基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。     

DY-YOLOv5：基于多重注意力机制的航拍图像目标检测

针对无人机航拍图像中目标小、尺度不一和背景复杂等导致检测精度低的问题,提出一种基于改进YOLOv5的无人机航拍图像目标检测算法DY-YOLOv5。该算法在检测头部分利用具有多重注意力机制的目标检测头方法Dynamic Head,提升检测头在复杂背景下的检测表现。在原模型neck部分增加一次上采样和Concat操作,并执行一个包含极小、小、中目标的多尺度特征检测,提升模型对中、小目标的特征提取能力。引入密集卷积网络DenseNet,将其与YOLOv5s主干网络的C3模块进行融合,提出C3＿DenseNet模块,以加强特征传递并预防模型过拟合。在VisDrone2019数据集上应用DY-YOLOv5算法,平均精度均值（mAP）达到了43.9%,较原YOLOv5算法提升了11.4个百分点。召回率（Recall）为41.7%,较原算法提升了9.0个百分点。实验结果证明,改进算法显著提高了无人机航拍图像目标检测的精度。     

基于改进YOLOv4-tiny的无人机视觉目标检测

针对无人机(Unmanned Aerial Vehicle,UAV)图像背景复杂、检测目标尺度小以及计算资源受限的特点,提出了一种基于改进YOLOv4-tiny的无人机视觉目标检测方法。基于YOLOv4-tiny改进主干网络,减少主干网络的下采样倍数,在保证检测速度的情况下,提升小目标检测精度。在VisDrone数据集上的实验表明,改进算法较原算法平均精度提高5.7%,且具有与原模型同样的规模。     

改进YOLOv5s的无人机目标检测算法

无人机在情报、侦察和监视领域,目标自动检测可为侦察等任务提供准确的目标位置及类别,为地面指挥人员提供详尽的目标信息。针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出一种改进YOLOv5s目标检测算法。将压缩-激励模块引入到YOLOv5s算法中,提高网络的特征提取能力;引入双锥台特征融合（bifrustum feature fusion,BFF）结构,提高算法对较小目标的检测检测精度;将CIoU Loss替换GIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高定位精度。实验结果表明,改进后的YOLOv5s取得了86.3%的平均均值精度（mAP）,比原算法YOLOv5s提高了16.8个百分点,在复杂背景下仍能显著提升无人机图像目标检测性能。     

针对复杂背景下低分辨率舰船目标的改进YOLOv7算法

针对舰船图像目标检测中对于复杂背景下低分辨率目标检测易受干扰、检测精度低的问题,提出一种改进的YOLOv7算法用于识别舰船目标。主要在3个方面对算法进行改进,分别为：在舰船目标数据集中使用K-means++算法进行锚框聚类,得到更适合舰船检测任务的的锚框信息;改进损失函数,使用EIOU损失代替CIOU损失,使用与ɑ-Balanced结合的Focal loss代替标准交叉熵损失;改进网络结构,增加SPD-Conv模块,提升对于低分辨率目标的检测效果。实验结果表明,改进后的YOLOv7算法与原始的YOLOv7算法相比,精度提升了4.22个百分点,召回率提升了2.68个百分点,mAP@0.5提升了4.3个百分点,检测速度提升了2帧/s,对舰船目标达到了良好的检测效果。     

融合改进的三帧差分和ViBe算法的运动目标检测

针对ViBe算法在相机抖动和树叶晃动的动态背景下，出现的误检率高和准确度低的问题，提出一种改进的ViBe算法。该算法选取多帧使用基于Canny的三帧差分改进算法进行背景建模；在背景模型更新时根据背景复杂程度设置调整因子，调整阈值和背景模型更新率适应动态背景的检测；为提高检测目标的完整性，改进的ViBe算法得到的前景目标，与三帧差分算法结合并且进行形态学处理完成对运动目标的提取。实验结果表明，改进的算法在树枝晃动、相机抖动的复杂背景下，检测目标的准确度和完整性提高了。     

基于深度学习和结构光法无人机集群检测定位

无人机集群检测与定位是实现对无人机集群进行精准打击的重要前提，提出基于深度学习和结构光法相结合的无人机集群检测定位方法，其中深度学习算法可以较高精度检测出无人机集群目标并给出其二维坐标，结构光法进行坐标转换可得到对应目标的三维坐标和定位误差。基于该方法利用YOLOv4算法和深度相机开展了无人机集群检测定位实验，结果证明，该方法对无人机集群目标的检测精度达到了91.78%,检测定位耗时约0.1s,平均定位误差为0.69%,达到精准实时的要求。     

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.     

基于改进 YOLOv4 和图像处理的蔬菜田杂草检测

以蔬菜苗田内幼苗期 7 种常见蔬菜和田间杂草为研究对象,针对田间杂草种类多和分布复杂导致检测方法效率低、精度差和鲁棒性不足等问题,逆向将杂草检测转换为作物检测,提出一种基于优化 YOLOv4和图像处理的蔬菜苗田杂草检测算法。在 YOLOv4 目标检测算法基础上,主干特征提取网络嵌入 SA 模块增强特征提取能力,引入 Transformer 模块构建特征图长距离全局语义信息,改进检测头和损失函数提高检测定位精度。改进模型单幅图像平均识别时间为 0.261 s,平均识别精确率为 97.49%。在相同训练样本以及系统环境设置条件下,将改进方法与主流目标检测算法 Faster RCNN,SSD 和 YOLOv4 算法对比,结果表明改进 YOLOv4模型在蔬菜苗期的多种蔬菜检测具有明显优势。采用改进 YOLOv4 目标检测算法检测作物,作物区域外的植被为杂草,超绿特征结合 OTSU 阈值分割算法获取杂草前景,最后标记杂草前景连通域输出杂草质心坐标和检测框位置,可以较好解决蔬菜苗田杂草检测问题。     

基于改进YOLOv5s的四旋翼自主降落标识检测算法

无人机自主降落是无人机领域研究的热点之一,导航信息在自主降落过程中又起到至关重要的作用,而视觉导航相较于传统导航方式可以提供更多环境信息,有利于提高无人机着陆安全性。当无人机飞行高度越高,机载相机捕获到的降落标识物就越小,为了提升无人机识别标识物的能力,基于YOLOv5s算法提出了一种改进的无人机实时小目标检测算法。首先,为了检测到更小尺度的目标在原算法基础上新增一个检测头;然后采用BiFPN代替原先PANet结构,提升不同尺度的检测效果;最后将EIoU Loss替换CIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高模型整体性能。将改进算法应用于无人机自主降落场景下的二维码降落标识检测,实验结果表明改进后的算法在小目标检测中相比于原始YOLOv5s算法的特征提取能力更强、检测精度更高,证明了改进算法的优越性。     

改进YOLOv3的无人机拍摄图玻璃绝缘子检测

绝缘子作为电力巡检中的重要目标,对其检测受到高度重视.针对传统无人机拍摄图像绝缘子检测算法需要通过人工提取特征进行检测,效率低且鲁棒性差等问题,通过对绝缘子图像数据集进行分析,结合YOLOv3目标检测算法与Inception-Resnet-v2分类算法,提出一种改进的YOLOv3绝缘子检测算法,该方法分别从增加Ince...     

改进YOLOv5的遥感图像目标检测算法

针对遥感图像中背景复杂度高、目标尺寸多样和小目标存在过多所导致的目标检测精度较低的问题,提出一种改进YOLOv5的遥感图像目标检测算法。该算法在主干网络引入通道-全局注意力机制（CGAM）以增强对不同尺度目标的特征提取能力和抑制冗余信息的干扰。引入密集上采样卷积（DUC）模块扩张低分辨率卷积特征图,有效增强不同卷积特征图的融合效果。将改进算法应用于公开遥感数据集RSOD中,改进YOLOv5算法平均精度AP值达到78.5%,较原算法提升了3.1个百分点。实验结果证明,改进后的算法能有效提高遥感图像目标检测精度。     

基于区域相似信息的自适应运动目标检测算法

当视频监控中存在动态背景干扰、鬼影现象和静止目标时,ViBe算法的检测性能较差。针对该问题,提出一种改进的ViBe算法。通过Otsu算法得到图像的动态阈值,提高算法在动态背景中的抗干扰能力,同时结合区域相似度判断鬼影、拖影或静止目标区域,自适应地对不同类别区域像素进行更新抑制。实验结果表明,改进算法在动态背景中表现出良好的鲁棒性,能够有效抑制鬼影以及静止目标产生的拖影,在保证实时性的前提下较原算法检测精度和综合评价指标F值分别提高0.309和0.2,具有更好的检测效果和检测性能。     

基于改进YOLOv5+DeepSort算法模型的交叉路口车辆实时检测

针对传统目标检测跟踪算法检测精度低、鲁棒性差的缺点，以及交叉路口图像视频资源冗余的现象和车辆密集程度高的特点，提出了一种基于改进YOLOv5和DeepSort算法模型的交叉路口实时车流量检测方法，在MS COCO和BDD100k相结合的数据集上，采用改进的YOLOv5算法模型实现视频小目标车辆检测，利用深度学习多目标跟踪算法DeepSort对检测的车辆进行实时跟踪计数，实现了交叉路口监控端对端的实时车流量检测。通过分析比较不同参数的模型，最终选定了YOLOv5m模型。实验结果表明，该方法在复杂环境、车辆遮挡和目标密集程度高等环境下检测速度更加快，对车辆的检测效果更好，平均准确度达到96.6%。该方法完全满足目标实时性检测的要求，能充分满足交叉路口车辆检测的有效性，满足实际需要的使用需求。     

基于YOLOv7-RS的遥感图像目标检测研究

针对遥感图像目标检测过程中存在的背景复杂、目标特征不明显、小目标排列密集的问题,基于YOLOv7算法,提出了一种改进的遥感图像目标检测算法YOLOv7-RS(YOLOv7-Remote Sensing),提高了遥感图像的目标检测精度。首先,向特征提取网络中融合SimAM减少背景噪声的干扰;其次,提出了D-ELAN网络增强遥感目标的特征提取能力;再次,利用SIOU损失函数以提高算法模型的收敛速度;最后,优化了正负样本分配策略,改善了遥感图像中小目标密集排列时的漏检问题。实验结果表明,YOLOv7-RS在NWPU VHR-10和DOTA数据集上的mAP达到95.4%和74.1%,相较于其他主流算法有了明显提升。     

改进YOLOv3-SPP的SAR图像舰船目标检测

合成孔径雷达图像中舰船目标的尺度差异大、小目标居多,这给检测造成一定的困难。针对此问题,提出了一种基于改进YOLOv3-SPP的SAR图像舰船目标检测算法。改进原模型FPN,利用主干网络的第二次下采样输出的特征来建立尺度为104×104的预测,并将各个尺度进行紧密连接;用K-median++聚类算法重新对锚框聚类来得到适合舰船特征的先验框。使用YOLOv3-SPP模型和改进的YOLOv3-SPP模型以及其他典型目标检测算法在AIR-SARship-1.0与SSDD数据集上进行对比实验。实验结果表明,相比于原始算法,改进后的算法能更有效地检测SAR图像舰船目标,检测精度分别提升了3.2%、4.4%。在数据集3个不同输入尺度下,检测精度都有所提升。相比于其他检测算法,改进后的算法在保证实时性的情况下具有更高的检测精度。     

基于YOLOv8的无人机图像目标检测算法

在无人机(UAV)目标检测任务中,存在因检测目标尺度小、检测图像背景复杂等原因导致的漏检、误检问题。针对上述问题,提出改进YOLOv8s的无人机图像目标检测算法。首先,针对无人机拍摄目标普遍为小目标的应用场景,减少算法骨干网络(Backbone)层数,增大待检测特征图尺寸,使得网络模型更专注于微小目标;其次,针对数据集普遍存在一定数量低质量示例影响训练效果的问题,引入Wise-Io U损失函数,增强数据集训练效果;再次,通过引入上下文增强模块,获得小目标在不同感受野下的特征信息,改善算法在复杂环境下对小目标的定位和分类效果;最后,设计空间-通道滤波模块,增强卷积过程中目标的特征信息,滤除无用的干扰信息,改善卷积过程中部分微小目标特征信息被淹没、丢失的现象。在Vis Drone2019数据集上的实验结果表明,该算法的平均检测精度(m AP@0.5)达到45.4%,相较于原始YOLOv8s算法提高7.3个百分点,参数量减少26.13%。在相同实验条件下,相比其他常见小目标检测算法,检测精度和检测速度也有一定提升。     

改进YOLOv5网络的鱼眼图像目标检测算法

针对目标检测算法应用在鱼眼图像数据集上检测精准率低、算法实时性差等问题,提出了在化工场景下利用改进网络YOLOv5进行鱼眼图像中的目标检测算法。由于无公开化工场景鱼眼图像数据集,提出了利用不同类型图像间像素点的坐标关系,将数据集转换为同鱼眼图像具有相同畸变效果的图像。为消除鱼眼图像中有效区域外的冗余信息,将线扫描算法应用到YOLOv5s数据预处理阶段。为在缩减模型的同时保证算法的检测精准率,提出了采用注意力机制scSE和空洞卷积来改进轻量级网络ShuffleNetV2,并利用改进后的轻量级网络代替原YOLOv5s中主特征提取网络。实验结果表明,在实验设置相同的条件下,改进后的算法在模型从27.4 MB缩减到14.2 MB的情况下,检测精准率从97.86%提高到98.46%。     

复杂场景下基于增强YOLOv3的船舶目标检测

为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制（NMS）算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本（FP）数量降低了35.42%,真正样本（TP）数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值（mAP）达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要求。实验结果表明,所提算法在雾天和低照度等不良天气条件与复杂通航背景下,均能实现船舶目标的高精度稳定实时检测。     

基于颜色布局描述子的改进ViBe算法

针对ViBe算法在检测运动目标时会有“鬼影”产生和在动态背景下会对目标检测过程中产生干扰造成运动目标误检的问题,结合颜色布局描述子（CLD）提取关键帧进行三帧差分、形态学后处理的技术,提出一种改进的ViBe算法。首先,通过CLD提取视频关键帧图像;然后,将所选取关键帧图像进行三帧差分,通过差分结果将含有运动目标的背景模型进行填充,得到真实的背景图像,再对运动目标进行检测,以达到消除鬼影的目的;最后,在背景模型更新的阶段加入自适应阈值的形态学处理技术,消除动态背景模型中的干扰信息。实验结果表明,所提算法在运动目标检测时在避免鬼影、抗动态背景干扰等方面表现出优越性,在相似度量阈值选取为0.67到0.72时,所提算法的准确率最高可以达到99.4%,可以理想地检测出运动目标的位置信息。