基于雷达点云与图像数据的三维目标检测方法

在智能交通领域中,道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义.使用雷达点云和图像数据进行融合能够达到优势互补的效果,然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度,通常都采用两阶段网络,相比于单阶段网络运算速度较慢,而在实际应用中检测系统的速度是非常重要的.针对以上问题,在单阶段网络RetinaNet上进行改进,设计了一种三维目标实时检测方法,将三维锚框映射到点云和图像的特征图上,利用ROI池化,将锚框在特征图上裁剪出的区域转换成相同大小并融合,最终输出目标边界框的回归参数和类别,并且对锚框进行调整得到目标预测边界框.在KITTI数据集上进行的实验表明,所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法.     

特征图知识蒸馏引导的轻量化任意方向SAR舰船目标检测器

基于有向边界框的合成孔径雷达(SAR)舰船目标检测器能输出精准的边界框,但仍存在模型计算复杂度高、推理速度慢、存储消耗大等问题,导致其难以在星载平台上部署。基于此该文提出了结合特征图和检测头分支知识蒸馏的无锚框轻量化旋转检测方法。首先,结合目标的长宽比和方向角信息提出改进高斯核,使生成的热度图能更好地刻画目标形状。然后在检测器预测头部引入前景区域增强分支,使网络更关注前景特征且抑制背景杂波的干扰。在训练轻量化网络时,将像素点间的相似度构建为热度图蒸馏知识。为解决特征蒸馏中正负样本不平衡问题,将前景注意力区域作为掩模引导网络蒸馏与目标相关的特征。另外,该文提出全局语义模块对像素进行上下文信息建模,能够结合背景知识加强目标精确表征。基于HRSID数据集的实验结果表明所提方法在模型参数仅有9.07 M的轻量化条件下,mAP能达到80.71%,且检测帧率满足实时应用需求。      

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题,提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先,以Darknet19网络代替YOLOv3原始的Darknet53网络,并在特征学习时针对样本中不同MOA长宽比例,通过K-means聚类算法对MOA图像中的目标帧进行分析,重新聚类样本中心锚点框,得到合适的锚框数目和大小。最后,利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明,改进的YOLOv3模型识别精度达到96.3%,识别速度为6.75 ms。     

基于改进YOLOv3的避雷器红外图像故障检测方法

针对现有的金属氧化物避雷器（Metal Oxide Arrester,MOA）红外图像故障检测方法存在识别精度低、检测速度较慢的问题，提出一种基于改进YOLOv3的MOA红外图像故障检测方法。首先，以Darknet19网络代替YOLOv3原始的Darknet53网络，并在特征学习时针对样本中不同MOA长宽比例，通过K-means聚类算法对MOA图像中的目标帧进行分析，重新聚类样本中心锚点框，得到合适的锚框数目和大小。最后，利用改进YOLOv3模型完成MOA红外图像故障检测。实验结果表明，改进的YOLOv3模型识别精度达到96.3%，识别速度为6.75 ms。     

基于改进CenterNet的航拍图像目标检测算法

为提高航拍图像目标检测精度以及检测速度,提出了基于自适应阈值的改进CenterNet航拍图像目标检测算法.以目标的中心点作为关键点代替锚框进行分类和边界回归,设计自适应阈值预测分支对预处理结果进行筛选优化.同时设计了编码-解码结构的主干网络,通过可变形空洞卷积结构以及基于注意力机制的卷积连接结构,将浅层空间信息以及深层语义信息进行有效提取以及特征融合,提升了输出特征图质量.并通过结构化信息丢弃和利用误检、漏检目标构建新样本的方法实现数据增强,降低误检率及漏检率.在公开数据集NWPU VHR-10上进行实验,结果表明,与基于ResNet-50的CenterNet相比,本文算法的平均精度均值提升5.17％,交并比为0.50和0.75的平均精度分别提升了3.57％和3.61％,检测速度达45 frame·s-1,取得了良好的检测精度和实时性的平衡.     

基于自适应聚焦CRIoU损失的目标检测算法

在目标检测任务中，传统的边界框回归损失函数所回归的内容与评价标准IoU(Intersection over Union)之间存在不相关性，并且对于边界框的回归属性存在一定不合理性，使得回归属性不完整，降低了检测精度和收敛速度，甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况，大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式；其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项，并且将改进的IoU损失应用到非极大值抑制（Non-Maximum Suppression,NMS）处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项，确定CRIoU(Complete Relativity IoU,CRIoU)损失函数。最后在CRIoU的基础上加入自适应加权因子，对高质量样本的回归损失加权，定义了自适应聚焦CRIoU(Adaptive focal CRIoU,AF-CRIoU)。实验结果表明，使用AF-CRIoU损...     

基于改进YOLOv4模型的脊柱磁共振成像影像检测

针对脊柱解剖结构较为复杂的问题，提出一种用于脊柱磁共振成像影像检测的YOLOv4-disc算法。首先，针对真实病例样本数量较少的问题，使用限制对比度的自适应直方图均衡（CLAHE）数据增强方法提高模型的泛化能力。然后，使用K-means算法对数据集中真实框的尺寸进行聚类，得到合适的锚框尺寸并确定锚框数量。其次，在CSPDarknet-53骨干特征提取网络中使用深度可分离卷积替代普通卷积，减少网络参数并降低运算量。最后，基于Focal损失改进原生网络的损失函数，解决one-stage目标检测中正负样本比例严重失衡的问题。实验结果表明，所提YOLOv4-disc算法的平均精度均值（mAP）达到了90.80%，相比原生YOLOv4提高了3.51个百分点。     

融合BiFPN与YOLO v5网络的工厂火灾检测

针对工厂火灾检测中存在环境复杂、目标密集、火焰初期目标较小、样本像素较低以及火焰边界特征不明显等问题,提出一种基于改进YOLO v5的工厂火灾检测算法Bi-YOLO v5。该方法通过融合加权双向特征金字塔(BiFPN)来增强特征信息;通过锚框参数优化增强了网络的泛化能力;通过损失函数改进提升了网络的收敛速度。实验结果表明,相比YOLO v5算法Bi-YOLO v5模型的准确率和平均精度分别提高了2.2%和1.7%,并且每帧推理时间降低到了27 ms,达到了在复杂的工厂环境下对火灾检测的要求。     

基于CIoU改进边界框损失函数的目标检测方法

损失函数对于目标检测任务的检测精度和模型收敛速度具有重要作用，而损失函数中的边界框损失函数是影响检测结果和模型收敛速度的重要因素。针对传统模型定位精度低和训练时模型收敛慢的问题，本文在CIoU边界框损失函数的基础上提出一种改进的边界框损失函数，解决了CIoU损失函数求导过程中由边界框宽高比带来的梯度爆炸问题和模型提前退化的问题，并且引入重叠区域与目标框的宽高关系和中心点之间的归一化距离作为附加的惩罚项，提高了模型的检测精度和收敛速度，这种损失函数称为BCIoU(Better CIoU)。在PASACL VOC 2007数据集上的实验结果表明，改进的BCIoU边界框损失函数在YOLOv3网络下相对于IoU损失的mAP50指标相对提升了2.09%,AP指标相对提升了6.88%；相对于CIoU损失的mAP50指标相对提升了1.64%,AP指标相对提升了5.35%。模型的收敛速度也有一定程度的提升。本文提出的BCIoU损失函数提高了模型的检测精度和模型收敛速度，并且可以很方便地纳入到当前目标检测算法中。     

高级语义信息辅助的无锚框行人检测研究

为了提高车间监控系统智能化程度和工作场景中行人检测精度,提出了一种基于计算机视觉技术的行人检测方法。采用基于高级语义信息的无锚框特征检测技术,将检测任务简化为中心点和尺度的回归预测。特征提取模块通过四阶段降采样卷积网络,得到多尺度的图像特征并融合。头探测模块分成两路卷积,并行处理特征图,获得中心点热力图和尺度信息,输出检测结果。结果表明,在CityPersons数据集R子集上,MR-2达到11.61%,加入偏移量预测分支后MR-2提升了0.6%。这证明了该人员检测方法的性能优良。     

基于级联网络的复杂大场景SAR图像舰船目标快速检测

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测紧贴军事和民用需求,为海洋监视提供重要信息支撑.针对复杂大场景SAR图像,本文设计了一种基于级联网络的舰船目标检测框架,该网络框架主要由D-BiSeNet海陆分割、分块区域筛选和CP-FCOS目标检测三部分组成.通过改进双边网络(D...     

基于字符包围盒特征参数的车牌定位分割研究

现有的车牌识别流程中,车牌定位和字符分割关联性较小,有效融合这两个过程可以提高检测的效率。为此,提出了一种基于字符包围盒特征参数的车牌字符定位分割算法。该方法首先使用高斯-拉普拉斯算子对车牌图像进行滤波和边缘检测,在此基础上,使用连通区域分析和轴对齐包围盒检测和表征边缘图像中的连通域,根据车牌字符的分布规律来筛选目标包围盒,最后基于目标包围盒中心点对车牌字符进行倾斜矫正和定位分割。实验结果表明,该方法可以有效地定位车牌和分割字符,准确率可达到93.5%。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...     

基于上下文信息的监控场景行人检测方法

为了提高监控场景中行人检测的准确度,提出了一种基于上下文信息的行人检测方法.该方法将监控场景的上下文信息融入到卷积神经网络中,选择性地学习对行人检测有帮助的上下文信息.首先,利用一个截断的卷积神经网络提取输入图像的多张特征图.然后,将多张特征图通过两个包含上下文信息的卷积层,形成一张掩码图.最后,通过在掩码图上估计行人的边界框,获得行人检测的结果.实验表明,该方法能实现监控场景中准确且快速的行人检测.     

耳朵信息对侧脸检测的影响研究

如何准确地检测和定位图像中的人脸是人脸检测领域的关键问题.为了进一步提高人脸检测器的性能,常见的方法是增加训练数据集或采用更鲁棒的人脸特征表示,而训练人脸检测器的一个基础工作是：为训练图像中的人脸标注边界框.但标注的人脸边界框是否应该包含耳朵信息,以及对训练出的侧脸检测器性能的影响尚未被研究.本文的实验结果表明：在侧脸数据集上训练人脸检测器时,如果人脸边界框包含耳朵信息,基于DPM（Deformable Parts Model）方法训练得到的侧脸检测器使侧脸检测的准确率降低1.9%,召回率提高6.3%.而基于Viola&Jones和Fast R-CNN方法训练得到的侧脸检测器使准确率分别提高6.8%和4.4%,召回率分别提高14.9%和12.9%.这说明包含耳朵信息训练出的侧脸检测模型,有助于提高侧脸检测率.     

一种快速混合碰撞检测算法研究

为提高虚拟环境的临境感和真实感,对其中的关键技术碰撞检测进行研究,提出了一种快速碰撞检测算法。复合层次包围盒碰撞检测能发挥不同类型包围盒碰撞检测的优势进行检测,但不能充分利用当前图形硬件的快速并行计算的优势;基于流的碰撞检测算法可充分发挥后者的优势,但会造成许多冗余检测。提出的新算法将复合层次包围盒碰撞检测算法与基于流的碰撞检测算法相结合：在预处理阶段构造复合层次包围盒树,然后利用复合层次包围盒碰撞检测算法进行初步检测快速排除不可能相交的物体对,接着利用基于流的碰撞检测算法对得到的碰撞子集进行精确求交,得到碰撞检测的结果。实验通过与RAPID和原始的基于流的碰撞检测算法进行比较,证明该算法能有效进行实时碰撞检测。     

改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

多尺度特征融合与特征通道关系校准的SAR图像船舶检测

目前深度学习技术在SAR图像的船舶检测中已取得显著的成果,但针对SAR船舶图像中复杂多变的背景环境,如何准确高效地提取目标特征,提升检测精度与检测速度仍存在着巨大的挑战.针对上述问题,该文提出了一种多尺度特征融合与特征通道关系校准的SAR图像船舶检测算法.在Faster R-CNN的基础上,首先通过引入通道注意力机制对...     

基于双模全卷积网络的行人检测算法(特邀)

在近距离行人检测任务中,平衡算法的检测精度与检测速度对于检测算法的实际应用有着重要意义。为了快速并准确地检测出近景行人目标,提出了一种基于模型融合全卷积网络的行人检测算法。首先,通过全卷积检测网络对图像中的目标进行检测,得到一系列候选框;其次,通过弱监督训练的语义分割网络得到图像的像素级分类结果;最后,将候选框与像素级分类结果融合,完成检测。实验结果表明:算法在检测速度与精度方面都具有较高的性能。     

基于改进CenterNet的红外舰船目标检测算法

为有效解决红外舰船目标的检测问题,提出一种改进CenterNet的红外舰船目标检测算法。首先使用Mosaic算法进行数据增强,其次使用主干网络ResNet50对红外舰船图像进行特征提取,然后在原有特征图像处理的网络上添加Encoder模块,引入3×3的空洞卷积模块增大感受野,以提高网络性能增强网络的鲁棒性。实验表明,相比于改进之前算法,优化后算法精度提高了6%,准确率达98%,算法适应性强、准确率高,能够完成检测任务。