基于Ghost卷积和通道注意力机制级联结构的车辆检测方法研究

为了降低YOLOv3算法的计算量和模型体积，提高对小目标的检测能力，本文提出一种基于Ghost卷积和通道注意力机制级联结构，将其作为YOLOv3算法的特征提取网络，以减少网络计算量；在小目标预测支路引入S-RFB模块，扩大模型的感受野，更好地利用上下文信息，以提高对小目标的检测能力；使用CIOU损失作为边界框位置损失项，以加速模型的收敛．利用高斯噪声对训练样本进行数据增强，提高模型的鲁棒性．在UA-DETRAC数据集上进行实验，实验结果表明，相比于YOLOv3算法，基于Ghost卷积和通道注意力机制级联结构的G-YOLO算法的平均精度提高了2.7%，模型体积减小了67%，在复杂道路交通环境中具有良好的检测效果．     

实海域实时小尺度目标检测算法

针对实海域可见光图像中海天线附近的远距离小目标特征少、检测精度低的问题,设计了一种基于YOLOv5的实海域实时目标检测算法．首先,通过在网络结构中设置双向特征融合结构,结合高层特征图的强语义信息和低层特征图的定位信息,提高了小目标的检测精度;其次,引入双通道注意力机制,并改进权重分配函数,提高了小目标的检测召回率;然后,通过新增极小目标检测层,增加对小目标物体的检测精度;最后,通过实海域数据集对算法进行验证,证明了算法对小尺度目标检测精度提升明显,同时保持了良好的实时性．     

一种基于YOLOv5的小样本目标检测模型

深度学习技术在目标检测领域取得了显著的成果，但是相关模型在样本量不足的条件下难以发挥作用，借助小样本学习技术可以解决这一问题。本文提出一种新的小样本目标检测模型。首先，设计了一种特征学习器，由Swin Transformer模块和PANET模块组成，从查询集中提取包含全局信息的多尺度元特征，以检测新的类对象。其次，设计了一种权重调整模块，将支持集转换为一个具有类属性的权重系数，为检测新的类对象调整元特征分布。最后在ImageNet-LOC、PASCAL VOC和COCO三种数据集上进行实验分析，结果表明本文提出的模型在平均精度、平均召回率指标上相对于现有的先进模型都有了显著的提高。     

基于改进RFBNet算法的遥感图像目标检测

针对遥感图像中的小目标存在信息少、易受背景干扰、特征表达较弱等缺陷, 导致目前通用目标检测算法在对这类小目标进行检测时效果不理想的问题, 为提高对遥感图像中小目标的检测能力, 提出一种基于RFBNet的改进算法. 该算法以RFBNet为框架, 首先利用自校正卷积取代特征提取网络中的常规卷积, 以扩展感受野丰富输出, 进而强化对弱特征的提取能力; 然后设计多尺度特征融合模块, 丰富浅层特征图的抽象信息; 最后设计稠密预测模块, 提前在较浅层整合上下文信息, 使最后阶段的每层输出都含有丰富且联系紧密的多尺度特征信息. 将该算法在数据集UCAS_AOD和NWPU VHR-10上进行实验, 平均检测精度分别达83.4%和94.8%. 实验结果表明, 该算法有效提高了遥感图像中目标检测的精度, 且针对遥感图像中的小尺度目标检测问题改善明显.     

改进RetinaNet的无人机小目标检测

无人机技术的不断成熟,使得搭载高效视觉系统的无人机应用也更加广泛。针对无人机航拍图像中小目标较多、分辨率低等原因导致的检测精度不高的问题,提出了一种改进RetinaNet的无人机航拍目标检测算法。算法针对特征图中小目标信息提取不足的问题,设计了多阶段特征融合方法,并将其与注意力机制串联设计了特征挖掘模块,可以在浅层特征图中融入深层的语义信息,丰富小目标特征;设计了基于中心点检测的无锚框(Anchor-free)方法,网络通过对中心点的回归来定位目标,而不是通过固定大小的锚框去匹配,这样做可以使网络对小目标的回归更加灵活,提高了算法的整体性能;且通过深度可分离卷积方法对网络进行轻量化设计,以压缩模型大小并提高检测速度。实验结果表明,改进算法较原RetinaNet算法平均精度提升了8.5%,检测速度提升了6帧/s,且与其他先进算法相比也具有性能优势,达到了检测精度与检测速度的均衡。     

基于改进单步多框目标检测的道路小目标检测算法

针对SSD目标检测算法运用于自动驾驶领域时,在检测道路上小目标容易发生漏检错检的情况,本文提出一种改进的SSD目标检测算法。本算法首先在SSD模型的主干网络中嵌入感受野增强模块,扩大特征层的感受野,以获取更多小目标的特征信息;然后在主干网络后加入4次U型特征提取结构,构建4个不同层级的特征金字塔,最后合并成一个多层级特征金字塔用于检测。结果表明,该改进SSD模型在KITTI数据集上的检测精度较原始SSD模型提升了6%,检测速度达到了每秒27.9帧。在兼顾检测效率的同时,有效提高了对道路上小目标的检测精度,更适用于自动驾驶领域。     

轻量化自适应特征选择目标检测网络

在小目标物体检测、多类别物体检测尤其是轻量化检测模型等关键技术研究方面仍面临较大的挑战,基于此,本文提出一种轻量化自适应特征选择目标检测网络.该网络以特征金字塔为基础,提取多尺度图像特征并从空间维度上对特征图进行滤波,从通道维度上自适应地选择特征图中更重要的通道,降低多通道下噪声和干扰对目标特征的稀释作用,减少特征图在传递过程中的信息丢失.除此之外,构建深度可分离卷积的分类网络,降低后续处理的计算量,加快检测速度,实现网络的轻量化处理.在PASCAL VOC 2007数据集上的检测平均精度为77.7%,检测速度为14.3帧/s.在MS COCO数据集上的测试结果表明,该网络在精度损失小于5%的情况下,检测速度远超FPN,比Mask R-CNN可以更好地兼顾检测速度和检测精度.     

基于多任务神经网络模型的小肠淋巴瘤检测模型

CT影像是小肠淋巴瘤诊断的主要方式,近年来深度学习在医学影像领域得到广泛应用,可以极大的减轻医生的工作量。针对小肠淋巴瘤肿瘤形态位置信息差异性大,样本量较少且产生假阳性较多的特点,该文提出了一种基于多任务神经网络模型的小肠淋巴瘤检测模型,该模型使用间质瘤和DeepLesion数据集作预训练,在检测模型当中引入了分类模块,该模块可以用于剔除掉数据中非小肠区域,同时便于引入无boundingbox的正常人小肠区域的数据,用于降低模型的假阳性率。为了增强模型对于小目标的检测效果,对FPN网络的浅层结构进行了改进。在包含正常人和患者的数据集上的测试结果表明,提出模型在保证检测精度的同时,可以有效降低模型的假阳性率。     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块，一般情况下，车辆检测和车辆表观特征提取是在不同的神经网络中进行的，且一张图中的车辆目标越多，对车辆表观特征提取耗费时间的也越多，推理时间也相应变长。针对这一问题，基于经典的Tracking-By-Detection模式，提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块，使YOLO在输出目标位置信息的同时输出目标特征信息，以提高算法的跟踪速度。针对车辆间彼此覆盖的情况，提出一种基于动态IOU阈值的非极大抑制算法，以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配，从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性，实验结果表明，将YOLOv5网络进行改进后运用在目标跟踪算法中，相对于经典的YOLO+DeepSORT跟踪模型，在车辆密集的情景下平均推理时间减少了17%；在改进后的网络上添加动态IOU阈值非极大抑制，跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

基于轻量化卷积神经网络的毛巾织物瑕疵检测方法

针对毛巾织物瑕疵检测中存在的小目标瑕疵漏检率高、形变尺度大的瑕疵检测精度低以及模型检测效率不理想等问题,提出一种基于YOLOv4网络的轻量化毛巾织物瑕疵检测方法。采用轻量级网络Ghost Net重构主干特征提取网络,以降低模型运算量,提升检测速度;在深层特征提取网络中引入结合空洞卷积和SoftP ool的DS-CBAM模块,扩大感受野的同时保证特征图分辨率并提高模型对毛巾织物瑕疵特征的提取能力;根据各类毛巾织物瑕疵正负样本不平衡的数据特点,引入难易样本聚焦参数和正负样本平衡参数对损失函数进行优化,降低样本失衡对检测性能的影响;采用改进度量距离的K-means算法自适应生成适合毛巾织物瑕疵尺寸的先验框,提高先验框和毛巾织物瑕疵目标的匹配度。研究结果表明:改进后的模型在毛巾织物瑕疵数据集上的检测精度要优于原YOLOv4和其他主流检测算法,综合类别平均精度达到92.14%,检测速度达到49.98帧/s,分别比原模型提高了5.31%、22.83%,有效平衡了检测精度和检测速度之间的关系。     

基于改进YOLOv5的高速公路隧道车辆和人员检测

针对高速公路隧道内光线昏暗、图像受灯光影响及远距离小目标检测困难等问题,提出了一种改进的YOLOv5高速公路隧道车辆和人员检测算法。首先,使用高斯混合聚类来获得更加匹配数据集目标的一组锚框,提高了模型的检测精度;其次,在特征融合部分引入CARAFE算子,扩大感受野,降低上采样过程特征细节损失;最后,通过向网络中插入坐标注意力 (Coordinate Attention,CA),进一步增强模型对图像各位置特征的提取能力。为验证算法的有效性,在浙江温丽高速公路隧道数据集上进行实验,结果表明：所提算法的平均检测精度(mean Average Precision ,mAP)达到了95.7%,较原模型提升3.8%,对于远距离小目标和受严重灯光影响的目标能够实现更加精准检测,为复杂环境下高速公路隧道内车辆和人员检测提供了一种有效的解决方案。     

面向复杂场景的基于改进YOLOXs的安全帽检测算法

在工业生产过程中，安全帽是生产工人重要的安全保护工具.针对现有安全帽检测算法在复杂应用场景下对小目标、密集目标以及遮挡目标存在漏检、检测精度较低等问题，提出了一种基于YOLOX＿s的改进算法.首先，通过改进YOLOX＿s算法的模型结构，在原有网络结构的基础上新设立了一个预测特征层，其尺寸为160×160,该预测特征层通过将高层语义信息和低层传递的位置信息进行有效融合来预测小目标；其次，针对复杂的安全帽检测环境，将obj＿loss的BCE＿Loss改为Focal＿Loss,即用Focal＿Loss来训练obj分支来降低漏检；最后，将CSP1＿X中的残差块改为shuffleNet基本单元以缩减参数量.改进后的算法mAP和recall分别提高了1.25%和2.32%,参数量缩减为3.61MB.改进后的算法有效降低了复杂环境下安全帽的漏检率和提高了检测精度，对实际生产过程中保障企业和工人的生命财产安全起到了一定的促进作用.     

基于全局注意力的多级特征融合目标检测算法

针对小目标物体检测精度差的问题,同时不以牺牲速度为代价,本文提出了一种基于全局注意力的多级特征融合目标检测算法。算法首先由卷积神经网络生成多尺度的特征图,然后采用多级特征融合的方法,将浅层和深层特征图的语义信息相结合,提高特征图的表达能力,接着引入全局注意力模块,对特征图上下文信息进行建模,并捕获通道之间的依赖关系来选择性地增强重要的通道特征。此外,在多任务损失函数的基础上增加一项额外的惩罚项来平衡正负样本。最后经过分类回归、迭代训练和过滤重复边框得到最终检测模型。对所提算法在PASCAL VOC数据集上进行了训练和测试,结果表明该算法能有效地提升小目标物体检测效果,并较好地平衡了检测精度与速度之间的关系。     

基于孪生神经网络的小样本目标检测综述

目标检测是计算机视觉的基础任务之一，其主要任务是对图像中的目标进行分类和定位。小样本目标检测的目的就是利用极少数的训练样本实现对目标的检测，从而减少繁杂的标注工作，并实现在只有少量样本场景下的应用。现有的小样本目标检测方法主要包括基于孪生神经网络的方法和基于微调的方法，这些方法通过利用现有的包含大量样本的基类数据集和包含少量样本的小样本数据集的训练，使模型实现对小样本类别的分类和定位。重点调研了基于孪生神经网络的双分支小样本目标检测方法，简要介绍了基于微调的小样本目标检测方案，分析了这些方案的优缺点，指出现有的小样本目标检测方案虽不成熟，模型精度有待提升，性能评估方案也有待完善，但却有着十分广阔的应用前景，未来若能通过深入研究解决小样本目标检测的现有问题，其精度必将赶超传统目标检测。     

用于移动机器人多目标跟踪的混合条件随机场

根据移动机器人系统多目标跟踪的特点,提出了一种包括运动检测、数据关联和目标状态估计3个层次的多目标跟踪混合条件随机场.作为一种辨别式模型,该混合条件随机场模型允许状态与数据之间存在非局部的依赖关系,不仅可以利用目标的运动信息和局部形状信息提高多目标跟踪中数据关联的精度,而且可以利用多次观测数据检测新目标,实现新目标检测...     

一种高分辨率遥感图像视感知目标检测算法

针对大幅面高分辨率光学遥感图像目标检测尚存在着检测精度和效率低的问题,提出了一种高分辨率遥感图像视感知目标检测算法。该算法首先通过显著区域有选择性的引导获取场景中的子区域,将计算资源转移到可能包含目标的区域中,以降低计算复杂度;然后,利用基于单次检测器(YOLO)卷积神经网络目标检测模型获取预选目标;最后,提出目标语义关联抑制对获取的预选目标进行筛选得到有效目标,能够减少虚假目标的干扰,降低虚警率。所提算法在公开NWPU_VHR-10数据集上的平均检测精度为0.865,高于对比算法,在包含更多高分辨率的LUT_VHRVOC-2数据集上,比YOLO的检测效果更好。实验结果表明,所提算法提高了大幅面高分辨率遥感图像的目标检测精度。     

基于边界检测和骨骼提取的显著性检测网络

目前一些方法通过多任务联合实现显著性检测，在一定程度上提升了检测精度，但仍存在误检和漏检问题，其原因在于各任务优化目标不同且特征域差异较大，导致网络对显著性、物体边界等特征辨识能力不足．基于此，借助边界检测和骨骼提取提出一种多任务辅助的显著性检测网络，其包括特征提取子网络、边界检测子网络、骨骼提取子网络以及显著性填充子网络．其中，特征提取子网络利用ResNet101预训练模型提取图像的多尺度特征；边界检测子网络选择前3层特征进行融合，可完整保留显著性目标的边界信息；骨骼提取子网络选择后两层特征进行融合，可准确定位显著性目标的中心位置；所提方法基于边界检测数据集和骨骼提取数据集分别对两个子网络进行训练，保留最好的边界检测模型和骨骼提取模型，作为预训练模型辅助显著性检测任务．为降低网络优化目标与特征域之间的差异，设计了显著性填充子网络将提取的边界特征和骨骼特征进行融合和非线性映射．在4种数据集上的实验结果表明，所提方法能有效恢复缺失的显著性区域，优于其他显著性目标检测方法．     

士兵和装甲车目标多尺度检测方法

针对士兵和装甲车目标的尺度差异大以及目标距离远近造成的目标多尺度问题,以YOLOv4深度学习算法为基础,提出了一种多尺度目标检测方法. 通过针对性的数据增强方法丰富小目标样本的多样性,对输入图像进行分割预处理以提高网络输入小目标的分辨率,并基于特征金字塔网络实现大、中、小目标的分离检测,最后匹配检测结果并进行NMS处理去除冗余检测框,从而实现多尺度目标检测. 实验结果表明,本文方法在保持大目标检测效果的情况下,中、小目标的平均检测精度分别提升了1.20%和5.54%,有效提高了中、小目标的检测效果.      

融合FEB的YOLOX遥感图像目标检测算法

针对遥感图像的复杂背景干扰大、目标尺度变化大以及小目标检测困难等导致检测精度降低的问题,提出一种增强YOLOX主干网络输出特征提取能力的检测算法。通过加入连续膨胀残差卷积和注意力机制,设计一种全新的提取主干网络输出特征增强块(feature enhance block,FEB),让连续膨胀残差卷积串联4个具有不同膨胀率的膨胀残差卷积,扩大算法的感受野,丰富上下文信息,同时减轻背景对检测的影响,有效加强算法对目标尺度变化大及小目标的检测能力,使用SA注意力机制抑制背景对算法检测的干扰,提高算法的检测精度。在RSOD数据集上的实验表明,FEB相较于其他同类型模块具有更好的特征提取能力。     

基于小面核滤波的快速红外舰船检测方法

针对复杂海天背景下红外舰船目标的实时检测需求,提出了一种基于小面核滤波的快速红外舰船检测方法.在频域视觉显著性计算原理的启发下,结合小面拟合模型,设计了一种高效的时域小面卷积核,以抑制背景并增强具有高亮灰度对比边缘的红外舰船目标,进而确定候选目标区域.然后采用一种L0梯度最小化滤波方法,实现候选区域中目标区域的灰度均衡,以完整并准确提取目标形状.最后根据舰船的尺度和形状特性,完成目标判别.实验中对3组公开实拍红外图像数据集进行了测试,实验结果表明:本方法具有较好的鲁棒性,其对3组数据的检测准确率均高于90%,在PC平台上的处理速度维持在10ms量级,优于现有的典型方法,能够满足多数工程应用需求.