基于改进YOLOv4的轻量化目标检测方法

针对检测模型参数量大,难以在嵌入式设备上部署等问题,设计了一种改进的YOLOv4目标检测算法.该算法使用轻量化的MobileNetV1替换CSPDarketnet53主干特征提取网络,并将后续网络中的3×3卷积替换为深度可分离卷积,极大地减少了模型的参数量;在检测头加入NAM注意力模块,增强网络对细节信息的提取能力;采用SDIoU Loss作为边框回归损失,在加快收敛速度的同时提高了检测精度.实验表明：与YOLOv4-CSPDarknet53相比,改进算法在PASCAL VOC07+12数据集上训练出来的模型大小为47.19 M,约为原来的五分之一,FPS提升了40(f/s),mAP提升了2.4%.与YOLOv4-Tiny、YOLOv5s、YOLOv7等目标检测算法相比,具有兼顾检测速度与精度的特点.     

基于轻量化EfficientNet的小目标裂缝检测算法

现有目标检测算法在小目标检测中存在可利用特征少、有效特征提取困难、易受环境干扰等问题.基于此,提出一种高效的主干特征提取网络EfficientNet来进行目标检测,在检测模型中融合注意力机制,以增强对小目标的识别能力.将提出的模型应用到细微裂缝检测中,从增强小目标识别、减少模型参数、提高网络检测速度三方面进行改进,研究结果表明：当输入图像为416×416分辨率时,本文模型的F1值相比于主流检测模型至少有3%的提升,模型的参数量与主流检测器相比减少了80%～85%,检测速率可达到每秒帧数（Frame Per Second,FPS）102帧/s.     

边缘信息增强的显著性目标检测网络

针对显著性目标检测任务中识别结果边缘模糊的问题,提出了一种能够充分利用边缘信息增强边缘像素置信度的新模型。该网络主要有两个创新点：设计三重注意力模块,利用预测图的特点直接生成前景、背景和边缘注意力,并且生成注意力权重的过程不增加任何参数;设计边缘预测模块,在分辨率较高的网络浅层进行有监督的边缘预测,并与网络深层的显著图预测融合,细化了边缘。在6种常用公开数据集上用定性和定量的方法评估了该模型,并且与其他模型进行充分对比,证明设计的新模型能够取得最优的效果。此外,该模型参数量为30.28 M,可以在GTX 1080 Ti显卡上达到31 帧·s^-1的预测速度。     

目标边缘特征增强检测算法

针对分组角点检测网络在目标检测过程中,由于目标尺寸过小或同类目标空间距离较小而导致检测失效的问题,提出一种边缘特征增强的CornerNet目标检测算法OEC。该算法通过分离特征的高低频信息提取更多的高频信息,增强目标的边缘轮廓特征,解决关键点定位不准确的问题,提高目标的框定效果,进一步提升检测精度。仿真结果表明,该算法对行人、车辆等目标检测效果均有提高,在COCO数据集上的检测结果与CornerNet相比,mAP提高0.9%,可应用于无人驾驶与智能机器人等场景。     

基于YOLOv5s的轻量化朱鹮检测算法研究

针对当前朱鹮检测算法模型参数较多、计算量大的问题,本文设计研究了一种基于YOLOv5s的高性能轻量化网络模型。首先,结合EfficientNet网络中的MBConvBlock对原主干网络进行重构,大幅降低网络参数;同时在浅层网络中采用Stem模块,提升浅层网络的特征提取能力;然后改进卷积注意力模块(CBAM),即将其中的通道注意力替换为高效通道注意力模块(ECA),避免了降维操作,有效提取了邻近通道间的信息,且大幅降低了通道注意力的参数数量,并将其嵌入特征融合网络路径聚合网络(PANet)中,达到了引入微小参数数量而有效提升网络性能的目的,并将其命名为高效卷积注意力模块(ECBAM)。最后,在自建朱鹮数据集和公共数据集PASCAL VOC、COCO上进行实验,实验结果表明,与YOLOv5s算法相比,本文算法模型参数数量降低了52.37%,计算次数降低了54.55%,在自建朱鹮数据集上P_mAP@0.5:0.95仅降低了约2个百分点,达到0.666,在公共数据集PASCAL VOC上P_mAP@0.5达到0.792,在公共数据集COCO上P     

基于改进YOLOv5的轻量化无人机检测算法

针对现有的无人机检测算法无法同时兼顾检测速度及检测精度的问题,本文提出了一种基于YOLOv5s（You Only Look Once）的轻量化无人机检测算法TDRD-YOLO（Tiny Drone Real-time Detection-YOLO）.该算法首先以YOLOv5s的多尺度融合层和输出检测层分别作为颈部网络和头部网络,引入MobileNetv3轻量化网络对原骨干网络进行重构,并将骨干网络后的通道在原YOLOv5s的基础上进行压缩,减小网络模型大小;其次,将骨干网络中Bneck模块的注意力机制由SE修改为（Convolutional Block Attention Module,CBAM）并在颈部网络引入CBAM,使网络模型更加关注目标特征;最后修改颈部网络的激活函数为h-swish,进一步提高模型精度.实验结果表明：本文提出的TDRD-YOLO算法平均检测精度达到96.8%,与 YOLOv5s相比,参数量减小到原来的1/11,检测速度提升1.5倍,模型大小压缩到原来的1/8.5.实验验证了本文算法可在大幅降低模型大小、提升检测速度的同时保持良好的检测性能.     

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...     

面向智能航道巡检的水面目标检测算法

为解决多场景复杂内河背景下水面目标检测存在环境噪声大、水面目标分布情况繁杂、特征微小模糊等问题,提出一种融合多尺度特征和注意力机制,增强类激活映射的水面目标检测算法,称UltraWS水面目标检测算法。在典型检测网络上设计空间注意力模块与多头策略,融合多尺度特征,提高对微小目标的检测能力。其次,提出UltraLU模块增强类激活映射,减小环境因素与分布因素对检测目标的影响。最后,设计对模型进行Tucker张量分解,实现模型轻量化,增强模型的可解释性与推理速度。实验结果表明,所提出的UltraWS算法提高了对背景噪声的抗干扰能力,更好捕捉微小目标,满足边缘化部署的检测速度和准确率均衡性需求。在WSODD数据集上,算法的mAP值取得了最高的84.5%,相较于其他主流方法存在较大提升。基于提出的算法建立航道安全巡检体系与评估方法,有利于推动内河智慧航运的发展。     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

一种面向移动端应用的实时目标检测算法

针对目标检测算法部署在移动端存在内存消耗大、精度低等问题,在NanoDet模型的基础上提出一种引入改进注意力机制的轻量级目标检测网络。首先,设计通道双池化及空间双向拆分的注意力模块,在尽可能不增加计算消耗的同时加强网络对感兴趣区域的关注能力;其次,引入空洞卷积及Mish函数增加网络的感受野及特征判别能力,并缩减冗余的降采样单元结构以加快网络的实时性;最后,在MS COCO2017数据集及安卓设备上的实验验证可知,本文算法在少量模型参数下提高了检测准确率,并保证30帧/秒的移动端检测速度,效果优于YOLO系列等轻量级网络。实验结果表明,本文算法参数量较YOLO系列模型参数量更低,更适合移动端和嵌入式设备的实时目标检测场景。     

基于注意力机制的水下目标检测算法

针对传统水下目标检测算法识别精度低的问题,提出一种基于注意力机制的水下目标检测算法(feature refinement and attention mechanism network,FRANet).该算法采用特征融合模块和特征增强模块相结合的方式,使用卷积神经网络提取目标的多尺度特征.同时引入一种由锚框精化模块、空...     

基于多尺度融合和轻量化网络的无人机目标检测算法

针对在游乐场、公园等公共安全区域因无人机的尺度变化实时检测困难和计算资源有限的问题,提出一种网络动态实时检测无人机方法YOLO-Ads,以增加网络对无人机尺度变化的鲁棒性.首先自主构建了无人机数据集;其次将轻量化网络作为主干建立一个新的MDDRDNet网络,减小模型计算的复杂度,并且引入协调注意力机制模块,加强网络对空间和通道的关注度;然后采用均值聚类算法,重新生成先验框,在先验框的选择上结合多探测头和多数据集的寻优办法,使重新生成的先验框与无人机更加匹配;然后基于特征融合和残差思想建立一个新的探测头以适应更小尺度无人机的检测;最后,在检测模块中引入类激活映射模块生成热力图,以观察网络对无人机尺度变化的敏感程度,同时与当前主流网络SSD、CenterNet、YOLOv5、YOLOx等和不同主干网络ResNet、EfficientNet、VGGNet等进行对比实验.实验结果表明,新提出的算法在尺度变化的无人机检测上平均精度达到96.62%,相较YOLOv4算法提高了1.88%;检测速度为每秒47帧,相较YOLOv4算法提高了19帧;模型所占内存大约为10.844 M,约为原内存的六分之一,体现了该方法的有效性和鲁棒性.     

基于边缘检测与码本模型的运动目标检测算法

传统的码本模型能够快速完整的检测出运动目标,但检测出的运动目标边缘不准确,同时易受到阴影的干扰。针对这一问题,本文提出了基于边缘检测与码本模型的运动目标检测算法。该算法在码本模型提取运动目标的基础上,利用基于YCrCb色彩空间的阴影去除算法消除阴影;然后根据Canny边缘检测算子和形态学闭运算获取运动目标的边缘轮廓。将阴影去除得到的运动目标与边缘检测得到的边缘轮廓进行“与运算”,得到最终的运动目标。经过实验仿真,本算法能够提取边缘轮廓准确和完整的运动目标, 同时能有效的抑制噪声。     

基于边缘计算的鱼眼相机高空抛物检测系统

高空抛物引发的人身财产损失案件频发,并且抛物行为迅速而突然,目击者少且不稳定,这导致了案件的取证工作变得极为复杂.针对此类现象,提出一种基于边缘计算的鱼眼相机高空抛物检测系统,主要分为图像视频采集、终端动目标检测以及边缘端目标识别3个模块,在终端将高空抛物视频矫正畸变后,利用三帧差法对抛物者与抛物对象进行标记,随后发送视频序列至边缘端进行目标识别.实验结果的平均精确率均值为0.994,结果表明该系统能够有效检测高空抛物行为.     

轻量化二维人体骨骼关键点检测算法综述

随着移动设备和嵌入式设备的发展,对二维人体骨骼关键点检测网络提出了更高的要求。设计轻量化神经网络是解决网络参数量大、计算量大的重要方法。首先,介绍了基于神经网络的二维人体骨骼关键点检测中常用的数据集、主流方法和轻量级神经网络;然后,对近几年基于神经网络的轻量化人体姿态估计方法进行了分类和总结,根据神经网络轻量化方式将二维骨骼关键点检测方法归成四类：轻量化特征提取网络、深度可分离卷积、Dense连接机制和Lightweight瓶颈结构,并分析了它们的优缺点和轻量化手段;最后,介绍了常用的评价指标,并对改进后的轻量化方法进行了实验数据对比,结合当前研究所面临的问题及未来的发展趋势进行了总结。     

运动目标检测中的边缘检测算法

视频图像中运动目标检测是计算机视觉领域的重要研究内容。基于多分辨率分级分块的思想，采用了一种有效的块边缘检测算法，改进了二值图像边缘检测所用的传统方法，减少了确定边缘的时间，实验结果表明，该方法是比较有效的。     

基于帧差法与边缘信息的红外目标检测算法研究

根据红外序列图像中运动目标具有连续性和一致性,本文提出了帧差法和边缘检测相结合的检测方法。首先采用连续帧间差分法处理图像得到运动区域,然后对当前帧进行canny边缘检测得到边缘信息,两者检测结果相与得到运动目标边缘;最后进行形态学运算得到精确的目标边缘。仿真结果表明,该方法克服了帧差法和边缘检测的不足,对复杂背景下的运动目标能够进行准确检测。     

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样,目标尺度变化剧烈,高速低空运动模糊等诸多特性,给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题,提出了Dy-YOLO模型,在YOLOv5的基础上引入Dynamic Head注意力,从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力;设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力;此外,还使用SimOTA标签分配方式来弥补小样本的损失,并使用CARAFE(content-aware resssembly of features)上采样算子,有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上,Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明,Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。     

一种鬼影及边缘传播抑制的ViBe目标检测算法

针对在目标运动检测中ViBe算法容易产生鬼影、缓慢移动的目标容易融入背景样本模型等问题,提出一种改进的ViBe算法,首先在使用ViBe算法检测到运动目标后,利用迭代自组织分析算法的阈值分割来进行鬼影判别;其次利用改进的Canny算子获得图像的边缘特征,当ViBe算法在更新目标边缘的背景样本模型时不对其邻域的样本模型进行更新,从而使得缓慢移动的目标融入背景样本模型的时间得以延长;最后通过形态学处理获得完整的运动目标.实验结果表明,与传统ViBe算法相比,本文算法在有鬼影的情况下能更快获得较高的检测准确率,在有缓慢移动目标的情况下准确率的下降时间更晚.     

基于图像边缘和对比度的显著目标检测

为了对自然场景中各类显著目标进行准确的检测,提出了一种结合图像边缘和多尺度对比度信息的检测方法。首先对图像进行快速双边滤波,在对图像平滑去除复杂纹理的同时保留物体结构边缘信息,然后用直线检测算子进行边缘检测得到边缘显著图。再利用对比度检测算子计算图像的区域对比度和全局对比度得到对比度显著图。融合边缘显著图和对比度显著图得到最后的显著目标图。实验表明该方法准确率高于大多数现有的显著目标检测方法。