基于深度学习的目标检测算法综述

深度学习目前已广泛应用到各个领域,目标检测是计算机视觉领域中的基础问题。针对传统目标检测算法存在的效率低、鲁棒性差等问题,基于深度学习的目标检测算法很好地提高了目标检测效率,成为主流趋势。论文对一些典型的基于深度学习的目标检测算法进行了综述,主要分为基于区域思想和基于回归思想两方面,对算法结构进行了分析和对比,最后对基于深度学习的目标检测算法的发展进行了展望。     

基于改进YOLO V3的海上弹着点水柱信号检测算法

在海上实弹射击训练的过程中，快速、准确地检测出弹着点处水柱信号对评估射击效果具有重要意义。针对传统的人工检靶方式效率低、误差大，且无法分辨重叠弹着点的问题，结合深度学习理论，提出了一种基于改进YOLO V3的目标检测算法。在网络输入端利用Mosaic数据增强方式，丰富了检测物体的背景和小目标，降低了网络训练门槛。将Mish函数作为网络基本组件中的激活函数，提高了网络泛化能力。构建新的检测模块，将输入的特征信息分为两个分支，通过特征压缩与拼接，实现通道间信息交互。同时，对不同尺度的特征进行融合，提高网络特征提取能力。目标数据集的实验结果表明，改进后的YOLO V3算法平均准确率提高了5.39%，达到了82.64%，检测速度由27.74 FPS提高到了29.61 FPS，可以更好地完成海上弹着点水柱信号检测任务。     

基于改进YOLOv5的海上弹着点水柱信号检测算法

海上弹着点水柱信号是评判射击效果的重要依据,因此在进行训练、演习等任务时快速、准确地获取水柱信号检测情况具有重要意义。结合海上水柱信号多尺寸、多形态的特点,对YOLOv5算法进行改进,提出了CAs-YOLOv5s算法。在输入端加入mixup数据增强策略,以线性插值的方式构建新的训练样本和标签,不需占用过多的存储空间就可以丰富样本信息;引入了坐标注意力机制,将位置信息嵌入通道注意力中,增强模型的特征提取能力;同时,将原YOLOv5s算法中空间金字塔池化模块中的池化方式由Maxpool替换为Softpool,保留更多的细粒度特征信息,放大更大强度的特征激活。在目标数据集上的实验结果表明,改进后的CAs-YOLOv5s算法平均准确率提高了4.54%,达到94.75%,速度达到23.51帧/s,在满足实时性要求的情况下可以更好地完成海上弹着点水柱信号的检测任务。     

基于BERT和知识蒸馏的航空维修领域命名实体识别

针对军事航空维修领域命名实体识别训练数据少，标注成本高的问题，改进提出一种基于预训练BERT的命名实体识别方法，借鉴远程监督思想，对字符融合远程标签词边界特征得到特征融合向量，送入BERT生成动态字向量表示，连接CRF模型得到序列的全局最优结果，在自建数据集上进行实验，F1值达到0.861。为压缩模型参数，使用训练好的BERT-CRF模型生成伪标签数据，结合知识蒸馏技术指导参数量较少的学生模型BiGRU-CRF进行训练。实验结果表明，与教师模型相比，学生模型以损失2%的F1值为代价，参数量减少了95.2%,运算推理时间缩短了47%。