基于尺度不变性与特征融合的目标检测算法

在目标检测算法中,尺度变化是目标检测的关键问题之一.针对不同目标拥有不同尺度的问题,构建一个三分支网络,生成能表示对应尺度的特征图,每个分支对应特定的感受野,分别负责检测大、中、小物体.通过筛选合适尺度的对象实例进行训练,保持各分支的尺度不变性.为保证小物体的检测效果,没有对检测小物体的分支采用下采样,同时使用膨胀卷积增加语义信息;检测大物体的分支则采用更大膨胀率的膨胀卷积,扩大感受野,获得更多的语义信息.在保证尺度不变性的情况下,特征融合必不可少,因此使用多尺度融合的思想,在不影响并行的三分支网络的情况下,对低层特征与高层特征进行了选择性融合.     

基于YOLO改进算法的安全帽和口罩佩戴自动同时检测

针对工地、危险区域等场景需要实现同时佩戴安全帽与口罩的自动检测问题,提出一种改进的YOLOv3算法以提高同时检测安全帽和口罩佩戴的准确率。首先,对网络模型中的聚类算法进行优化,使用加权核K-means聚类算法对训练数据集聚类分析,选取更适合小目标检测的Anchor Box,以提高检测的平均精度和速度;然后,优化YOLO网络内部的Darknet特征网络层,将4倍降采样提取的特征图进行2倍上采样,再与2倍降采样进行卷积融合,与4倍降采样、8倍降采样以及16倍降采样一同输送到后续网络中,来达到降低小目标的漏检概率。实验结果表明:改进后的算法同时检测安全帽和口罩佩戴的平均准确率比原算法提高了11.3%。     

基于空洞卷积和特征融合的单阶段目标检测算法

针对SSD多尺度目标检测过程中存在的目标漏检和错检问题,提出了一种融入多维空洞卷积和多尺度特征融合的目标检测算法。在卷积神经网络输出的多尺度特征中,浅层具有更多的细节信息,深层具有更多的语义信息,根据这一特点,对浅层网络采用了3种多维空洞卷积的浅层特征增强模块,获得具有语义信息的特征图,将增强后的特征图进行下采样,融合不同层的特征;同时在深层网络引入通道注意力模块,对通道进行权重分配,抑制无用信息,提高目标的检测性能。研究结果表明：该算法在PASCAL VOC数据集上检测精度为79.7%,比SSD算法提高了2.4%;在KITTI数据集上检测精度为68.5%,比SSD算法提高了5.1%,检测速度达到了实时性的要求,有效地改善了目标的漏检和错检。     

基于扩张卷积特征自适应融合的复杂驾驶场景目标检测

针对复杂驾驶场景下的目标检测问题,提出一种基于扩张卷积特征自适应融合的目标检测算法.采用单阶段目标检测网络RetinaNet作为基本框架,其包含卷积特征提取、多尺度特征融合以及目标分类与回归子网.为提高网络对多尺度特征的提取能力,设计了基于不同扩张率组合的残差卷积分支模块,以获取不同感受野下的目标特征图;然后,将不同尺度下的特征通过网络自适应学习的参数融合后输出,用于后续的目标预测;最后在大规模且多样化的复杂驾驶场景数据集BDD100K上进行实验.结果 表明,利用扩张残差卷积分支模块与特征自适应融合算法能够分别将网络的平均精度均值由0.330提升至0.338与0.344,并在采用扩张卷积特征自适应融合的情况下达到了0.349.所提算法能够有效提升目标检测算法在复杂驾驶场景下的检测性能.     

多尺度编码-解码结构的单幅图像去雨网络

针对图像去雨问题提出多尺度编码-解码结构的单幅图像去雨网络(MSEDNet).首先在编码阶段对雨图像进行二次下采样;然后每个下采样层分别通过特征细化模块提取特征信息;最后将特征图逐步上采样,并且与上一个阶段的特征图聚合得到最终的去雨图像.采用不同分辨率的特征提取网络,能更好地提取雨纹的特征.特征细化网络首先经过多尺度扩张卷积聚合雨纹特征,然后通道注意力给聚合模块通道分配不同的权重以细化自身,最后使用ResNet和DenseNet的双路特征提取器实现雨纹信息提取.仿真和真实雨数据集结果表明:所提网络能够有效地去除雨纹,得到高质量的无雨图像.     

超分辨率对抗网络的电路板瑕疵检测

电路板瑕疵检测是图像检测领域一个具有挑战性的问题.针对电路板瑕疵只占整个图像区域的很小比例而导致难以检测的问题,提出超分辨率生成式对抗网络的电路板瑕疵小目标检测方法,电路板图像通过对抗网络提高分辨率后用深层网络的多尺度进行目标检测.首先,将电路板数据集图片通过超分辨率生成式对抗网络提高分辨率,放大至4倍尺寸;在Darknet-53网络中通过卷积、采样和融合提取不同尺度的特征图;使用先验框对特征图进行多尺度预测,输出瑕疵的边界框和分类.实验表明,超分辨率生成式对抗网络电路板瑕疵小目标检测方法的平均精确率可提高至99.38％.     

联合多视角互投影融合的三维目标检测方法

针对当前智能车辆目标检测时缺乏多传感器目标区域特征融合问题,提出了一种基于多模态信息融合的三维目标检测方法. 利用图像视图、激光雷达点云鸟瞰图作为输入,通过改进AVOD深度学习网络算法,对目标检测进行优化;加入多视角联合损失函数,防止网络图像分支退化. 提出图像与激光雷达点云双视角互投影融合方法,强化数据空间关联,进行特征融合. 实验结果表明,改进后的AVOD-MPF网络在保留AVOD网络对车辆目标检测优势的同时,提高了对小尺度目标的检测精度,实现了特征级和决策级融合的三维目标检测.      

改进的YOLOv4肺结节检测算法

针对目标检测YOLOv4算法在肺结节检测中存在的小目标漏检和肺结节位置失真等问题,设计了一种改进的YOLOv4肺结节检测算法.在原始YOLOv4网络的基础上,将特征融合网络的上采样过程替换为双线性插值法,并采用张量堆叠的方法使顶层的语义信息与底层的位置信息形成更高通道的特征张量.实验结果表明,与原始的YOLOv4算法相比,改进的YOLOv4算法在公开数据集LUAN16上的平均精确度与预测速度分别提高了4.54%和28.1%,可视化结节位置表达更精准.     

基于时空特征的生猪动作识别

针对现代化养殖业无人化、智能化的需求,以目标检测网络YOLOv2为基础,提出了一种基于深度学习提取时空特征的生猪动作识别与定位的方法。对待检测视频关键帧中的生猪空间位置信息与视频流时序动作特征进行检测,采用通道注意力模块将这2种特征进行合理且平滑的特征融合,实现了一个端到端的动作识别网络,可以直接从视频序列中预测得到关键帧的包围框和动作分类概率。通过对某生猪养殖场群养栏监控视频进行训练和测试,研究了通道注意力模块和网络输入视频帧采样间隔对检测效果的影响,验证了三维卷积神经网络在生猪动作识别与定位中的有效性。     

基于多特征聚合的水面遮挡目标检测算法

针对智能船舶在内河航道航行时经常出现的船舶互相遮挡而影响目标检测精度的问题,提出了一种基于多特征聚合的水面遮挡目标检测算法．首先,在骨干网络设置多尺度感受野特征融合结构,融合被遮挡船舶可视区域与周围环境特征;其次,在骨干网络及网络的特征拼接部分添加混合注意力机制,增强网络的长程依赖性,聚合船首和船尾的特征;然后,设计了数据重采样策略,在训练过程中根据船舶类别的数量自适应地调整样本采样频率,缓解数据集中船舶数量的严重不均匀;最后对算法进行验证。结果表明：算法通过聚合被遮挡船舶可视区域与周围环境等多尺度特征,聚合船首、船尾长程特征,相较于原算法精度提升达到了3.3%,有效提升了视觉遮挡状态下水面目标的检测精度．