排序方式: 共有37条查询结果,搜索用时 15 毫秒
31.
在流体运动中涡对各种流场结构的生成和维持起着至关重要的作用,涡的识别和检测有助于理解流体流动规律。传统涡识别方法别存在定义不准确、严重依赖经验阈值、泛化性能差等问题,因此涡检测具有一定挑战性。本文从计算机视觉的角度出发,提出了一个基于目标检测算法的涡检测模型。针对原始目标检测模型对极端宽高比的细长涡检测效果不理想的问题,对两种不同类型涡的数据特性进行分析,并提出了基于可变形卷积(Deformable convolutional network, DCN)的特征自适应模块和基于改进损失函数的细长样本挖掘方法。采用圆柱尾流涡和潜艇尾部涡数据集对所提模型进行验证,实验结果表明改进后的模型检测精确率显著提高,并在细长涡的检测精确率上有显著提升,有效地平衡了各类型的涡检测性能。 相似文献
32.
针对当前遥感影像背景复杂、目标尺度小等情况导致的检测精度偏低的问题,基于FCOS网络提出了一种结合位置注意力和感受野增强的遥感影像目标检测算法PARF-FCOS;该算法构造了一种位置注意力模块,并利用该模块对特征提取网络进行改进,增强网络对目标信息的提取能力;在特征融合阶段使用感受野模块(RFB, receptive field block)增强浅层特征图,利用目标上下文信息进行辅助判断,提升网络对小尺度目标的检测能力;在训练过程中,引入距离交并比损失(DIoU loss,distance intersection over union loss)进行边界框回归,通过优化目标框与预测框中心点之间的距离,使回归过程更加平稳和准确;在公开数据集DIOR上评估了PARF-FCOS目标检测算法,实验结果表明,相较于原始FCOS,算法的平均精确度均值提高了4.3%,达到70.4%,检测速度达到23.2FPS。 相似文献
33.
小目标因浅层特征语义不足而深层特征信息缺失导致极难检测,而无人机视角场景复杂,检测难度进一步增大。普遍提升小目标检测精度的方法是进行不同层级的特征融合,但这会导致特征高冗余问题,并非所有特征层都值得被激活传递到后方的数据预测中去。针对上述问题对CenterNet进行改造,首次将其与自适应特征激活相结合,提出自适应基础模块(MSA),抑制冗余特征的表达;在主干输出处引入升维全局上下文注意力模块(GC-Block),强化关键点语义信息;用深度可分离卷积与Mish激活搭建高质量解码块(DW),在不增加模型复杂度的情况下提升解码精度。在公开的无人机捕获小目标数据集上进行对比实验,改进算法的AP较原始算法提升了2.2个百分点,召回率提升了2.4个百分点,验证了改进算法对小目标检测任务的有效性。 相似文献
34.
自动驾驶领域主流目标检测算法对小目标检测效果差,给行车安全带来了威胁,对单阶段无描框CenterNet算法进行改进以解决此问题。首先,替换原主干网络为具有分裂注意力机制的ResNeSt50网络,并将ReLU激活函数升级为FReLU,以极少的额外计算开销强化了特征提取效果;然后提出轻量级网络PASN融合不同尺度的语义特征,并在浅层特征输入端引入空间池化金字塔(SPP)模块强化小目标信息的表达;最后在Kitti数据集进行随机多尺度输入训练。验证集结果表明改进后算法的FPS达到37.7满足实时性要求,小目标检测精度较原算法提12.9%,平均检测精度提升13.9%,同时检测速度与精度均高于主流算法Yolov4;在实车上每秒可检测31帧图像,为自动驾驶技术发展提供有力支持,具有工程应用价值。 相似文献
35.
由于遥感图像背景复杂、目标密集分布以及目标尺度、形状差异巨大,给检测带来挑战.当前基于R-CNN的两阶段算法在水平框(HBB)检测上取得了良好效果,然而在定向框(OBB)检测上效果有限.基于点估计的HBB目标检测框架,提出用于定向遥感目标检测的旋转中心点估计网络(RCNet),大幅提升一阶段anchor-free算法在倾斜目标检测上的性能,同时保持较高的检测速度.RCNet通过添加一个用于方向预测的分支,实现旋转中心点估计.提出新的角度表示方式,解决回归角度参数loss不连续以及宽高交换导致训练过程不稳定的问题.所提方法在DOTA数据集上取得66.68 mAP的检测精度以及29.4 fps的检测速度,实现了最佳的速度和精度平衡. 相似文献
36.
为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改
进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积
对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了
一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信
息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法
CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能 相似文献
37.
卷积神经网络被广泛应用于目标检测领域.该文提出一种新的无锚框二阶段目标检测算法:以CornerNet方法为基础,借助角点提取候选区域,并增加中心池化层来增强物体中心区域特征,通过判断中心关键点是否落在中心区域,可以过滤掉大量的误检候选框.随后,将保留的候选框送到多元分类器进行预测和回归,获取最终的检测结果.实验结果表明... 相似文献