基于多尺度感受野融合的小目标检测算法

针对通用目标检测算法在检测小目标时检测精度低的问题,提出一种基于多尺度感受野融合的小目标检测算法S-RetinaNet。该算法采用残差神经网络（residual neural network,ResNet）提取出图像的特征,利用递归特征金字塔网络（recursive feature pyramid network,RFPN）对特征进行融合,通过多尺度感受野融合模块（multiscale receptive field fusion,MRFF）分别处理RFPN的三个输出,提升对小目标的检测能力。实验表明,相比改进前的RetinaNet算法,S-RetinaNet算法在PASCAL VOC数据集上的均值平均精度（mean average precision,mAP）和MS COCO数据集上的平均精度（average precision,AP）分别提高了2.3和1.6个百分点,其中小目标检测精度（average precision small,APS）更为显著,提升了2.7个百分点。     

基于多尺度密集连接网络的图像超分辨算法

图像超分辨率旨在通过软件技术从低分辨率图像中获得高分辨率图像.受深层神经网络对非线性关系强大表示启发,提出一种基于多尺度密集连接网络的图像超分辨算法.利用多尺度和密集连接思想设计了两个并行子网络提取图像特征,一个子网络中引人多尺度卷积层以提取低分辨图像的多种特征,另一个子网络则利用密集连接模块加深网络结构尽可能提取丰富的纹理特征,同时还可以避免模型训练过程中梯度消失的问题.最后对两个子网络提取的特征求残差并对其行重构得到高分辨率图像.仿真结果表明,提出的算法无论在客观评价还是视觉效果上均优于其它同类超分辨算法.     

多尺度特征深度复用的显著性目标检测算法

针对传统显著性目标检测方法在检测不同尺度的多个显著性目标方面的不足,提出了一种多尺度特征深度复用的显著性目标检测算法,网络模型由垂直堆叠的双向密集特征聚合模块和水平堆叠的多分辨率语义互补模块组成。首先,双向密集特征聚合模块基于ResNet骨干网络提取不同分辨率语义特征;然后,依次在top-down和bottom-up两条通路上进行自适应融合,以获取不同层次多尺度表征特征;最后,通过多分辨率语义互补模块对两个相邻层次的多尺度特征进行融合,以消除不同层次上特征之间的相互串扰来增强预测结果的一致性。在五个基准数据集上进行的实验结果表明,该方法在Fmax、Sm、MAE最高能达到0.939、0.921、0.028,且检测速率可达74.6 fps,与其他对比算法相比有着更好的检测性能。     

基于密集连接与特征增强的遥感图像检测

遥感技术的快速发展使得遥感图像检测技术广泛应用于军事、农业、交通、城市规划等多个领域。随着遥感分辨率和数据体量的不断提升,通过人工处理数据的方法已经无法满足实时性需求,因此,实现高效、精准的自动化数据处理方式成为该领域的研究热点。针对遥感图像分辨率高、背景复杂、目标尺度小等特点,提出一种改进的YOLOv3算法,用以提升遥感图像的检测效果。在原始YOLOv3算法的基础上,使用改进的密集连接网络替换原有的DarkNet53作为基础网络,以提升网络输入和预测结果的尺度多样性。通过阀杆模块降低输入损失,同时在浅层特征图中加入特征增强模块,从而丰富特征图的感受野,强化网络对浅层特征信息的提取,在保证整体检测性能的同时使网络对遥感图像中、小目标的检测精度和鲁棒性均有所提升。在遥感图像数据集上进行多组对比实验,结果表明,相比原始YOLOv3算法,该算法的平均准确率提高9.45个百分点,在小尺度目标上的检测准确率提升更显著,达到11.03个百分点,且模型参数量得到有效缩减。     

基于改进SSD的多尺度低空无人机检测

鉴于低空场景下无人机尺度多变、背景复杂的特点,提出一种基于深度学习的多尺度低空无人机目标检测算法.针对高层卷积特征对小无人机目标特征表达能力差的问题,引入VGG16低层特征图Conv3_3,构建特征金字塔网络,利用有效感受野技术,重新设计各特征图中先验框的尺寸和长宽比例,建立多尺度、多背景且包含干扰目标的低空无人机图像数据集,完成算法的训练和优化.实验结果表明,该算法相比原始SSD网络,平均精度(average precision,AP)提高了7.32％,有较好的抗干扰效果和实时检测能力.     

基于密集残差连接的肺结节检测方法

针对目前基于深度学习的肺结节检测算法中不同深度与尺寸的特征信息间没有相互交流的问题,提出了一种基于密集残差连接的肺结节检测模型。本模型在3D U-Net网络的基础上引入密集连接,充分利用网络中肺结节特征图,实现不同层的特征信息的结合,提高结节特征的利用率;同时结合残差结构,避免了网络加深后出现的梯度消失问题;引入通道注意力机制,对不同通道的结节特征赋予权重,提高结节的识别率;在3D U-Net网络的编码解码部分间的跳跃连接中使用转置卷积,融合不同尺度与不同深度的特征。所提算法在肺结节公共数据集LUNA16上进行十折交叉验证,以无限制受试者操作特征为评价指标,实验结果表明,在假阳率为0.125、0.25、0.5、1、2、4、8这7个点上,平均敏感度为0.852,相较于基准模型提升5.5%。所提出的肺结节检测算法相比基准模型提高了检测敏感度,较好的实现对肺结节的检测。     

基于改进密集网络与二次回归的小目标检测算法

基于单激发探测器(SSD)的小目标检测算法实时性较差且检测精度较低.为提高小目标检测精度和鲁棒性,提出一种结合改进密集网络和二次回归的小目标检测算法.将SSD算法中骨干网络由VGG16替换为特征提取能力更强且速度更快的DenseNet,利用基于区域候选的检测算法中默认框由粗到细筛选的回归思想设计串级SSD网络结构,在区...     

基于无锚框目标检测算法的多样性感受野注意力特征补偿

作为目标检测的研究热点之一,无锚框算法摒弃大量预定义框的设置而采取逐像素的方式进行预测。即便如此,它仍不能够很好地处理重叠目标。此外,该算法获取图像的全局信息能力较弱且易出现感受野不匹配。因此,提出2种改进方法：多样性感受野注意力机制和全局信息指导特征融合。PASCAL VOC和MS COCO数据集上广泛的实验证实了改进方法的有效性。与基线FCOS相比,本文方法的检测精度在PASCAL VOC上提升了1.4%,在MS COCO上的精确度为42.8%,检测性能明显优于许多先进算法。     

基于跳跃连接金字塔模型的小目标检测

随着深度学习的发展,目标检测已经获得了较高的精度和效率。但是小目标的检测仍然是一个挑战。小目标检测准确率较低的重要原因是没有充分利用高层特征的语义信息和低层特征的细节信息之间的关系。针对上述问题,本文提出一种基于跳跃连接金字塔模型的小目标检测方法。与其他的目标检测方法不同,本文提出利用跳跃连接金字塔结构来融合多层高层语义特征信息和低层特征图的细节信息。而且为了更好地提取不同尺度物体对应的特征信息,在网络模型中采用不同大小的卷积核和不同步长的空洞卷积来提取全局特征信息。在PASCAL VOC和MS COCO数据集上进行了实验,验证了算法的有效性。     

基于密集连接卷积神经网络的道路车辆检测与识别算法

针对现有道路车辆检测识别算法中存在的检测精度不高、实时性差以及小目标车辆漏检等问题,提出一种基于密集连接卷积神经网络的道路车辆检测与识别算法.首先,基于YOLOv4网络框架,通过采用密集连接的深度残差网络结构,加强特征提取阶段的特征复用,实现对浅层复杂度较低的特征的利用;然后,在多尺度特征融合网络引入跳跃连接结构,强化...     

基于PDSSD改进型神经网络的小目标检测算法

SSD卷积神经网络一直对较小目标检测精度不佳。对此在SSD网络结构的基础上引入空洞卷积(Dilated Convolution),并组建空洞金字塔模块(Pyramid Dilated Convolution)和特征空洞金字塔模块(Feature Pyramid Dilated Convolution)融入SSD中,提升了网络浅层特征层的语义信息,提高了深层特征层的感受野和特征提取能力,构建了新型网络结构Pyramid Dilated SSD(PDSSD)。实验结果表明,PDSSD在PASCAL-VOC数据集上的检测mAP(Mean Average Precision)值高达82.1%,检测精度和小目标检测能力明显高于SSD,并且网络训练速度和mAP值领先于其他主流算法。     

基于多尺度小波的Roberts边缘检测法

在Roberts交叉梯度算子边缘检测框架基础上,提出一种小波增强的多尺度边缘检测方法,对不同尺度下的小波变换子图像,通过Roberts梯度算子对各子图像进行空间一次微分,得到对应尺度上的边缘图像,各尺度下边缘图像通过小波重构、融合及差影运算得到最终的边缘图像。实验结果表明,该算法实现简单,能有效地抑制噪声,补偿弱边缘,可以有效获取多个尺度下的边缘信息,对边缘信息定位精度高,是一种可行、有效的图像边缘检测的方法。     

基于改进的混合高斯模型的目标检测

混合高斯模型已经广泛应用于背景建模中,但是结果受到噪音的干扰和光照突变的影响。为了解决这个问题,将Stauffer的混合高斯模型进行改进,当帧间差分判断出场景变化时,每个像素点的学习率会随着变化。由于边缘图像受到噪音干扰小,将这种改进的混合高斯模型也应用在边缘图像中,来提取边缘前景。边缘前景膨胀后,通过原图像的前景和边缘前景的与运算,得到最后的结果。实验结果表明,可以很好地去除噪音和解决光照突变的影响,提高了目标检测的效果,比传统方法更加有效。     

基于遗传算法的虚拟物体变形研究

为缩短工艺构思的时间,增加构思的效率,通过虚拟物体变形进行工艺设计构思.采用基于遗传算法实现虚拟物体的变形.应用数学模式搭配遗传算法演变造型的方法产生了特殊的效果,不仅可给予设计者以更多的思考空间,而且增加了设计人员进行构思时的思考方向.     

基于Surendra背景减除法和四帧差分法的目标检测算法

研究监控环境下的运动目标检测算法,提出一种新的运动目标检测算法。利用四帧差分算法将连续四帧两两差分得到运动区域,与Surendra背景减除法确定的运动目标相结合,采用动态阈值以适应光线突变,通过连通性检测和孔洞填充进行后处理,综合得到运动区域图像。实验结果表明,该算法有效地去除了噪声、空洞及双影等现象,具有较好的实时性和鲁棒性。既能精确地检测出运动目标,又能迅速响应实际场景的变化。     

基于天空分割的去雾算法在目标检测中的应用

针对道路目标检测的准确率受雾霾环境影响的问题,提出一种基于雾检测与天空分割的自适应去雾算法。提取道路环境中的雾检测区域并对其进行通道相关性以及亮度和饱和度比值的计算,以判别场景类别;对图像进行天空非天空区域的分割并对不同区域建立去雾模型,用于自适应去雾;将恢复后的图像应用到道路目标检测算法中,进行去雾效果验证和道路目标检测。实验结果表明,该算法提高了雾霾环境下目标检测的准确率。     

基于对抗网络与卷积神经网络的目标检测方法

在目标检测方法中,通过使用具有不同遮挡程度的数据集进行训练,能够提升目标检测算法对遮挡的不变性,但现实生活中的数据集往往存在长尾效应。因此提出一种基于对抗网络与卷积神经网络的目标检测方法。通过对抗网络在输入数据上进行计算得到不同遮挡程度的样本,使用Faster RCNN算法进行训练提升遮挡不变性,以此提高算法检测精度。实验结果表明,该方法与Faster RCNN相比,在VOC 2007数据集上平均精度提升了2.2个百分点,在VOC 2007和VOC 2012联合数据集上平均精度提升了1.3个百分点。     

基于目标中心定位和NMI特征的跟踪算法

实时目标跟踪过程中,为提高跟踪精度,要求跟踪的窗口也要实时的随着目标大小的变化而变化。以Mean shift算法为基础,根据概率检测法定位目标在各帧图像中的中心点,提出了一种自适应更新窗口的算法。同时结合归一化转动惯量NMI对目标进行识别,实时定位中心标示的对象。实验结果表明,该方法能在目标尺寸放大或缩小时选择合适的跟踪窗口,而且具有较强的跟踪抗干扰性。     

基于SIFT特征度量的Mean Shift目标跟踪算法

传统的Mean Shift算法,在诸如跟踪目标出现尺度变化、旋转、噪声干扰等复杂情况下,无法得到准确的跟踪结果。提出了一种基于尺度不变特征变换SIFT(Scale Invariant Feature Transform)特征度量的Mean Shift目标跟踪算法,首先根据SIFT算子计算跟踪目标附近的关键点位置和尺度,并获取该尺度空间下关键点邻域的特征向量,然后用跟踪目标区域内的特征向量的模值-方向分布直方图表示该目标,最后使用Mean Shift算法进行跟踪。实验结果表明,该算法在跟踪目标出现尺度变化、旋转、噪声干扰和遮挡等情况下能够准确地跟踪物体,鲁棒性好。     

基于自适应形态学边缘检测的时频检测算法

针对通信对抗中跳频信号的检测问题,提出一种基于自适应形态学边缘检测的时频检测算法。该算法把跳频信号的时频谱图SP(Spectrogram)视作一幅图像,首先利用多尺度结构元素对其滤波,再根据图像边缘方向自动选择相应方向的结构元素进行边缘检测,最后通过与设定的阈值比较判决跳频信号是否存在。仿真结果表明,此算法可以有效去除噪声和干扰信号,增强跳频检测系统鲁棒性、提高检测效率。