基于改进YOLOv3的红外电力设备目标检测模型

为了实现红外电力设备图像的快速准确检测,在目标检测网络YOLOv3的基础上,提出了一个实时检测红外电力设备图像的轻量级目标检测模型,通过改进特征提取网络、加入轻量级注意力模块和改变特征层检测尺度等方式,提升模型的检测精度和速度。实验表明,本文中的方法相比于YOLOv3,在检测速度相近的同时,具有更高的检测精度,为电力设备红外图像智能检测提供了新的思路。     

融合注意力机制的多尺度红外目标检测

针对红外图像存在细节纹理特征差、对比度低、目标检测效果差等问题,基于YOLOv4(You Only Look Once version 4)架构提出了一种融合通道注意力机制的多尺度红外目标检测模型。该模型首先通过降低主干特征提取网络深度,减少了模型参数。其次,为补充浅层高分辨率特征信息,重新构建多尺度特征融合模块,提高了特征信息利用率。最后在多尺度加强特征图输出前,融入通道注意力机制,进一步提高红外特征提取能力,降低噪声干扰。实验结果表明,本文算法模型大小仅为YOLOv4的28.87%,对红外目标的检测精度得到了明显提升。     

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作,红外车辆检测技术旨在使用红外传感器来监测道路上的车辆,实现对车辆数量、车速等信息的收集与分析,该技术不仅可应用于路面车辆,还可应用于铁路、机场、港口等场景,为交通运输行业的安全和便捷提供了有效的技术支持。然而,由于红外图像成像原理的局限和外部环境的干扰,通常导致红外图像成像质量不理想,红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型,在YOLOv5的主干部分引入了混合注意力机制,使模型能够更好地关注研究者感兴趣的区域,抑制图像噪声的干扰。此外,在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构,融合更多的浅层信息,提高浅层信息利用率,并增加一个四分之一下采样的小目标检测层,同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验,验证了算法的有效可行性。与原始YOLOv5相比,m AP从81.1%提升到了85.3%。     

基于TA-YOLO的电力设备红外图像检测方法

为了更迅速准确地实现智能电力巡检,针对实际采集的电力设备红外图像有遮挡、分类不准确和特征提取不充分等问题,提出了一种基于TA-YOLO的新型电力设备红外图像检测方法.首先对采集的电力设备红外图像通过数据增强扩增,标注绝缘子、套管等7类电力设备制作标准数据集;其次,通过迁移学习的方法将经过可见光电力设备数据集预训练的卷积...     

基于YOLOv5s的改进实时红外小目标检测

针对红外图像分辨率低、背景复杂、目标细节特征缺失等问题,提出了一种基于YOLOv5s的改进实时红外小目标检测模型Infrared-YOLOv5s。在特征提取阶段,采用SPD-Conv进行下采样,将特征图切分为特征子图并按通道拼接,避免了多尺度特征提取过程中下采样导致的特征丢失情况,设计了一种基于空洞卷积的改进空间金字塔池化模块,通过对具有不同感受野的特征进行融合来提高特征提取能力;在特征融合阶段,引入由深到浅的注意力模块,将深层特征语义特征嵌入到浅层空间特征中,增强浅层特征的表达能力;在预测阶段,裁减了网络中针对大目标检测的特征提取层、融合层及预测层,降低模型大小的同时提高了实时性。首先通过消融实验验证了提出各模块的有效性,实验结果表明,改进模型在SIRST数据集上平均精度均值达到了95.4%,较原始YOLOv5s提高了2.3%,且模型大小降低了72.9%,仅为4.5 M,在Nvidia Xavier上推理速度达到28 f/s,利于实际的部署和应用。在Infrared-PV数据集上的迁移实验进一步验证了改进算法的有效性。提出的改进模型在提高红外图像小目标检测性能的同时,能够满足实时性要...     

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。     

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。     

针对遥感图像目标检测的改进YOLOv5s算法

针对遥感图像中背景复杂、小目标分布密集以及易受环境因素影响导致检测性能不佳的问题,提出一种改进的YOLOv5s目标检测算法。首先,通过设计一种混淆鉴别注意力机制（Confusion-Distinguishable Attention,CDA）来避免目标与背景之间的混淆,提高对目标信息的关注度,能够有效提升目标检测的准确性和健壮性。其次,在原结构的颈部添加小目标检测层,解决小目标分布紧密、漏检的现象,从而提高算法的多尺度目标检测性能。最后,在DOTA数据集中进行实验和验证。实验结果表明,所提算法能够明显提高遥感图像目标检测的平均准确率。     

基于DCS-YOLOv8模型的红外图像目标检测方法

针对低信噪比与复杂任务场景下,YOLOv8模型对红外遮挡目标和弱小目标检测能力不足的问题,提出了改进的DCS-YOLOv8模型（DCN＿C2f-CA-SIoU-YOLOv8）的目标检测方法。以YOLOv8框架为基础,主干网络构建了基于可变形卷积的轻量级DCN＿C2f(Deformable Convolution Network)模块,自适应调整网络的视觉感受野,提高目标多尺度特征表示能力。特征融合网络引入基于坐标注意力机制CA(Coordinate Attention)的模块,通过捕捉多目标空间位置依赖关系,提高目标的定位准确性。改进基于SIoU(Scylla IoU)的位置回归损失函数,实现预测框与真实框之间的相对位移方向匹配,加快模型收敛速度并提升检测与定位精度。实验结果表明,相较于YOLOv8-nsmlx系列模型,DCS-YOLOv8在FLIR、OTCBVS与VEDAI测试集上平均精度均值m AP@0.5平均提高了6.8%、0.6%、4.0%,分别达到86.5%、99.0%与75.6%。同时,模型的推理速度满足红外目标检测任务的实时性要求。     

红外图像中运动小目标的检测

通过对运动点目标的特性分析,讨论几种运动点目标的检测方法。     

Probe-based automatic target recognition in infrared imagery

A probe-based approach combined with image modeling is used to recognize targets in spatially resolved, single frame, forward looking infrared (FLIR) imagery. A probe is a simple mathematical function that operates locally on pixel values and produces an output that is directly usable by an algorithm. An empirical probability density function of the probe values is obtained from a local region of the image and used to estimate the probability that a target of known shape is present. Target shape information is obtained from three-dimensional (3-D) computer-aided design (CAD) models. Knowledge of the probe values along with probe probability density functions and target shape information allows the likelihood ratio between a target hypothesis and background hypothesis to be written. The generalized likelihood ratio test is then used to accept one of the target poses or to choose the background hypothesis. We present an image model for infrared images, the resulting recognition algorithm, and experimental results on three sets of real and synthetic FLIR imagery.     

红外偏振在目标探测识别中的研究进展

简要论述了红外偏振成像技术的特点及其优势,并分类讨论了红外偏振成像系统的结构;随后,重点介绍了红外偏振技术在国内外被应用于目标探测与识别方面的研究进展;最后,基于红外偏振技术的特性,提出了采用圆偏振光进行目标探测识别的概念。     

Automatic target detection and recognition in multiband imagery: aunified ML detection and estimation approach

Multispectral or hyperspectral sensors can facilitate automatic target detection and recognition in clutter since natural clutter from vegetation is characterized by a grey body, and man-made objects, compared with blackbody radiators, emit radiation more strongly at some wavelengths. Various types of data fusion of the spectral-spatial features contained in multiband imagery developed for detecting and recognizing low-contrast targets in clutter appear to have a common framework. A generalized hypothesis test on the observed data is formulated by partitioning the received bands into two groups. In one group, targets exhibit substantial coloring in their signatures but behave either like grey bodies or emit negligible radiant energy in the other group. This general observation about the data generalizes the data models used previously. A unified framework for these problems, which utilizes a maximum likelihood ratio approach to detection, is presented. Within this framework, a performance evaluation and a comparison of the various types of multiband detectors are conducted by finding the gain of the SNR needed for detection as well as the gain required for separability between the target classes used for recognition. Certain multiband detectors become special cases in this framework. The incremental gains in SNR and separability obtained by using what are called target-feature bands plus clutter-reference bands are studied. Certain essential parameters are defined that effect the gains in SNR and target separability.     

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。     

Model-based target recognition in pulsed ladar imagery

A pulsed ladar based object-recognition system with applications to automatic target recognition (ATR) is presented. The approach used is to fit the sensed range images to range templates extracted through a laser physics based simulation applied to geometric target models. A projection-based prescreener filters out more than 80% of candidate templates. For recognition, an M of N pixel matching scheme for internal shape matching is combined with a silhouette matching scheme. The system was trained on synthetic data obtained from the simulation, and has been blind tested on a data set containing real ladar images of military vehicles at various orientations and ranges. Successful blind testing on real imagery demonstrates the utility of synthetic imagery for training of recognizers operating on ladar imagery.     

基于向量机的红外小目标检测技术研究

针对红外序列图像中弱小目标检测问题,提出了用最小二乘向量机对原始红外图像中每一像素的局部区域作灰度曲面最佳拟合,在拟合曲面上进行灰度极大值像素点位置估计,实现目标的粗定位。真正的目标取决于中心点的灰度是否高于其邻域的平均灰度。并以径向基核函数为例推导出了极值点估计所需的二阶方向导数算子。对模拟和实际图像进行了小目标检测的实验验证。结果表明,基于支持向量机的小目标检测算法具有较强的适应性。     

Generalised-structure-tensor-based infrared small target detection

Infrared (IR) small target detection is a key technique in areas like space surveillance systems, early-warning systems and missile tracking systems etc. It is a challenging task to detect IR small targets under complex sky background because of cloud clutter. The conventional methods are usually based on clutter suppression, such as the 2D least mean square (TDLMS) adaptive filter [1], the 2D normalised LMS (TDNLMS) filter [2], the median subtraction filter [3], etc. In this Letter, we use the second conjugate symmetry derivative of a 2D Gaussian (SCSDTDG) to model the small target pattern based on the generalised structure tensor (GST). Experiments show that the proposed method is robust.     

红外与激光融合目标识别方法

针对自动目标识别需求,提出了一种激光与红外融合目标识别方法。首先分别对激光与红外两类单源数据分别提取小波矩和投影轮廓特征来表征目标;其次,将两类单源特征进行组合,并对组合后的特征进行约简。考虑到组合多个约简在进行分类时将产生互补信息,基于三种不同观点的约简提出了一种差异性组合分类器的构建方法,对约简后的激光和红外复合数据进行融合识别。最后,通过对激光与红外仿真数据的实验,验证了文中方法的有效性。     

仿射不变三角形在红外目标识别中的应用

红外目标识别主要存在以下两个问题：一是红外成像比较模糊,难以提取不变特征;二是红外图像信息含量小,不易发掘有效的描述方法。针对上述问题,提出了一种基于曲率尺度空间(Curvature Scale Space,CSS)角点的仿射不变三角形的检测方法,并利用优选参数的多尺度自卷积(Multi-scale Autoconvolution,MSA)对提取的三角形区域进行描述,最后进行特征匹配实现红外目标识别。实验表明：与其他方法比较,在各种图像变换中,本文方法对红外目标的识别优势显著。     

车载红外图像的行人检测与跟踪技术

针对车载红外图像的特点,采用基于区域估计的帧差法实现车载红外图像中的行人检测,再通过行人的几何特征和运动速率特征进行行人的识别,最后运用轮廓矩匹配算法进行行人的跟踪。实验结果表明所采用的方法具有较好的行人检测及跟踪效果。