候选窗口提取梯度纹理直方图特征;其次,设计一个多层感知器作为船舶分类器,对提取到的梯度纹理直方图特征进行判别。实验结果表明,该算法在多个海上场景中船舶检测平均精确率达90.0%,平均执行时间为20.4 ms/frame,有效实现海上船舶精确与快速的检测。     

基于深度学习的海上舰船目标多源特征融合识别

针对海上舰船雷达辐射源特征和高分辨率距离像独立使用难以有效进行目标识别的问题,提出多种基于深度学习的多源特征融合目标识别方法.通过构造深度序贯融合模型、深度分支融合模型、深度卷积融合模型和深度循环融合模型四种框架,实现舰船目标的多辐射源特征与高分辨率距离像深度特征的自动提取与融合识别,完成目标分类.利用不同长度、不同类...     

基于改进YOLOX的安全帽佩戴检测算法

针对安全帽佩戴检测任务中的小目标密集导致的遮挡和难以检测等问题,提出了一种基于YOLOX和transformer的安全帽佩戴检测算法。首先使用融合了CNN和transformer的网络swin Csp进行特征提取,提升模型获取全局上下文信息的性能;然后采用简化的重复加权双向特征金字塔网络BiFPN,使算法更好地融合不同尺度的特征;最后在neck和YOLO head的连接部分加入CBAM注意力机制,加强安全帽特征与位置信息的关联程度,进一步增强网络的性能和鲁棒性。基于SHWD数据集进行实验,结果表明,算法在hat类上提高了0.99%的精度,在两种类型的召回率上分别有3.16%和1.7%的提升,在mAP方面则有1.79%的提升,有效实现了快速且精度较高的安全帽佩戴检测。     

基于多尺度加权特征融合网络的地铁行人目标检测算法

随着地铁乘客的大量增加,实时准确地监测地铁站内客流量对于保证乘客安全具有重要意义。针对地铁场景复杂、行人目标小等特点,该文提出了多尺度加权特征融合(MWF)网络,实现地铁客流量的精准实时监测。在数据预处理阶段,该文提出过采样目标增强算法,对小目标占比不足的图片进行拼接处理,增加小目标在训练时的迭代频率。其次,在单镜头多核检测器(SSD)网络基础上添加了基于VGG16网络的特征提取层,将不同尺度的特征层以不同方式进行加权融合,并选出最优的特征融合方式。最终,结合小目标过采样增强算法,得到多尺度加权特征融合模型。实验证明,该方法与SSD网络相比,在保证实时性的同时,检测精度提升了5.82%。     

基于动态特征融合的监控视频图像小目标检测研究

在实际监控场景中,监控视频图像往往会受到复杂的背景干扰和光照变化的影响,使得小目标的检测变得非常困难且准确性较差。因此,文章提出基于动态特征融合的监控视频图像小目标检测方法。首先对监控视频图像进行预处理,主要是对不同类型的噪声进行噪声滤除操作,以提高图像质量并突出小目标;其次融合数学形态学处理技术,提取预处理后图像的小目标相关特征;最后采用动态特征融合方式进行小目标检测,将多个特征融合在一起,以更全面地描述图像中的小目标。通过这种动态特征融合方法完成了监控视频图像小目标检测方法设计。实验结果表明：新方法在检测不同类型的小目标中具有明显优势,能够实现对小目标的准确监测,说明其在监控视频图像小目标检测中具有应用价值。     

基于激光点云的深度语义和位置信息融合的三维目标检测

提出一种高性能的基于深度语义和位置信息融合的双阶段三维目标检测（DSPF-RCNN）算法。在第一阶段提出深度特征提取-区域选取网络（DFE-RPN），使网络在俯视图中能够提取目标更深层次的纹理特征和语义特征。在第二阶段提出逐点语义和位置特征融合（ASPF）模块，使网络能够自适应地提取目标最有差异性的特征，增强中心点在特征提取时的聚合能力。算法在KITTI数据集上进行测试，结果显示，测试集中Car类目标在Easy、Moderate和Hard水平的检测精度均优于现有的主流算法，检测精度分别为89.90%,81.04%和76.45%；验证集中Car和Cyclist类目标在Moderate水平的检测精度分别为84.40%和73.90%，相对于主流算法提升了4%左右，推理时间为64 ms。最后将算法部署在实车平台上实现了在线检测，验证了其工程价值。