结合轮廓信息递归融合的显著性检测

针对当前显著性检测算法在检测图像目标边界时,由于轮廓信息不能够及时有效地被利用,导致检测目标效果差的问题,提出一种结合轮廓特征信息的显著性检测算法。该算法以深度残差网络的编解码结构为基础,在自下而上的路径中,首先引用一种融合方式交换轮廓特征与显著特征之间信息的单元模块,然后采用递归结构加强融合进行优化,提升轮廓信息的利用率。最后在此基础上,通过特征提取模块从分阶段的网络模型中提取出最有价值的上层特征,并且与真值图进行监督学习,以生成最优的边界预测。在DUT-OMRON、ECSSD等公开数据集上进行实验,结果表明,相对ITSD、F3Net等算法,该算法能够明显提高检测目标边界的精准度。     

基于OpenMV的目标方位追踪算法

提出一种基于OpenM V的目标方位追踪算法.算法以机器视觉模块OpenM V为图像输入及处理平台,通过自带的摄像头采集目标图像信息,使用通用加速分割检测算法(AGAST)获取目标的特征点,将采集到的特征点与目标特征进行匹配,达到追踪目标并检测其方位信息的目的 .实验结果表明,该算法在目标方位追踪上具有较高的准确率.     

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。     

一种多尺度YOLOv3的道路场景目标检测算法

针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5 d算法在通用自动驾驶数据集BDD100 K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s-1,满足实时性要求.     

基于RCBAM和SSD的特征融合低照度环境目标检测算法研究

针对低光照、雨雾等恶劣场景对智能驾驶视觉系统检测能力的影响,提出了一种雷达与相机特征融合的网络模型. 基于毫米波雷达信息和注意力模型构建了雷达注意力机制特征模块,该模块可以为特征融合网络提供一个先验信息和增加算法在目标候选区域权重. 测试结果表明,引入雷达注意力机制模块后,特征融合网络的目标检测性能要比仅依赖计算机视觉的检测性能有了明显的提升,并且在复杂场景下的目标检测鲁棒性更强.      

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.     

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.     

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...     

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You Only Look Once v2优化算法的车辆实时检测

针对基于You Only Look Once v2算法的目标检测存在精度低及稳健性差的问题,提出一种车辆目标实时检测的You Only Look Once v2优化算法;该算法以You Only Look Once v2算法为基础,通过增加网络深度,增强特征提取能力,同时,通过添加残差模块,解决网络深度增加带来的梯度消失或弥散问题;该方法将网络结构中低层特征与高层特征进行融合,提升对小目标车辆的检测精度。结果表明,通过在KITTI数据集上进行测试,优化后的算法在检测速度不变的情况下,提高了车辆目标检测精度,平均精度达到0.94,同时提升了小目标检测的准确性。     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection, SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

基于改进的TLD算法的手势跟踪算法

该文在分析表征手势特征基础上,分别根据金字塔LK原理、FERN分类原理和P-N学习原理及手运动轨迹的连续性规律来研究适用于手势识别的关键技术,即手势目标跟踪技术、P-N学习的样本增长和修剪技术的算法。针对目前在手的局部区域跟踪过程中,手势目标跟踪失败后难以恢复和容易受到脸部、肤色和手臂的干扰等问题,该文在TLD单目标跟踪算法的基础上,提出了一种改进的多目标手势局部区域跟踪TLD算法,针对算法的检测模块,在FERN分类器的基础上,采用颜色特征相交系数的方法,改进FERN分类器的第一级方差分类器;还提出一种自适应坐标系的方法,缩小了检测模块扫描窗口的滑动区域。通过仿真实验证明,相对于原算法,这一改进算法在客观评价指标和主观视觉效果上都有明显提高。     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

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。     

一种水下双目视觉测距方法研究

基于改进的SIFT特征匹配算法,建立了一个水下双目视觉测距系统.围绕提高水下双目视觉测距的精度、速度和抗干扰度等,研究了图像预处理、SIFT特征匹配算法等关键技术.针对传统图像直方图均衡化结果过亮或过暗现象以及过增强的特点,提出了一种改进的结合了OTSU阈值算法的直方图均衡化方法;结合稀疏匹配搜索算法,提出一种改进的SIFT特征匹配算法对左、右目图像进行特征匹配.利用区域增长算法,分别生成了水下标定板和机械臂的伪彩色视差图像,由视差图获得了目标相应位置的距离.实验结果显示:水下标定板平均测距精确度为97.66%,利用所提方法也获得了水下机械臂的双目视差图像.     

面向船舶智能航行的多尺度目标检测算法

针对船舶智能航行场景复杂以及获取的图像信息中障碍物尺度变化较大的问题,提出一种基于YOLO(you only look once)算法的多尺度目标检测算法.首先设计了一种自适应特征融合模块,使得用于检测的特征图具有各尺度的强语义信息;然后设计了新的损失函数,以缓解样本分布不均匀问题,优化训练过程;最后通过水面图像仿真实...     

基于多级特征融合的视频火焰检测方法

火焰前期一般多为小目标,但一般的火焰检测方法对于小目标的检测能力较差.为检测早期火焰,提高火灾预防能力,提出了一种融合多级特征的视频火焰检测方法,针对下采样分辨率变小导致丢失目标的问题,引入了反卷积模块,并融合深层具有较强语义信息的特征和浅层具有较强细节信息的特征,从而有效提高了火焰的检测率.所提算法在Bilkent大...     

基于改进Faster R-CNN的自然场景文字检测算法

自然场景中的文字受光照、污迹、文字较小等方面的影响,其检测难度较大,且传统的检测方法效果不好。在研究目标检测方法Faster RCNN的基础上,提出一种针对自然场景文字的改进方法。改进的模型由卷积神经网络特征提取模块,嵌套LSTM(nested long short-term memory,NLSTM)模块和区域候选网络(region proposal network,RPN)模块3部分组成,改进点主要是卷积神经网络特征提取模块增加了不同卷积层的空间特征融合,能够提取多层次的特征;增加嵌套LSTM模块能够学习长序列文本的序列特征,便于检测不定长度的文本序列;RPN模块通过设置宽为8像素,高度不定的锚点(anchor),可以提取一系列可能存在的目标建议框,其对小目标文字效果较好?。在实验部分,通过对标准数据集(ICDAR 2013,Multilingual)的实验结果对比表明,所提出的改进算法在准确率和效率方面明显优于改进前的算法。通过实列测试,改进的模型对小目标文字检测效果也有所提升。     

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。     

基于改进YOLOv3的交通标志检测

针对交通标志检测小目标数量多、定位困难及检测精度低等问题,本文提出一种基于改进YOLOv3的交通标志检测算法.首先,在网络结构中引入空间金字塔池化模块对3个尺度的预测特征图进行分块池化操作,提取出相同维度的输出,解决多尺度预测中可能出现的信息丢失和尺度不统一问题;然后,加入FI模块对3个尺度特征图进行信息融合,将浅层大特征图中包含的小目标信息添加到深层小特征图中,从而提高小目标检测精度.针对交通标志数据集特点,使用基于GIoU改进的TIoU作为边界框损失函数替换MSE函数,使得边界框回归更加准确;最后,通过k-means++算法对TT100K交通标志数据集进行聚类分析,重新生成尺寸更小的候选框.实验结果表明,本文算法与原始YOLOv3算法相比mAP提升11.1%,且检测每张图片耗时仅增加6.6 ms,仍符合实时检测要求.与其他先进算法相比,本文算法具有更好的检测精度和检测速度.