改进FasterRCNNG的小目标检测

Faster RCNNG是一种比较流行的目标检测方法,由于Faster RCNNG对小目标的识别率较低,对候选区域生成和分类阶段对象大小的变化对网络的性能影响进行了详细的研究.另外,还研究了特征图的分辨率对这些阶段的影响.对于小物体,anchor的选择是非常重要的,引入了一种改进的方案用于生成候选区域建议,提供了根据期望的定位精度来选择anchor的标准,并且使用了多尺度RPN(Region Porposal Ntworke)和多尺度分类网络.用改进后的Faster RCNNG在Flicker数据集上进行了验证,证明它能够提高小目标检测的性能.     

基于改进Faster R-CNN算法的车辆检测

基于区域的网络Faster R-CNN算法在图像的目标检测领域取得了巨大突破.相比较于传统的目标检测方法R-CNN和Fast R-CNN,Faster R-CNN提出了一种候选区域网络(RPN)有效的提升了检测候选框的生成速度.本文通过分析提出的RPN网络的实现方法,引用了K-Means++聚类算法,来对训练数据集中的目标框大小进行聚类分析,替代原本算法中的9个区域框.通过实验对比分析,通过改进的方法提高了车辆检测的精度.     

基于改进Faster R-CNN的钢材表面缺陷检测方法

针对传统Faster R-CNN(Region-Convolutional Neural Networks)检测钢材表面小目标性缺陷性能差的问题,提出了一种基于改进Faster R-CNN的钢材表面缺陷检测方法.首先引入导向锚点候选区域网络(GA-RPN:Guided Anchoring Region Proposal Network)预测锚点的位置和形状,设计可调节机制解决网络锚点形状偏移量超出感兴趣区域的问题,从而解决无关特征的影响;其次,提出多任务FPN(Feature Pyramid Network)结构缩短高层特征定位信息映射路径,并能解决相邻层特征融合再采样的不充分特征融合,提高小目标检测性能.将改进的Faster R-CNN算法应用于钢材表面缺陷检测.仿真结果表明,改进的网络其召回率与准确率都得到提高,具有更好的检测性能.     

基于改进Faster R-CNN的行人检测算法

针对行人检测中复杂环境,提出一种改进Faster R-CNN的行人检测算法,使用深度卷积网络从图片中提取适合检测目标的特征。基于Faster R-CNN算法,以Soft-NMS算法代替传统NMS算法,加强Faster R-CNN算法对重叠区域的识别能力。同时,算法通过"Hot Anchors"代替均匀采样的锚点避免大量额外计算,提高检测效率。最后,将21分类问题的Faster R-CNN框架,修改成适用于行人检测的2分类检测框架。实验结果表明:改进Faster R-CNN的行人检测算法在VOC 2007行人数据集,检测效率和准确率分别提升33%、2.6%。     

基于深度学习算法的航拍巡检图像的绝缘子识别

针对绝缘子检测目标在航拍图像中尺寸变化剧烈的问题,提出一种改进Faster R-CNN的绝缘子检测算法.首先将FPN特征金字塔结构网络与Faster R-CNN算法进行结合,将不同尺度下的特征进行融合;然后,改进最大池化层,提升检测框的坐标精度;针对遮挡现象,采用Soft-NMS算法规避不同目标检测框因重叠而被误删的情况.经过对绝缘子航拍数据集的检测验证,对比原Faster R-CNN网络,本改进网络结构提高了平均准确率(MAP),且可以更有效地识别图像中更小比例的绝缘子目标.     

基于Faster R-CNN深度学习的网络入侵检测模型

为了提高网络入侵检测性能,采用快速区域卷积神经网络(Faster region-convolutional neural network,Faster R-CNN)深度学习的方法来完成网络入侵检测。在网络上抓取网络数据包,数值化和归一化处理得到网络数据样本,通过卷积神经网络(Convolutional neural network,CNN)进行网络入侵数据特征提取,根据特征提取结果进行区域候选网络训练,生成多样化尺寸的基准矩形框,每个矩形框设置4个修正参数,根据修正参数及多个矩形框坐标,获得网络入侵样本的候选生成区域,最后采用分类回归网络训练,结合空间金字塔池化修正不同尺寸矩形框,并采用Softmax分类器,生成不同网络攻击类型的置信度,从而获得网络攻击类型分类结果。通过差异化设置CNN和区域候选网络训练时的卷积核尺寸和区域候选网络训练时的基准矩形框数目,验证合适样本集的卷积核尺寸和矩形框数目。结果表明,相比常用网络入侵检测算法,合理设置卷积核尺寸和基准矩形框数目,能够获得更高的网络入侵检出率和检测时间性能。     

结合异常检测的X射线安检图像识别方法

针对Faster R-CNN模型对X射线安检图像中危险品检测准确率低、误检率高的问题,提出了一种前置预分类头部的X射线安检图像检测网络(pre-classification Faster R-CNN,PC-Faster R-CNN)。该模型在骨干网络之后,区域建议网络(Region Proposal Networks, RPN)之前新增一个预分类模块先对X射线安检图像进行异常检测,提高模型对正常图像的识别能力;同时引入兴趣区域对齐(RoIAlign)模块,减小兴趣区域池化层(RoIPooling)引起的量化误差,进而提升Faster R-CNN的检测性能。新模型将浅层卷积层的低级边缘特征输入到预分类模块,使其学习正常图像的高级语义特征,从而改善整个模型的识别性能。实验结果表明,与原始的Faster R-CNN相比,本文模型对危险品的检测精度提升了9.03%,误检率降低了24.03%;同时预分类头部使得模型较大地提高了检测效率,比原始的Faster R-CNN提升了44.54%。     

基于特征金字塔模型的高分辨率遥感图像船舶目标检测

以舰船为研究对象,研究高分辨遥感图像的多尺度多目标检测中的关键技术,主要解决多尺度多目标识别和细粒度分类准确率低等问题.在目标定位方面,利用特征金字塔深度网络定位多目标区域,创建一个在所有尺度上均具有语义信息的特征金字塔,有效解决多尺度多目标数据定位准确率低这一关键问题;在目标识别方面,利用共享CNN网络重建输入图像、优化多任务损失函数提取细粒度分类目标结构特征,提高细分目标识别准确率.与GoogLeNet、Faster R-CNN和Yolo三种目标检测算法对比实验表明,利用特征金字塔和重建输入图像可有效检测多目标多尺度的细粒度船舶对象,漏检率为1.5%,细粒度分类识别平均准确率为92.67%.     

基于区域建议网络的肺结节检测及其去假阳性

如今,基于深度学习的肺结节检测技术不断发展,在辅助医生进行肺结节检查的任务中极大提升了肺结节的检出率和诊断的准确率。本文采用了深度学习技术,提出了一种基于RPN网络结构的肺结节检测方法。针对肺结节的去假阳性阶段,本文将多个分类网络进行了性能对比。本文在Faster R-CNN网络上进行改进,使用Squeeze-and-Excitation（SE）结构以及ResNeXt的残差块构成特征提取模块,再结合UNet++网络结构,输出多个尺度的结果。最后将多尺度结果应用在3D RPN候选检测网络和R-CNN网络上,得到了灵敏度较高,假阳率更低的候选结节检测网络。在去假阳性结节网络阶段,本文用3D DCNN网络对候选肺结节进行假阳性的筛除,有效去除了部分假阳性肺结节,提升了多个FP/scan检查点的灵敏度。本文的网络最终得出灵敏度98.8%@8FPs,Competition Performance Metric（CPM）达到0.879。在去假阳性结节方面,本文验证了3D DCNN网络在几个网络中能够取得最好的效果,达到了15.6%的去假阳率。总的来说,本文的候选结节网络进一步提升了检测的灵敏度,网络模型达到了较好的检测效果。在去假阳性网络方面,得出3D DCNN作为去假阳性网络具有比其它一些网络模型更好的效果。     

基于卷积神经网络语义检测的细粒度鸟类识别

细粒度识别的主要目的是在相同基本类别下对其繁多的子类别进行区分。不只局限于头和躯干的定位现状,提出了一种基于Faster RCNN联合语义提取和检测的分类方法。通过引入自上而下的方法来生成七个小语义部位,既大大减少了候选区域的个数,又提高了分类的效率。检测子网可以和区域候选生成网络(RPN)共享卷积特征,结果使得区域建议几乎不花时间,从而可以生成高质量并且具有局部特征的区域建议框,便于Fast RCNN的检测。相对于其他鸟类识别研究,实验中鸟类识别准确率达到了88.37%,提高了识别效率。说明联合语义的Faster RCNN网络适用于鸟类的细粒度识别。     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

面向智能船舶的水面小目标检测算法

针对智能船舶中基于视觉传感器的水面小目标识别具有识别区域分辨率低、图像模糊、信噪比低等问题,提出了一种新的基于卷积神经网络的水面小目标检测算法——自注意力特征融合检测算法.首先,为了提高视觉信息处理的效率与准确性,在网络模型中引入了自注意力模块,更多关注小目标的细节信息.其次,在网络模型中采用了结构化的特征融合算法,通过多尺度语义信息融合提升对小目标的检测性能.最后,为了解决目标检测的定位问题,在smooth L1损失函数的基础上设计了一种大梯度定位损失函数.通过与传统的Faster R-CNN目标检测算法在船舶数据库上进行仿真对比,验证了所提算法在解决水面小目标检测问题上的有效性.     

基于Faster R-CNN模型的火焰检测

常规的火焰检测一般是提取火焰的静态或动态特征,然后进行火焰的判别.但是传统特征无法全面描述火焰特性,会导致识别的准确率降低.本文提出一种基于Faster R-CNN模型的火焰检测算法.首先利用候选区域生成网络(Region Proposal Network,RPN)提取火焰候选区域,然后对候选区域进行卷积及池化操作,提取火焰特征,最后利用联合训练的快速区域卷积神经网络(Fast R-CNN)进行火焰识别.实验结果表明该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的泛化能力和鲁棒性.     

基于改进Faster R-CNN的路面灌封裂缝检测方法

路面灌封裂缝对路面使用寿命的影响较为突出,为了解决目前灌封裂缝检测技术匮乏的问题,文中提出了一种基于改进Faster R-CNN的路面灌封裂缝检测方法。首先,建立灌封裂缝图像集,对采集到的图像进行增广处理,构建路面灌封裂缝标注样本数据集,并将图像集按6∶2∶2的比例划分为训练集、验证集和测试集;接着,采用Faster R-CNN模型对灌封裂缝进行检测,针对Faster R-CNN检测灌封裂缝存在漏检、定位效果不够理想的问题,文中分别将VGG16、ZFNet和Resnet50网络的特征提取层与Faster R-CNN模型进行结合,结果表明,VGG16和Faster R-CNN结合的模型检测精度最高,达到0. 9031;然后,通过增加灌封裂缝候选框宽高比的方法继续改进模型,检测精度达到0. 907 3,且原先被漏检的目标能被检测出来;最后,对改进Faster R-CNN与YOLOv2模型的检测精度及定位效果进行对比,结果表明,文中提出的改进Faster RCNN能够明显提高对灌封裂缝的检测准确率和定位精度。     

基于Faster R-CNN的钢板表面缺陷检测方法

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster RCNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测。由于Faster RCNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用在小缺陷细节特征上表现更好的RoI Align作为改进Faster R-CNN的特征池化模块。在PyTorch框架上对YOLOv3、Faster R-CNN和改进Faster R-CNN模型进行训练与测试,结果表明,改进Faster RCNN的平均检测精度为87.14%,相比YOLOv3和Faster R-CNN检测精度分别提高4.81%和2.07%,对于小缺陷的检测精度的提高更为显著。     

基于注意力机制的多尺度仪表检测

为实现复杂场景下多尺度仪表检测,提出了一种基于注意力机制的视频多尺度仪表检测算法。首先,利用基于空间注意力机制的特征提取网络,建模特征的长距离依赖,增强特征的表达能力;其次,提出了一种自适应特征选择模块（Adaptive Feature Selection Module, AFSM）,对不同阶段的特征图进行权重调整,增强网络对多尺度目标的检测能力。在自建的仪表数据集上进行了实验。实验结果表明,相比较原来的Faster RCNN方法,所提出方法的检测精度提高了7.6%;与对比方法相比,检测精度也能达到95.4%。在对实际仪表监测视频的测试中,检测结果以及速度能够满足实际需要。所提方法通过改进特征提取网络和特征选择操作,增强了特征表达能力,有效降低了虚警,提升了网络对多尺度目标的检测性能。     

基于改进Mask R-CNN模型的电力场景目标检测方法

为了解决电力施工现场中安全帽佩戴情况以及危险区域行人入侵检测问题,提出一种基于改进Mask R-CNN模型的目标检测方法。首先依据迁移学习策略对Mask R-CNN主干网络进行参数初始化,以提取图像基本特征;然后引入特征金字塔结构进行自下而上的特征图提取,完成多尺度特征融合;接着,通过多尺度变换方法对区域推荐网络进行调整,获取锚点进行回归计算完成检测实验;最终对结果进行分析评价,多目标平均准确率达到了95.22%。将改进后的Mask R-CNN模型用于监控视频分析,针对监控视频像素过低问题,加入拉普拉斯算法锐化边缘,精准率提高到90.9%,验证了拉普拉斯算法对低质量监控视频检测的有效性。     

基于改进Faster R-CNN的手部位姿估计方法

基于视觉的手部位姿估计技术应用于诸多领域，具备着广泛的国际应用市场前景和巨大发展潜力。然而，手部自身存在检测目标过小、手指高自由度以及手部自遮挡等问题。通过对目前存在的难点分析，将手部位姿估计任务分为手部检测和手部关键点检测，提出基于改进的Faster R-CNN的手部位姿估计方法。首先提出基于改进的Faster R-CNN手部检测网络，将传统Faster R-CNN网络中的对ROI(regional of interest)的最大值池化，更改为ROI Align,并增加损失函数用于区分左右手。在此基础上增加了头网络分支用以训练输出MANO(hand model with articulated and non-rigid deformations)手部模型的姿态参数和形状参数，得到手部关键点三维坐标，最终得到手部的三维位姿估计结果。实验表明，手部检测结果中存在的自遮挡和尺度问题得到了解决，并且检测结果的准确性有所提高，本文手部检测算法准确率为85%,比传统Faster R-CNN算法提升13%。手部关键点提取算法在MSRA、ICVL、NYU三个数据集分别取得关键点坐标的均方误差值(k...     

基于MM YOLOv4的无人机目标检测算法

针对当前无人机目标图像检测方法精度较低和检测速度过慢的问题,提出一种结合轻量级网络和改进多尺度结构的目标检测算法。首先采用MobileNetV3轻量级网络替换YOLOv4的主干网络,减少模型复杂度,提升检测速度;其次,引入改进多尺度结构的PANet网络,增强高维图像特征和低维定位特征的流动叠加,提升对小目标的分类和定位精度;最后,利用K means方法对目标锚框进行参数优化,提升检测效率。同时结合公开数据集和自主拍摄方式构建一个新的无人机目标图像数据集Drone dataset,并基于数据增强的方法开展算法性能实验。实验结果表明,该算法的mAP达到了91.58%,FPS达到了55帧/s,参数量为44.39 M仅是YOLOv4算法的1/6,优于主流的SSD、YOLO系列算法和Faster R CNN算法,实现了对多尺度无人机目标的快速检测。     

基于Faster R-CNN的多尺度高压塔鸟巢检测

为了解决复杂图像背景条件下高压塔上鸟巢检测的问题,提出一种基于Faster R-CNN的多尺度高压塔鸟巢检测方法.在特征提取方面,通过改进基于卷积神经网络的ResNet-50特征提取网络分别完成图像中高压塔和鸟巢的特征提取;在建议区域提取方面,提出在两种不同深度的卷积特征图上采用合理尺度的不同大小滑动窗口方式完成建议区域的提取,增强了对鸟巢的检测能力;在目标检测方面,提出在高分辨卷积特征图上进行上采样操作,并额外增加SENet特征增强模块,有效提高了目标检测效果.最后利用同时检测出的高压塔区域条件剔除了此区域之外的鸟巢检测结果,进一步提升了最终的鸟巢检测精度.该方法在2 000幅无人机实际巡检航拍的含有鸟巢的图像数据集上进行了测试.实验结果表明:本文方法的平均检测精度达到了84.55%.对比已有的基于HOG+SVM的检测方法和基于经典的Faster R-CNN ResNet-50检测方法,本文所提出的方法平均检测精度分别提高了43.5%和15.2%,并加快了检测速度.该方法为无人机电力智能巡检提供了一种新的解决办法.