基于YOLOv5的遥感图像目标检测

目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测.提出把YOLOv5算法应用到遥感图像目标检测的方法,首先选择YOLOv5x来构建网络模型,再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小,然后切片卷积操作得到原始特征图,将原始特征图送入主干网络进行特征融合得到最优权重,最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选,对遥感图像进行目标检测.在公开的10类地理空间物体(NWPU-VHR 10)数据集进行了检测实验,以评估所提出模型的目标检测性能.对比实验表明,本文的模型mAP达到了0.9239,与使用相同数据集的模型中的最佳结果进行比较,mAP提升了1.78％,该方法可以提高遥感图像目标检测精度.     

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...     

基于改进Yolov3的驾驶员疲劳检测

疲劳驾驶是引发交通事故的主要原因之一,为了预防疲劳驾驶的发生,基于多信息融合方法研究了驾驶员疲劳检测技术。通过改进的Yolov3算法与卡尔曼滤波算法的结合进行人脸检测。利用一种基于提升树的算法实现脸部关键点检测,并基于单位时间里眼睛闭合时间所占的百分比(percentage of eyelid closure over the pupil over time, PERCLOS),最长持续闭眼时间和哈欠次数这3个特征进行多特征融合的疲劳检测。在实车录制数据集上进行验证,实验结果表明：所提方法平均识别正确率达92.5%,具有较高的准确率,针对复杂环境有较强的鲁棒性,对于将来的研究有着重大意义。     

基于改进YOLOv5的自动驾驶目标检测方法

针对目前自动驾驶领域的目标检测算法在交通场景下的漏检目标,目标定位不精确、目标特征表达不充分及目标识别效果欠佳等问题,提出一种基于TPH-YOLOv5的道路目标检测方法。首先为了减轻物体尺度急剧变化带来的漏检风险,增加了用于微小物体检测的检测头,为在高密度场景中精确定位对象,使用Transformer预测头来捕获全局信息;其次为了增强模型的特征表达能力,用SIMAM模块对卷积层的输出进行加权;最后,为了提高目标识别的精度,网络颈部增加了4个SPP块来进行多尺度融合,为了加快收敛速度和提高回归精度采用EIOU作为边界框损失函数。通过消融、对比和可视化验证实验表明,提出的算法比YOLOv5在平均精度上提高了8.1%,漏检率明显减少,目标检测效果明显增强。     

基于改进YOLOv5的遥感图像飞机目标检测

针对遥感图像中飞机检测尺寸大小不一、背景复杂导致的难以识别问题,提出一种基于YOLOv5网络模型的改进方法。首先,在YOLOv5网络模型中融入Swin-Transformer模块,使网络全局建模并使全维度信息交互,以提升网络的特征提取能力;其次,对损失函数进行优化,引入SIOU损失函数以考虑真实框和预测框之间的向量角度问题。对比实验表明,优化前后网络模型检测精度均为95.3%。在检测精度相同的情况下,改进后的网络模型召回率为91.2%,比改进前提升0.6个百分点;改进后平均检测精度mAP_0.5为95.7%,比改进前提升0.2个百分点。结果表明,改进后的YOLOv5网络模型能在一定程度上提升遥感图像中飞机目标检测性能。     

基于改进YOLOv5的鱼眼图像目标检测算法

针对自动驾驶场景下车载鱼眼相机采集到的图像存在畸变严重、场景复杂、尺度变化剧烈、小目标多以及传统的目标检测模型的检测精度不高的问题,提出了一种基于YOLOv5s改进的鱼眼图像检测模型YOLOv5s-R.首先,为解决小目标难识别的问题,提出随机裁剪多尺度训练的数据增强方法,该方法优于消融实验所得的最优数据增强方法.其次,为了提高模型的检测精度,在网络头部添加置换注意力机制与轻量化解耦头,增强模型对特征的提取能力与识别能力,并抑制噪声干扰.最后,模型额外增加角度预测项,实现旋转框目标检测.通过构建环形标签并用高斯函数对标签平滑,解决了旋转框角度的周期性问题;又对损失函数进行了优化,提出了RIOU,在CIOU的基础上增加角度惩罚项,提高了回归精度并加快了模型的收敛.实验结果表明,提出的YOLOv5s-R模型在WoodScape数据集上取得良好的检测效果,相比于原始的YOLOv5s模型,mAP@0.5、mAP@0.5∶0.95分别提升了6.8%、5.6%,达到82.6%、49.5%.     

基于改进YOLOv5算法的车辆目标检测

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU＿nms应用于YOLOv5算法来提高目标识别效果.改进后的YOLOv5算法,目标检测mAP达到了85.8%,比改进前的YOLOv5算法提升了1.3%.     

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。     

基于改进YOLOv5的拥挤行人检测算法

针对密集场景下行人检测的目标重叠和尺寸偏小等问题,提出了基于改进YOLOv5的拥挤行人检测算法。在主干网络中嵌入坐标注意力机制,提高模型对目标的精准定位能力;在原算法三尺度检测的基础上增加浅层检测尺度,增强小尺寸目标的检测效果;将部分普通卷积替换为深度可分离卷积,在不影响模型精度的前提下减少模型的计算量和参数量;优化边界框回归损失函数,提升模型精度和加快收敛速度。实验结果表明,与原始的YOLOv5算法相比,改进后YOLOv5算法的平均精度均值提升了7.4个百分点,检测速度达到了56.1帧/s,可以满足密集场景下拥挤行人的实时检测需求。     

基于改进YOLOv5s的行人车辆目标检测算法

针对传统的行人车辆目标检测算法因参数量大和计算复杂度高而在现实应用中受限的问题,基于轻量化深度学习网络提出改进的YOLOv5s行人车辆目标检测算法.首先,选用ghost模块替换主干网络中部分卷积模块进行模型剪枝,同时向网络中引入注意力机制,使得网络在减少模型参数量和提升模型性能两方面实现更好的平衡;其次,采用边界框的宽高差值计算代替边界框回归损失函数中宽高比距离的计算,加速网络的收敛;最后,通过构建真实交通场景下的行人车辆目标检测数据集检验模型的准确性和实时性.实验结果表明,在保持原算法较高精度的同时,改进后YOLOv5s算法的参数量下降28%,模型大小降低27%,节省了硬件成本,拓宽了YOLOv5s算法的应用场景.     

基于改进卷积神经网络的遥感图像目标检测方法

为了提高遥感目标检测的稳健性和准确性,基于低层特征检测器,增加了1个改进型卷积神经网络(CNN)框架。首先,利用支持向量回归(SVR)对遥感目标进行初步分类,将检测出的目标信息作为CNN框架的输入。然后,对CNN框架进行优化,通过模块扩展的方式纳入更深的模块。为了使得分类器对亮度变化具有更好的稳健性,在特征向量分类之前增加正则化层(RL)。同时,为了提升目标检测的准确性,增加1个欧拉变换层(ETL),作为类别间的分离度量。使用来自CIFAR-10和MNIST数据集中的图像,与定向梯度边缘直方图(E-HOG)方法、基于生成式对抗网络(GAN)的检测方法、基于二值与浮点数混用方法的语义分割网络(MBU-Net)相比较,仿真结果表明：该文方法的精度和F1得分更高,且标准偏差也更低;该文方法的运行时间接近于一般CNN方法;利用该文方法在测试集的卫星图像中进行目标建筑物检测,模块化CNN可以与基于特征的算法实现互补。     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽,提出了一种改进的Yolov4算法．首先,针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题,自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后,为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率,设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征,加强待检测目标的特征纹理,使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤,加强或抑制特征图上的每一像素点,使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛,使用解耦合的检测头替换原Yolov4中的耦合检测头,使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力,提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明,该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽,准确率达到了95.1%．相比于原Yolov4模型,该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

采用改进YOLOv3的高分辨率遥感图像目标检测

由于高分辨率遥感图像存在目标排列密集、尺寸差别大等情况,传统算法难以准确地对其进行目标检测。在YOLOv3算法的基础上,提出一种改进的高分辨率遥感图像目标检测算法(remote sensing-YOLO,RS-YOLO)。利用K-means聚类算法对数据集进行聚类,重新设计适合遥感图像的先验框; 引入高斯模型计算预测框的不确定度,以提高网络对预测框坐标的准确度; 使用弱化的非极大值抑制算法(soft non-aximum suppression,Soft-NMS)对预测框进行处理,增强算法对密集排列目标的检测能力。实验结果表明,改进后的算法能够对高分辨率遥感图像进行有效的目标检测,以NWPU VHR-10数据集为例,RS-YOLO的平均检测精度达到了87.97%。     

基于密集编码标签的遥感图像旋转目标检测算法

针对现有目标检测算法在遥感图像中检测精度低,容易漏检等问题,提出了一种遥感图像旋转目标检测算法,使用YOLOv5m作为基本框架。首先,使用环形平滑标签CSL(Circular Smooth Label,CSL)将角度回归预测转变为角度分类预测,解决回归预测中的角度周期性和边界可交换性的问题,提升检测精度。其次,使用密集编码标签(Densely Coded Label,DCL)替换稀疏编码标签,大幅减少预测层厚度,提升训练速度。实验表明,使用改进后的算法较基准算法mAP提升4.88%,模型训练速度与原模型速度基本相同,证明了算法的有效性。     

基于改进轻量级SE Yolov4的 热轧钢表面缺陷检测方法

针对传统热轧钢表面缺陷检测存在的检测精度较低、检测速度较慢,传统机器学习检测存在检测速度慢、鲁棒性差等问题,提出一种基于改进轻量级SE Yolov4热轧钢表面缺陷检测方法.Yolov4主干特征提取网络CSPDarknet53的每一层残差网络中嵌入SENet结构,构成SE Yolov4网络,有选择地聚集有效信息;同时在主干特征网络输出不同特征信息后和空间池化金字塔前后增加卷积层数,网络结构复杂化;SE Yolov4算法中嵌入轻量化MobileNet v3结构,减少模型参数量,提高检测速度.实验结果表明:该改进算法在测试集中的mAP值达到93.02%,较Yolov4算法检测精度提升7.2%,检测速度提升近3倍.     

改进Yolov7的子午线轮胎X光图像缺陷检测

为了实现轮胎缺陷的自动检测,提高轮胎缺陷检测的精度,提出了一种子午线轮胎缺陷检测方法（YOLOv7-DCA）。首先,基于协调注意力和空洞卷积设计了DCA-MP(dilated coordinated attention-max pooling)模块,加强下采样的感受野同时提高缺陷所占权重,提高缺陷检测精度,其次,在Neck层中融合了CARAFE(content aware reassembly of features)模块进一步提高缺陷检测精度。实验结果表明,YOLOv7-DCA模型平均检测精度可以达到97.77%,相比于原YOLO(you only look once)算法提高了3.27%。与当前主流的Faster-RCNN,YOLOv5,YOLOv7-tiny系列模型相比,综合表现效果最好。可见,该模型对于轮胎缺陷自动检测研究提供了参考意义。     

一种光学遥感图像海面舰船检测算法

为了在通用硬件平台上实现光学遥感图像海面舰船检测,提出一套适合实际系统应用的算法。首先,在海陆分割阶段设计能快速粗分图像内容的自适应双门限阈值分割方法;其次,根据海面舰船分布稀疏的特点对分块后的图像进行目标存在性初判;接着,只对初判为有目标的分块提取目标候选区域,提高了检测效率,其中引入杂波率系数自适应地控制Top-Hat算子中结构元素的尺寸,使其更好地抑制背景;最后,采用基于特征的模式识别方法剔除虚警。测试结果验证了算法的性能,并在硬件平台上进行了实现。     

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%.     

基于改进ASIFT算法的遥感图像匹配

ASIFT算法是一种具备完全的仿射和尺度不变性的特征提取算法.但其存在一定的不足,如计算量大、匹配效率低、易出现重复特征等.针对这些不足,本文提出了一种改进的算法.该算法首先对多仿射造成的畸变图像进行模拟获得模拟图像,然后对模拟图像构建高斯阶梯(Zoser)图像金字塔,由24邻域极值点构成特征点,并确定特征点的尺度和方向,最后利用RANSAC算法剔除误匹配特征点对.通过对遥感图像匹配实验证明该算法效率较高,并能够适用于实时性要求较高的系统.