基于改进CenterNet的水下目标检测算法

针对常规目标检测器检测水下目标时存在特征提取困难、目标漏检等问题,提出一种改进CenterNet的水下目标检测算法。首先,使用高分辨率人体姿态估计网络HRNet代替CenterNet模型中的Hourglass-104骨干网络,降低模型参数量,提升网络推理速度;其次,引入瓶颈注意力模块,在空间维度及通道维度进行特征增强,使网络关注重要目标特征信息,提高检测精度;最后,构建特征融合模块,融合网络内部丰富的语义信息和空间位置信息,并利用感受野模块增强融合后的特征,提高网络多尺度目标检测能力。在URPU水下目标检测数据集上进行实验,与CenterNet相比,所提算法的检测精度可达77.4%,提升1.5个百分点,检测速度为7 frame/s,提升35.6%,参数量为30.4 MB,压缩84.1%,同时与其他主流目标检测算法相比具有更高的检测精度,在水下目标检测任务上更具优势。     

多层级特征优化融合的遥感图像分割网络

为了从高分辨率遥感图像中准确地分割出地物目标，提出了一种多级特征优化融合的遥感图像分割网络（MRFNet），着重将特征提取骨架网络中不同层级的特征图进行融合，通过融合网络特征图中不同种类的信息来对输出特征图信息进行合理有效的提取和分析。同时使用了逐层的多尺度编码解码模块来细化与高层特征图进行融合的浅层特征图，将不同种类的信息经过优化以后汇聚到高层特征图。然后采用空洞卷积金字塔对高层特征图提取不同感受野的信息，优化了语义分割的输出特征图。通过在ISPRS Vaihingen数据集上进行实验，该网络算法的总体精度达到了90.34%，与经典语义分割网络相比，有效提升了遥感图像目标的检测精度。同时为了证明算法的泛化性，在ISPRS Potsdam数据集上进行了泛化实验取得了91.47%的总体精度，证明了该算法的有效性。     

一种基于Attention-YOLOv3的海面舰船目标检测的方法

近年来，基于深度学习的视觉检测方法在海面舰船目标检测领域中的应用愈加广泛。为了解决传统视觉检测方法检测精度不高，对小目标检测效果不好的问题，提出了一种基于Attention-YOLOv3的海面舰船目标检测方法，有效提高了对舰船目标的检测性能。在对主流的One-stage与Two-stage模型结构及特点的调研分析的基础上，利用YOLOv3的特征提取网络Darknet-53来获取图像特征，通过特征金字塔网络（FPN）网络结构融合特征提取网络中深浅层的语义信息，并添加注意力机制模块来进一步优化网络性能。将改进后的Attention-YOLOv3模型应用到海面舰船检测场景中进行验证，基于搜集到的舰船目标制作成COCO格式的数据集进行训练，使用包含海面舰船目标的图片作为测试集进行测试。实验结果表明，改进后的Attention-YOLOv3网络对比原检测网络模型，解决了小目标检测不敏感的问题，达到了更高的检测效果。     

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。     

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...     

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。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

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.     

基于两阶段的机器人动态多物品定位抓取方法

为解决工厂流水线上不同种类动态物品的快速精准抓取问题，提出一种两阶段动态多物品定位抓取方法。第1阶段采用所提多尺度上下文感知的单分支融合语义分割网络获取目标物品的掩码区域：首先特征提取网络采用单分支结构，在保证提取丰富的空间信息和高层语义信息的同时，减小网络参数量；随后特征融合网络通过双边引导特征融合模块增强空间信息和语义信息的表达能力；最后设计特征增强网络，通过特征辅助收敛模块嵌入浅层和深层网络中，加快网络收敛速度。第2阶段采用基于轮廓点检测的快速位姿估计策略在掩码区域预测最佳抓取点位姿。在自建数据集上的测试及流水线平台抓取实验结果表明，所提方法能实时检测和预测物品抓取点位姿，精准完成物品抓取，其分割精度、预测时间和抓取成功率均优于对比方法。     

融合视觉机制和多尺度特征的小目标检测算法

针对SSD(Single Shot MultiBox Detector)目标检测算法对小目标检测能力不足的问题,提出一种引入视觉机制和多尺度语义信息融合的VFF-SSD(Vision Feature Fusion SSD)改进算法。为了增大浅层网络的感受野提高特征提取能力,首先在SSD浅层特征层中加入视觉机制,然后利用改进PANet(Path Aggregation Network)多尺度特征融合网络与深层特征增强网络得到新的特征层,旨在增强浅层网络的语义信息并加强深层特征的特征表达能力,最后应用注意力机制模块提高对重要信息的学习能力。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到81.1%,对数据集中小目标的mAP值较原SSD提高了6.6%。     

基于光照感知权重融合的多模态行人检测算法

针对现有利用可见光与红外模态融合的行人目标检测算法在全天候环境下漏检率高的问题，提出一种基于光照感知权重融合的多模态行人目标检测算法。首先，使用引入高效通道注意力（ECA）机制模块的ResNet50作为特征提取网络，分别提取两个模态的特征；其次，对现有光照加权感知融合策略进行改进，通过设计一种新的光照感知加权融合机制获取可见光与红外模态的对应权重，并进行加权融合得到融合特征，从而降低算法的检测漏检率；最后，将从特征网络最后一层提取的多模态特征和生成的融合特征共同送入到检测网络，完成行人目标检测。实验结果表明，所提算法在KAIST数据集下具有良好的检测性能，在全天候下对行人目标的检测漏检率为11.16%。     

基于改进的SSD监理目标检测研究

针对装饰装修工程中由人工验收带来的诸多问题,文中提出了一种改进的SSD算法并将其应用于监理工作来代替人工验收,推动智能监理的实现。由于SSD算法存在对同一目标复检以及小目标检测效果欠佳等问题,故文中利用DPN网络替换基础特征提取网络VGG16。DPN结合了Resnet和Densenet的优点,具有更好的特征提取能力。通过加权FPN融合特征图,突出不同层特征图的贡献,丰富用于预测的特征图语义。利用深度可分离卷积降低模型的参数量,提高算法的推理速度。实验对比发现,改进后模型的平均精度提升了3.47%,对小数目检测平均精度的提升可达15%,证明新模型在监理目标检测任务中效果良好。     

基于注意力机制的复杂背景下红外弱小目标检测方法研究

针对复杂场景下红外图像中弱小目标像素占比少、特征细节不明显致使目标特征提取困难、检测准确率低的问题，提出了一种基于注意力机制的复杂背景下红外弱小目标检测方法。该方法以YOLOv5网络为基础，设计SimAMC3注意力机制模块，优化网络的特征提取层；设计目标检测头，通过增加特征融合层来改变其开始进行特征提取的深度，获得新的弱小目标检测层，使浅层特征层更好地保留弱小目标的空间信息；改进预测框筛选方式，提高距离相近或重叠目标的检测精度。实验选取了两个SIRST红外弱小目标图像数据集，对其进行标注并训练。实验结果表明，改进后的算法与原YOLOv5算法相比，平均精度均值（mAP）分别提升了4.8%和7.1%，在不同复杂背景下均可有效检测出红外弱小目标，体现了良好的鲁棒性和适应性，可以有效应用于复杂背景中的红外弱小目标检测。     

基于Transformer的航空目标检测算法

近几年，基于深度学习的目标检测算法在航空图像检测任务中得到了广泛应用。针对传统水平目标检测算法无法定位航空图像中大量密集排列的倾斜目标问题，提出了TF-BBAVectors模型算法来实现航空图像中倾斜目标的检测任务。为了避免深度卷积神经网络(Deep Convolutional Neural Network, DCNN)带来的网络退化等问题，使用Transformer结构搭建特征提取网络；针对密集的、小尺度图像目标的问题，采用多尺度特征融合的方法提升检测效果；针对倾斜目标检测的问题，通过边界框边缘感知向量表示任意角度的倾斜目标。在DOTA1.0和SSDD+数据集上的部分测试结果表明，此方法的平均精度分别为72.39%和79.98%,证明了TF-BBAVectors模型算法的有效性。     

基于双分支特征融合的无锚框目标检测算法

针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法。在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理。同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样。其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力。最后,采用拼接和卷积操作对两个分支的特征进行融合。实验结果表明,在公开数据集PASCAL VOC上的检测精度为82.3%,比CenterNet算法提高了3.6%,在KITTI数据集上精度领先其6%,检测速度均满足实时性要求。该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能。     

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。     

样本限制场景下金属板带材表面缺陷分类研究

深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加 ,针对较小样 本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁 移学习结合提出 了一种融合多层次缺陷特征的图像分类算法。该算法采用残差网络模块逐层提取金属表面缺 陷特征,获得丰 富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终 分类结果,同时 对特征提取网络进行迁移学习,增加网络泛化能力,优化分类精度。利用钢带表面缺陷检测 数据集评估本文 算法性能,实验结果表明,提出的算法具有较好的分类效果,优于其他缺陷分类算法,分类 准确率可达到 99.07%,同时本文所提算法具有良好的抗噪性和泛化性,在金属板带材表面缺陷智能检测中 具有较好的应用价值。     

基于可变形残差卷积与伸缩式特征金字塔算法的PCB缺陷检测

近年来深度学习技术在印刷电路板（Printed Circust Boord,PCB）缺陷检测上已获得快速进步,但现有算法针对PCB图像中多尺度高密度微小缺陷目标,如何精准高效地提取特征,提高检测精度及速度依然存在巨大挑战。提出了一种可变形残差卷积与伸缩式特征金字塔的PCB缺陷检测算法。在Faster RCNN的基础上,通过引入可变形残差卷积模块替换原始VGG16网络进行通道关系校准,提高算法对复杂缺陷目标特征的语义获取能力;利用一种伸缩式改进的特征金字塔NAS-FPN网络与原区域建议RPN网络融合,以改善算法对多尺度微小缺陷目标的识别能力;结合IoU Loss、Matrix NMS等tricks组合综合优化网络的检测精度及速度。通过实验,相比原始Faster RCNN,检测精度从90.08%提升到99.41%,检测速率从4.08 frame/s提升到6.47 frame/s。该方法能实现检测精度及速度双高的PCB缺陷检测,具有一定的实际意义。     

基于样本选择的RGBD图像协同显著目标检测

协同显著目标检测的目的是在包含两张及以上相关图像的图像组中检测共同显著的物体。该文提出一种利用机器学习的方法对协同显著目标进行检测。首先,基于4个评分指标从图像组中选择部分显著目标易于检测的简单图像,构成简单图像集;接着,基于协同一致性的原则,从简单图像集中提取正负样本,并用深度学习模型提取的高维语义特征表示正负样本;再者,利用正负样本训练的协同显著分类器对图像中的超像素进行分类,得到协同显著目标区域;最后,经过一个平滑融合的操作,得到最终的协同显著图。在公开数据集上的测试结果表明,所提算法在检测精度和检测效率上优于目前的主流算法,并具有较强的鲁棒性。     

基于多阶段提议稀疏区域卷积网络的城市交通目标检测

针对城市交通场景多目标检测算法检测速度慢，检测精度低等问题，本文提出多阶段提议稀疏区域卷积网络算法（Multi-stage Proposal Sparse Region-based Convolutional Neural Network,MPS R-CNN）.算法主要有以下特点：提出了一种多阶段提议框过滤更新机制，提高算法检测精度；提出了一种双向并联特征金字塔网络（Bidirectional Parallel Feature Pyramid Network,BPFPN），增强了模型的特征融合能力；针对城市交通场景目标检测问题引入了CopyPaste数据增强方法和CIoU损失函数.实验结果显示，MPS R-CNN算法在Urban Object Dataset数据集上mAP达到了77%，算法检测速度保持在37 fps，优于目前其他城市交通场景目标检测算法.