基于Bi-SINet的复杂背景下的目标检测

针对复杂背景下的目标检测任务,为提高检测算法的准确率,在SINet算法的基础上提出了一种改进的Bi-SINet算法。相对于SINet粗放的搜索-识别架构,Bi-SINet提出一种渐进式的检测架构,同时提出了一种基于双边注意力机制的邻接特征融合模块,进一步提高特征融合的效率。实验结果表明,所提出的Bi-SINet在COD10K测试集上相比SINet准确度提高了7%,EM指标达到了0.862,同时在其他测试集上的指标也高于SINet。Bi-SINet在提高检测精确度的同时降低了误检率,在性能上优于SINet算法。     

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5（You Only Look Once）的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值（mean Average Precision,mAP）可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。     

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。     

基于模式侧抑制复杂背景下的小目标检测

在复杂背景的图像序列中检测小目标一直是研究重点。提出了一种基于模式侧抑制的复杂背景下小目标检测的方法。将复杂背景下的小目标检测问题看作是在大量相似模式中寻找某个特殊模式的模式识别问题。通过建立基于模式的侧抑制网络模型，在模式空间中对模式进行侧抑制处理，达到突出特殊模式抑制相似模式的目的。同时指出，用该方法对图像进行多级处理可进一步改善处理效果。进行了该方法与去局部均值滤波、基于形态学Top-Hat算子滤波、多级滤波和基于侧抑制理论滤波四种传统方法的比较实验，并将信杂比（SCR）及信杂比增益作为评价算法性能的指标。实验结果表明，提出的方法在提高图像信杂比方面要优于其他几种方法，能有效抑制背景杂波，提高对目标的单帧检测能力。     

野外复杂背景下红外图像的目标检测

野外复杂背景下红外图像序列目标检测是红外野外监视中的重点问题。大量的背景物增加了目标检测的难度。文中针对野外复杂背景下红外图像序列的特点,提出了一种实用的运动目标检测算法。该算法包括两个处理步骤：首先,在场景配准后利用帧间差图像提取目标的运动信息,并据此进行目标的粗检测;其次,合目标运动在时间和空间上的相关性进行精检测。粗检测的低漏判度和精检测的低误差率保证了算法的可靠性。在检测的同时算法确定了目     

海空复杂背景下红外弱点目标的检测算法

为第空复杂背景下红外弱点目标的检测,提出了基于小波变换模极大的检测算法,该算法通过计算小波变换模极大值求出图像中的所有奇异点,去除由复杂背景形成的模极大值链,消除云层、海浪及水天线等复杂背景,提高了单帧点目标检测能力,结果表明,余步坷检测信杂比为２的点目标。     

复杂背景下减少红外小目标检测虚警率的算法

为了减小复杂背景下红外小目标检测的虚警率,采用自适应平滑再中值滤波的方法抑制背景噪声,边缘增强阈值分割检测方法突出和提取目标,利用小目标是孤立奇异点且不能发生突变的特点,通过多特性联合判断方法实现虚警目标剔除算法。实验表明,本文的算法计算量小、实时性好、实现灵活,在复杂背景下能有效降低虚警又不漏检目标,并实际完成了FPGA和DSP的硬件实现。     

基于改进YOLOv4-tiny的无人机航拍目标检测

针对无人机航拍图像中存在目标尺寸小、数量多和背景复杂等问题,提出了一种基于改进YOLOv4-tiny的无人机航拍目标检测算法。该算法在原有网络的基础上扩大了检测尺度范围,提高对不同尺寸目标的匹配程度,并利用深层语义信息自下而上地与浅层语义信息进行融合以丰富小目标的特征信息。同时引入注意力机制模块,在主干网络后的每个尺度上进行感兴趣区域特征信息的二次筛选,过滤冗余特征信息,保留重要特征信息。在无人机航拍数据集上进行对比实验,实验结果表明,所提算法在满足实时性的基础上,平均精确率比原网络提高了5.09%,具有较好的综合性能。     

基于多级滤波的复杂背景下多尺度小目标检测

针对精确制导系统中目标尺度的不确定性带来的检测问题,在分析原始多级滤波器结构与传递函数频率特性的基础上,适当改进了多级滤波的结构,导出多个滤波结果,并提出了基于融合多级输出滤波结果的多尺度小目标检测算法.实验结果表明,该算法可以在没有目标尺度先验信息的情况下自适应地检测出多个小目标.     

应用于水下目标检测的YOLOv7算法模型

水下图像目标检测与陆地环境目标检测相比,水下场景表现出更大的复杂性。这会导致捕获图像中的背景颜色发生明显变化,从而影响基于深度学习的通用目标检测模型的检测精度。为了应对这一挑战并提高水下图像目标检测的精度,设计一种CBAM-CRMS注意力机制模块,将该模块嵌入YOLOv7检测模型,通过实验验证了改进算法的优越性能。     

基于YOLOv5的轻量化目标检测算法

使用搭载YOLOv5算法的无人机对物体进行目标检测时,由于其权重文件占有较大内存而要求无人机有较高的硬件配置,这在很大程度上约束了无人机进行目标检测的发展。为了解决这一问题,提出了一种改进的YOLOv5算法。使用深度可分离卷积代替普通卷积层,以使YOLOv5s轻量化。由于无人机从空中俯瞰物体,拍摄的图片具有较大的视野,因此将Dropblock与注意力机制添加至YOLOv5s主卷积层的底层来增加YOLOv5s的泛化能力与识别能力,进而提高YOLOv5s的小目标检测能力。使用所提方法对车辆数据集进行训练,获得了83%的训练准确率,并通过对比试验证明了所提方法比原始YOLOv5s具有更强的小目标检测能力。     

基于改进YOLOv4的遥感图像目标检测

针对遥感图像在复杂背景下因特征提取和表达能力不足而存在漏检和检测效果不佳的问题,提出一种优化特征提取网络的YOLOv4算法模型。该改进模型引入了一种新的Dense-PANet结构以获取更高的分辨率特征,并通过在特征提取网络中嵌入注意力机制以适应遥感图像因视野范围大而导致复杂背景下小目标漏检和检测效果不佳的问题。为了证明本文所提方法的有效性,针对DIOR遥感数据源进行了对比实验,结果表明,本文算法平均准确率(mean average precision,mAP)为86.55%,相比原算法提高了2.52%,较YOLOv3、RetinaNet提高了6.58%、14.09%,验证了所改进算法的有效性。     

复杂背景下基于LBP纹理特征的运动目标快速检测算法

在雨雪天气、树叶晃动、水面闪烁等有复杂背景的可见光与红外场景中,快速准确地提取完整目标一直是运动目标检测中的首要难题。为了满足实时性,并针对现有视频的前景提取算法依赖先验信息、召回率低、缺乏纹理和噪声较大等问题,提出了一种基于直方图统计和改进的局部二值模式（Local Binary Pattern, LBP）纹理特征相结合的背景建模方法。首先,使用各像素直方图的众数作为参考背景,无需先验知识,节省了大量存储空间,再采用邻域补偿策略提出了一种改进的S_MBLBP纹理直方图与参考背景进行背景建模,消除了大部分动态背景和光照变化影响,实现目标的精确提取。实验表明,所提的算法在红外和可见光的多种复杂场景下,能快速提取前景目标的同时,提高了准确率和召回率。     

复杂场景下基于改进YOLO算法的遥感图像目标检测

遥感图像普遍目标尺度变化较大,背景较为复杂,这些问题导致当前目标检测算法出现漏检或检测效果不佳等现象。文章选择YOLOv3算法作为基础网络进行改进,对训练数据做Mosaic数据增强,增加困难样本数量。结合ECA通道注意力机制,丰富特征的表达能力。使用CIOU损失作为定位损失,增强了目标回归框的检测精度和收敛速度。在遥感图像数据集RSOD上进行训练和测试,实验结果表明,改进的YOLOv3检测效果更佳,鲁棒性更强,具有很好的实用价值。     

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。     

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution, PConv)和高效多尺度注意力(Efficient Multi-scale Attention, EMA)机制构建全新的F＿C₂f＿EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module, SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism, ...     

复杂背景下红外点目标的检测

在分析红外点目标、噪声及杂波模型的基础上,提出了基于二次滤波的复杂背景下红外点目标的检测算法,该算法由二阶滤波器组成。根据点目标的模型特点,通过选择合适的高通滤波器,可有效地增强信噪比、抑制噪声。实验结果表明该算法效果良好。     

复杂背景下运动目标检测方法

利用相邻两帧图像的运动信息更新特征块提取阈值,实时地提取出当前帧图像中最能体现背景运动特征的特征块。采用块匹配的运动估计方法获取了各块的运动矢量,再依据所有特征块运动矢量的统计特性提取出背景运动矢量来配准差分,实现了目标的检测。实验结果表明,此方法能有效地检测复杂背景下的运动目标。     

复杂背景下红外弱小目标检测的算法研究综述

复杂背景下低信噪比弱小目标的自动检测是当今目标自动探测研究尚未解决的一个难题.目前,国内外许多学者已经作过大量的检测算法研究,但还没有建立成熟的理论体系和切实可行的实用算法,尤其是在复杂背景干扰的抑制方面,大部分研究工作所处理的还不是真正的复杂背景.本文在分析和总结国内外现有算法研究的基础上,指出了复杂背景下红外弱小目标检测的发展趋势,并提出了检测跟踪的一些有效技术措施.     

基于YOLOv5的CCTSDB小目标检测算法研究

为了提高全新中国交通标志检测数据集2021(CCTSDB 2021)的小目标检测精度。在YOLOv5网络模型上,融入归一化的注意力模块（NAM）和协调注意力模块（CA）,同时新增加160×160的检测特征图,增加小目标检测层,用于检测4×4以上的目标。在YOLOv5中采用改进的SIou目标回归损失函数,使得整个网络模型对图像特征的学习能力和目标检测精度得到一定的提升。实验表明,CCTSDB2021在改进的YOLOv5算法中,小目标检测精度mAP@.5和mAP@.5:.95达到85.87%、57.21%,相比原YOLOv5网络mAP@.5、mAP@.5:.95分别提升了5.72%、5.85%,检测精度和精确率-召回率得到了明显提升,减少了推理时间,提高了整体网络的鲁棒性,具有更好的检测性能和目标分辨能力。