基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。     

引入高斯掩码自注意力模块的YOLOv3目标检测方法

基于行车图像的目标检测方法为感知周围的道路环境提供了便宜、有效的解决方案,但同时也对检测效果和检测速度提出了较高要求.本文针对基于深度学习的一阶段目标检测算法YOLOv3展开研究,结合自注意力机制,在其网络深层结构中嵌入高斯掩码自注意力模块,缓解卷积操作感受野不足的缺陷,以捕捉更多的全局信息,提高算法的检测效果.实验结...     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

基于梯度可感知通道注意力模块的红外小目标检测前去噪网络

红外图像去噪在军事及民用领域应用广泛。现有基于深度学习的图像去噪方法主要为可见光图像设计,此类方法容易过度平滑图像细节,从而导致弱小目标丢失,为后续的检测任务带来困难。为了在去除噪声的同时保留好红外图像中的目标信息,本文提出了一种基于梯度可感知通道注意力模块的红外弱小目标检测前去噪网络。该网络首先采用编码器-解码器结构来去除图像中的加性噪声,然后通过梯度可感知通道注意力模块对图像高频区域进行自适应增强,有效保持红外弱小目标的响应强度。此外,本文提出了领域第一个包含3 981张含噪声的红外图像数据集。实验结果表明,该网络能够在有效去除加性噪声的同时避免过度平滑,很好地保留了红外图像中的目标信息,最终实现了在含噪声环境下的高鲁棒性红外弱小目标检测。     

基于偏振图像的低照度场景多目标检测算法

偏振光反射信息可直接反演目标本征特性,且在传输过程中具备较强的抗干扰特性,因此偏振成像技术可适用于多种复杂环境中的智能监控、交通监察领域。近年来使用深度学习判读图像检测目标的方法迅速发展,已经广泛应用于图像处理的各个领域。本文提出了一种基于偏振图像与深度神经网络算法的行人、车辆多目标检测算法YOLOv5s-DOLP。首先,通过实时获取到偏振图像进行偏振信息解析,获取目标偏振度图像。其次,为增强偏振度图像中检测目标与背景存在高对比度的特性,在主干网络中引入通道注意力与空间注意力,提升网络特征进行自适应学习的能力。此外,使用K-means算法对目标位置信息进行聚类分析,加快网络在偏振度图像的学习速度,提升目标检测精度。实验结果显示,该算法结合了偏振成像和深度学习目标检测的优势,对于低照度复杂场景中的车辆、行人目标检测效果好、检测速度快,对于道路车辆的目标检测、识别与跟踪具有一定的应用价值。     

基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

基于改进YOLOv5的遥感图像旋转框目标检测

针对遥感图像由于具有背景复杂和目标方向多变、尺度变化剧烈的特性导致目标检测精度较低的问题,文中提出了一种基于瓶颈注意力的遥感图像目标检测算法R-YOLOv5。该算法通过主干特征提取网络、瓶颈注意力、旋转框和损失函数的改进来加强网络对关键目标的特征提取能力,并在训练阶段采用了Mosaic和Mixup的TTA数据增强策略来弱化遥感图像复杂的背景信息对检测的影响。实验结果表明,R-YOLOv5的mAP达到了94.7%,与原始YOLOv5相比,提高了14.1%,可以有效提高遥感图像目标检测精度。     

基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于注意力机制的改进YOLOX行人跌倒检测方法

针对现有行人跌倒检测算法在复杂场景下存在漏检、检测精度低等问题，提出一种基于注意力机制的行人跌倒检测方法 YOLOX-s-EsE。改进的模型在骨干网络中引入SimAM注意力模块，在Bottleneck和特征融合模块增加ECA通道注意力模块，以进一步提取特征层的关键信息，损失函数采用EIo U，可以更有效地计算出预测框和真实框的差距，提升模型的精度。实验结果表明，改进后的算法在复杂环境下目标的检测效果有了明显的提升，相比原YOLOX-s模型，算法的mAP提高了约1.8%，达到了89.23%，精度提高了约4.6%，达到了91.79%。     

一种基于SAM-MSFF网络的低照度目标检测方法

由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点,现有的目标检测算法对低照度图像的检测效果不理想.为此,本文提出一种结合空间感知注意力机制和多尺度特征融合（Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion,SAM-MSFF）的低照度目标检测方法 .该方法首先通过多尺度交互内存金字塔融合多尺度特征,增强低照度图像特征中的有效信息,并设置内存向量存储样本的特征,捕获样本之间的潜在关联性;然后,引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息,从而增强低照度图像中的目标特征,抑制背景信息和噪声的干扰;最后,利用多感受野增强模块扩张特征的感受野,对具有不同感受野的特征进行分组重加权计算,使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验,本文方法的平均精度（mean Average Precision,mAP）达到77.04%,比现有的主流目标检测方法提高2.6%～14.34%.     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

深度学习的无人机双目视觉避障研究

针对无人机避障系统中视觉防撞的关键技术进行研究,改进YOLOv4-tiny目标检测算法,并提出一种基于目标检测的视觉防撞方法.结合MobileNet的可分离卷积结构,优化YOLOv4-tiny目标检测网络,以此提高检测精度.通过去除非检测目标区域的冗余信息,提高SURF匹配算法的效率,由最小二乘法对目标区域进行三维解算,将解算的深度与无人机的位姿信息作为防撞判定区域视野尺度的依据,并结合目标检测的像素位置,实现无人机视觉防撞.最后,利用标准数据集对改进后的网络模型进行分析,mAP值为69％,并搭建无人机视觉通讯模块进行视觉防撞测试,最终验证了方法的合理性.     

基于YOLOv5s的航拍小目标检测改进算法研究

针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision, mAP)达到了39.01%,相比YOLOv5s提高了6.26%。     

基于视频图像的战斗机起落架检测

针对视频图像中战斗机起落架目标小、清晰度低、检测难度大等问题,提出了改进的YOLOv5目标检测算法来完成对战斗机起落架的检测。为提高起落架检测的准确性,将自动色彩均衡算法应用于视频图像中提高视频图像的清晰度,在YOLOv5的主干特征提取网络提取的三个有效特征层后嵌入高效通道注意力机制使网络将注意力集中到图像目标上,忽略背景信息的干扰。实验结果表明,改进后的YOLOv5模型与原YOLOv5模型相比,召回率提高了0.52%,精确率提高了1.52%,mAP提高了1.43%,在满足实时性的同时提高了对战斗机起落架的检测精度。     

改进YOLOX算法的输电线路关键部件及缺陷检测

输电线路作为电力系统的载体，对其进行定期巡检，在第一时间对潜在的安全隐患进行干预是电力系统稳定运行的关键所在。针对输电线路关键部件及缺陷，依托无人机巡检图像，提出了一种改进YOLOX的目标检测算法，进一步加强浅层特征与深层特征的融合，丰富特征图信息；添加位置注意力模块，将位置信息与通道特征进行融合，促使神经网络在更大的区域上进行注意力调节，有利于感兴趣对象的精准定位；对回归损失进行分类处理，加大难回归样本的损失占比，提高算法的检测精度。实验表明，改进后的YOLOX检测算法相比于原始的YOLOX,mAP值提高了3.64%,证明了所提算法的真实有效性。     

基于类特征注意力机制融合的语义分割算法

针对DeepLabv3+模型对图像目标边缘分割不准确、不同类目标分割不一致等问题，提出一种基于类特征注意力机制融合的语义分割算法。该算法在DeepLabv3+模型编码端先设计一个类特征注意力模块增强类别间的相关性，更好地提取和处理不同类别的语义信息。然后采用多级并行的空间金字塔池化结构增强空间之间的相关性，更好地提取图像不同尺度的上下文信息。最后在解码端利用通道注意力模块的特性对多层融合特征重新校准，抑制冗余信息，加强显著特征来提高网络的表征能力。在Pascal Voc2012和Cityscapes数据集上对改进模型进行了有效性和泛化性实验，平均交并比分别达到了81.34%和76.27%，使图像边缘分割更细致，类别更清晰，显著优于本文对比算法。     

基于融合边缘变化信息全卷积神经网络的遥感图像变化检测

高分辨率遥感图像变化检测是了解地表变化的关键,是遥感图像处理领域的一个重要分支。现有很多基于深度学习的变化检测方法,取得了良好的效果,但是不易获得高分辨率遥感图像中的结构细节且检测精度有待提高。因此,该文提出融合了边缘变化信息和通道注意力模块的网络框架(EANet),分为边缘结构变化信息检测、深度特征提取和变化区域判别3个模块。首先,为了得到双时相图像的边缘变化信息,对其进行边缘检测得到边缘图,并将边缘图相减得到边缘差异图;其次,考虑到高分辨率遥感图像精细的图像细节和复杂的纹理特征,为了充分提取单个图像的深度特征,构建基于VGG-16网络的3支路模型,分别提取双时相图像和边缘差异图的深度特征;最后,为了提高检测精度,提出将通道注意力机制嵌入到模型中,以关注信息量大的通道特征来更好地进行变化区域的判别。实验结果表明,无论从视觉解释或精度衡量上看,提出算法与目前已有的一些方法相比,具有一定的优越性。     

基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。     

基于改进RetinaNet的宫颈异常细胞检测算法

宫颈异常细胞特征细微难以提取、小目标容易漏检、细胞边界回归不准确导致异常细胞检测精度不高，鉴于此，本文提出了一种结合注意力的全尺度特征融合RetinaNet(AFF-RetinaNet)宫颈异常细胞检测算法。首先，采用ResNeSt-50作为特征提取网络提取宫颈异常细胞的细微特征；其次，引入平衡特征金字塔（BFP）结构，对所有特征层进行全尺度融合，增强小目标的语义信息，并利用BFP中的非局部注意力模块获取图像的全局信息，以进一步增强特征空间的语义信息；最后，采用CIoU Loss作为回归分支的损失函数，以提高对异常细胞边界回归的准确率。另外，针对实际应用场景，基于AFF-RetinaNet算法实现了全视野宫颈细胞病理学图像（WSI）推理流程，并基于该推理流程对WSI中的异常细胞进行了检测。AFF-RetinaNet在宫颈异常细胞数据集上的平均精度均值（mAP）为83.4%，其中对小目标的mAP值（mAP-s）达到了24.4%，相较于基准RetinaNet算法分别提高了3.2个百分点和10.8个百分点。基于AFF-Retina的WSI推理结果在感兴趣区域中的mAP为70.8%。实验结果表...