基于分组异构卷积的轻量级目标检测网络

目前的目标检测模型存在参数量多、模型体积大及检测速度慢的缺点,不能在实时场景下应用。例如,对于自动驾驶技术,不仅需要精准的检测来保障安全,还需要实现快速检测以保证车辆的实时决策。针对以上问题,提出了一种端对端的轻量级目标检测网络FGHDet。首先,针对异构卷积HetConv逐通道卷积效率低的问题,对特征图进行分组,提出了分组异构卷积GHConv(Grouping Heterogeneous Convolution);其次,将GHConv和Fire Module组合,构建了基础模块FGH Module;最后,以FGH Mdolue为基础,搭建了端对端的轻量级目标检测网络FGHDet。FGHDet主要通过两种方法来减少参数量:1)使用1×1的卷积对特征图进行降维,减少3×3滤波器的输入通道数量;2)使用GHConv替换传统的卷积核。以KITTI数据集为实验数据,在深度学习框架Keras上完成了模型的训练和评估。实验结果表明,FGHDet在KITTI数据集上的mAP可以达到74.4%,高于Faster R-CNN的70.8%;模型检测速度为28.7 FPS,优于对比模型中最快的SqueezeDet;而且该模型的大小仅为2.6 MB,是Faster R-CNN模型体积的1/200。     

改进的SSD算法及其在目标检测中的应用

针对以R-CNN展开的目标检测速度慢,传统的SSD算法在检测小目标精度不高的问题,提出一种改进的SSD算法.该算法提出轻量级网络融合+层级特征融合构建新的金字塔特征层来解决SSD对小目标识别率低的问题.将卷积前后的特征进行轻量级网络融合,形成新的金字塔特征层,对形成的特征层进行层级特征融合,形成最终的金字塔特征层,在最终的金字塔特征层上执行目标检测任务.在PASCAL-VOC2007的训练集和验证集上训练该算法,并在VOC2007测试集上测试该算法对小目标检测的有效性,检测速度达到81.5帧/s,与传统SSD算法相比,mAP提升了0.078.     

改进SSD算法及其在地铁安检中的应用

针对传统SSD算法在检测小目标时容易漏检且检测精度不高的问题,提出一种改进算法。对SSD算法中各尺度特征进行尺寸大小不变的卷积操作,将卷积前后对应的特征进行轻量级网络融合,从而生成新的金字塔特征层,并加入基于残差模块的检测单元避免增加网络模型容量和运算复杂度,同时增强对小尺度目标的检测能力。基于PASCAL-VOC2007小目标数据集的实验结果表明,与传统SSD、YOLOv3、Faster RCNN等算法相比,在PASCAL-VOC2007小目标数据集中,该算法的mAP指标较传统SSD算法提高8.5%,较Faster RCNN算法提高3.9%,较YOLOv3提高2%,FPS达到83 frame/s,其检测地铁安检图片的mAP达到77.8%。     

基于空间特征选择的水下目标检测方法

针对传统目标检测方法在水下识别任务中误检率较高的问题，基于一阶段全卷积检测器(FCOS)引入多尺度特征选择及中心边界特征选择，实现高精度水下目标检测。模型中的自适应加权融合特征金字塔通过设置可学习权重加权融合所有的特征层级，实现多尺度空间特征选择。此外，为了处理检测中分类和回归任务之间的特征耦合问题，并分离不同任务之间的共享特征，设计了基于空间特征解耦的检测头，实现了中心和边界区域的特征选择。实验中，针对水下数据集URPC2018和UWD2021进行性能测试，并与先进的目标检测方法进行对比。大量的实验结果表明，基于空间特征选择的FCOS模型在水下检测任务中展现出优异的性能，在URPC2018和UWD2021上的类平均精度(mean Average Precision，mAP)分别为82.7%和83.3%。     

基于稠密卷积神经网络的烟雾识别方法

针对传统烟雾检测方法中提取的图像特征鲁棒性较差的问题,提出了基于稠密卷积神经网络(DenseNet)的烟雾识别方法。首先,利用卷积操作和特征图融合构建稠密网络块,在卷积层之间设计稠密连接机制,以增强稠密网络块结构内的信息流通和特征重利用;然后,将已构建的稠密网络块叠加成稠密卷积神经网络用于烟雾识别,节省计算资源的同时提升对烟雾图像特征的表达能力;最后,针对烟雾图像数据量较小的问题,采取数据增强技术进一步改善训练模型的识别能力。在公开烟雾数据集上对提出的方法进行实验验证,实验结果表明,所提方法的模型大小只有0.44 MB,在两个测试集上的准确率分别为96.20%和96.81%。     

基于改进Faster R-CNN的小目标检测算法

针对图像纹理细节等高频特征在基于卷积神经网络模型的特征提取过程中丢失，从而导致小目标检测效果较差的问题，提出一种多层频域特征融合的目标检测算法。算法以Faster R-CNN为基础框架，使用高频增强后的图像和对比度增强后的图像作为算法输入样本，提高了待检测图像质量；针对总像素面积较小的目标，更改RPN网络中的锚点尺度，并利用多尺度卷积特征融合的方法，融合来自不同特征层的特征，解决了小目标在深层特征图中特征信息丢失的问题。实验结果表明，所提算法在DAGM 2007数据集上具有良好的性能，平均精度均值mAP达到了97.9%,在PASCAL VOC 2007测试集上对小目标的mAP也明显优于原始Faster R-CNN的。     

基于可变形卷积技术的街景图像语义分割算法

目前图像语义分割算法中可能会出现分割图像的不连续与细尺度目标丢失的缺陷,故提出可变形卷积融合增强图像的语义分割算法。算法集HRNet网络框架、Xception Module以及可变形的卷积于一体,用轻量级Xception Module优化HRNet原先存在的Bottleneck模块,同时在网络的第一阶段串联融合可变形卷积,通过建立轻量级融合加强网络从而增强针对细尺度目标特征物的辨识精度,从而使得该轻量级融合增强网络在粗尺度目标物被分割时取得相对多的细尺度目标的语义特征信息,进一步缓解语义分割图像的不连续与细尺度的目标丢失。使用Cityscapes数据集,实验结果可以说明,优化后的算法对于细尺度目标分割精度得到了显著的增强,同时解决了图像语义分割导致的分割不连续的问题。然后进行实验使用的是公开数据集PASCAL VOC 2012,实验进一步的验证了优化算法的鲁棒性以及泛化能力。     

基于多速率空洞卷积的多尺度水下小目标检测

水下场景成像条件复杂、小目标的分辨率低且信息量少而难以提取有效的特征信息，导致水下小目标检测识别率低并且虚警率高。针对该问题，提出一种基于多速率空洞卷积的多尺度水下小目标检测方法。使用主干网络模型DarkNet53进行特征提取得到高层语义信息，采用多速率空洞卷积模块扩大网络的感受野，通过调整扩张率在更大像素范围内获取特征信息，并添加残差结构保证小目标定位的详细信息。为恢复小目标的分辨率，利用反卷积模块对图像细节进行重建，在不同分辨率的特征图上学习细节特征。在此基础上，通过特征金字塔结构将更丰富的多尺度上下文信息引入反卷积层，使多个层次的特征跨尺度学习以增强小目标的定位和分类，并对特征融合后的每一层输出进行特征整合和筛选，得到最终的预测结果。实验结果表明，该方法在Pascal VOC2007和URPC2018公共数据集上分别取得了82.6%和81.5%的mAP，在检测速度上分别达到34.4和34.2帧/s，能够在保证实时检测的基础上有效增强水下小目标的检测能力。     

基于改进拆分注意力网络的目标检测算法

当前,以卷积神经网络为基础的目标检测算法大多存在缺少对有价值的上下文信息的合理利用以及易对困难目标漏检等问题。针对这些问题,提出了一种基于改进拆分注意力网络的目标检测算法。首先,引入拆分注意力机制,将多通道结构与注意力机制相结合,提升其特征表示。然后,在网络的卷积层中使用多尺度卷积取代传统的卷积操作,增强了神经网络对尺度变化的敏感性。最后,将改进的网络应用于Faster R-CNN中,并在Pascal VOC数据集和MS COCO数据集上进行实验。所提算法在不增加超参数量及计算复杂度的情况下,其mAP相较于原始算法分别提升了1.6%和2.4%,且对比其他算法也有所优势,验证了所提算法的良好性能。     

融合卷积通道注意力的遥感图像目标检测方法

针对遥感目标检测中,目标分布不均匀、排列杂乱、大长宽比和尺寸变化剧烈等导致目标定位困难的问题,提出了一种融合卷积通道注意力的旋转目标检测方法。基于k-means进行改进,设计了在最优解下增加聚类簇之间距离的锚框设计方法;基于YOLOv5进行改进,设计融合卷积通道注意力的网络模型,增强主干网络传达给特征金字塔顶层和底层的语义和定位特征;设计包含覆盖面积、中心点距离、宽高比和角度损失四种要素的目标框损失函数;优化YOLOv5的目标框宽高回归函数,自适应生成回归预测范围。实验在两个遥感公共数据集UCAS-AOD和HRSC2016上分别与5种具有代表性的方法进行比较,在UCAS-AOD数据集上,平均精度mAP达到了95.9%,相比于CSL方法,mAP提升了0.8个百分点;在HRSC2016数据集上,平均精度mAP达到了96.3%,速度FPS达到了77.5,相比于R3Det方法,mAP提升了0.3个百分点,FPS提升了5.46倍。实验结果表明,方法的整体性能超过了近年来一些代表性的方法,在两个遥感数据集中验证了方法的有效性。     

改进目标检测算法在变电站内安全管控的应用

变电站作为电力系统中重要一环,保证变电站作业人员的安全是至关重要的。为了自动检测作业人员是否正确穿着工作服佩戴安全帽,提出一种基于Transformer自注意力编码特征融合轻量级的目标检测网络。通过采用轻量级的主干网络提取特征,注意力机制融合多尺度特征。提出了质量焦点损失方法,改善目标检测模型训练和测试阶段推理过程不一致问题。同时,采集并标注变电站场景下人员工作服安全帽数据5?200张。将提出的轻量级目标模型在自制的工作服安全帽数据集上训练,并在测试集上验证,该目标检测方法识别mAP达44.6%,AP50达79.5%,达到117 FPS。     

轻量级目标识别深度神经网络及其应用

针对当前一些主流的深度神经网络模型旨在追求准确率的提升,而忽略了模型的实时性及模型大小问题,提出了一种轻量级目标识别深度神经网络。基于深度分离卷积、分组卷积等轻量化的高效卷积方式,设计了用于图像特征提取的不变分辨率卷积模块和下采样模块,并依此构建了深度主干网络,并对网络进行了减枝。在创建的数据集上对视觉感知的目标识别模型进行了实验验证,获得了72.7%的mAP,在NVIDIA 1080Ti GPU上推理速度达到66.7 帧/s。     

融入特征融合与特征增强的SSD目标检测

针对SSD算法在目标检测过程中对小目标检测的不足,提出了一种基于SSD算法的一阶段目标检测器——FIENet（feature integration and feature enhancement network）。在FIENet中设计了两个模块,一是特征融合模块,该模块对SSD浅层的特征映射信息进行融合以提高小目标检测能力;二是特征增强模块,该模块采用了残差网络（Res2Net）以及注意力机制（attention）,对特征融合后的模块以及SSD中的深层特征映射进行增强。为了更好地检测小目标,还调整了浅层特征映射先验框的数量。为了评价FIENet的有效性,在PASCAL VOC2007以及MSCOCO数据集上进行了实验。实验结果表明,在PASCAL VOC2007数据集上检测精度（mAP）较SSD提高3.1个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了3.6、9.5、5.4、5.5个百分点。在COCO数据集上达到29.4%的检测精度（mAP）。实验结果证明FIENet网络在保持实时性的同时可以达到较高的检测精度。     

基于卷积特征融合的通用目标检测方法

针对现有目标检测算法在检测时易受到图像尺度变化、目标间遮挡或截断等因素影响的问题,对卷积神经网络（convolutional neural network,CNN）中不同层次的特征进行了研究,提出了一种融合深度网络卷积特征的目标检测算法。算法采用多阶段的特征复用和特征融合减少特征间相关性的损失,最终在PASCAL VOC 2007测试数据集上达到了84.21%的mAP （mean average precison,平均精度均值）值;与未使用特征融合方法以及使用传统特征融合的方法相比,提出的方法分别提高了4.41%和2.71%。     

改进YOLOv4在遥感飞机目标检测中的应用研究

针对遥感图像中飞机目标检测精度低、检测速度慢、背景复杂等问题,提出了一种基于深度学习的改进YOLOv4目标检测算法。改进YOLOv4的主干特征提取网络,保留高分辨率的特征层,去除了用于检测大目标的特征层,减少语义丢失。在卷积神经网络中使用DenseNet（密集连接网络）加强对飞机目标的特征提取,减少梯度消失问题。对数据集使用[K]-means算法得到效果最佳的先验框数量和尺寸。在RSOD（Remote Sensing Object Detection）数据集和DIOR（Detection In Optical Remote sensing images）数据集上的实验表明,该算法满足实时性的需求,且该算法的精确度达到95.4%,较原算法提升了0.3个百分点;召回率达到86.04%,提升了4.68个百分点;mAP值达到85.52%,提升了5.27个百分点。     

改进YOLOv7的水下目标检测算法

水下目标检测是海洋探测开发过程中一项具有挑战性的任务。针对现有的水下目标检测算法由于水下图像的低可见度和颜色失真等问题导致水下目标检测效果不佳的问题,提出了一种改进YOLOv7的水下目标检测算法,旨在提升水下目标检测性能。设计了一种多信息流融合注意力机制（spatial group-wise coordinated competitive attention,SGCA）,解决卷积过程中由于图像全局上下文信息丢失而导致特征丢失的问题,提高了模型在图像模糊情况下的检测精度;并利用switchable atrous convolution(SAConv)模块替换ELAN结构中的3×3卷积模块,以增强骨干网络的特征提取能力。在预测部分采用Wise-IoU作为损失函数,Wise-IoU通过平衡不同质量图像上的模型训练结果,获得更准确的检测结果。采用基于暗通道先验（dark channel prior,DCP）和深度传输图的水下图像增强方法对水下数据集图像进行增强。实验结果表明,改进后的算法在自建的水下目标检测数据集上mAP取得了87.3%,与原始的YOLOv7算法相比较,mAP提高了3.4个百分...     

基于改进Yolov5s的输电线路防外力破坏行为检测识别

电力系统的安全对于整个能源传输过程至关重要。针对输电线路下超大工程车辆和烟火为主要的外力破坏行为,对单阶段目标检测算法YOLOv5s进行改进,首先针对输电线路多雨雾烟尘等工作环境,引入限制对比度自适应直方图均衡算法CLAHE对图片进行去雾处理,提升图片对比度;针对检测目标距离较远的问题,在YOLOv5s网络的基础上添加CA注意力机制,提升了模型对目标的定位能力;将原网络中的最邻近差值采样方式替换为轻量级通用上采样算子CARAFE,更好地捕捉特征图的同时引入较小的参数量;最后在网络的特征融合层,使用具有通道混洗思想的GSConv卷积模块代替标准卷积模块,减小模型参数量,再利用slim_neck特征融合结构,强化目标关注度,达到减小模型参数量同时提升检测精度的效果。实验结果表明：改进后的YOLOv5s网络,mAP提升了4.4%,参数量减小了3.4%,权重模型内存减小了2.7%,证明了算法的有效性。     

基于软标签和样本权重优化的Anchor Free目标检测算法

与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能。针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率。为证明所提方法的有效性,分别在经典的Pascal VOC数据集和MS COCO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mAP提升至82.16%(提升约1.31%),在MS COCO数据集上的AP_50-95提升至35.8%(提升约1.3%)。     

面向嵌入式除草机器人的玉米田间杂草识别方法

为了实现嵌入式除草机器人在玉米田间准确、快速的进行除草工作,提出了一种实时目标检测算法GBCYOLOv5s。使用1×1卷积和深度可分离卷积的组合替代普通卷积,在不改变输出特征图大小的情况下减少主干网络产生的杂草冗余特征。设计了一种双向特征融合网络（S-BiFPN）增强特征提取能力,充分利用不同尺度的特征提高杂草检测速度,并将多通道结构与自注意力机制结合,通过对输入特征进行压缩与再加权,以加强对小目标的关注度。针对不同的环境构建MWeed数据集进行测试,结果表明,与现有Yolov5s、Faster RCNN等模型方法相比,GBC-YOLOv5s模型轻量化后的大小仅为3.3 MB,输入图像的检测耗时（GPU）达到15.6 ms,平均精度（mAP）达到96.3%,能够有效地提升目标检测速度和识别精度,为农业智能除草领域提供理论依据。     

改进YOLOv5的织物疵点检测算法

针对目前应用到织物疵点检测的网络模型中存在的两阶段算法检测速度慢、一阶段算法检测精度低的问题，提出了一种改进YOLOv5的织物疵点检测算法。针对织物疵点大小不一的问题，对K-mean算法的聚类距离标准进行修改，重新计算先验框大小；对网络Neck层标准卷积（standard convolution,SC）进行改进，将深度分离卷积（depth separation convolution,DSC）与标准卷积结合，减少网络层参数量，同时保持网络的特征提取能力；在特征融合阶段引入坐标注意力机制（coordinate attention,CA），使网络能够捕捉各通道之间联系的同时保留目标的精确定位信息，加强网络的特征提取和定位能力；使用加权双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）中的方法，对特征金字塔模块进行修改，实现简单快速的多尺度特征融合。在数据集上进行训练，结果表明，改进的YOLOv5模型的mAP值可达到97.4%，相比于原网络精度提高了2.8个百分点，满足了织物疵点检测的要求。