基于深度学习的目标检测算法综述

目标检测的任务是找出图像中所有感兴趣的目标（物体）,确定它们的位置和类别。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,使目标检测成为计算机视觉领域中最具有挑战性的问题之一。该文综述了深度学习在目标检测方面有代表性算法的进展与展望。针对基于候选窗口（Region Proposal）的Two-Stage检测框架和基于回归的One-Stage检测框架,分别对有代表性的检测算法进行重点介绍,做出对比与总结;最后讨论目标检测领域存在的困难与挑战,并对未来目标检测方向的发展趋势进行展望。     

基于深度学习的目标检测算法综述

目标识别和定位是计算机视觉领域研究的主要问题,图像分割、目标跟踪、目标行为分析等都是以图像中的目标检测为基础的.随着深度学习技术的发展,目标检测算法取得了巨大突破.在广泛调研相关文献的基础上,对目标检测算法进行分析和对比,分别研究基于区域提取的两阶段目标检测架构和直接位置回归的一阶段目标检测架构的本质特点和发展过程,并提出未来的发展方向.     

基于深度学习的水下生物目标检测方法综述

水下生物目标识别对水产养殖、濒危生物保护、生态环境监测具有重要意义。综合分析了当前各种深度学习方法在水下生物目标检测中的应用情况。首先介绍了常用的水下生物目标检测数据集;然后,按照两阶段和单阶段对当前常用目标检测方法进行分类、分析和总结,详细阐述了各类检测方法的实际应用状况,并重点对上述各类检测方法优化策略的优势与不足进行了分析和总结;最后,对基于深度学习的水下生物目标检测提出今后的研究重点,为该领域的研究人员提供了资料性的参考依据。     

基于深度学习的YOLO系列物体检测算法研究综述

随着深度学习的发展,YOLO物体检测算法成为计算机视觉领域的研究热点,因其优秀的检测速度和平均检测精度,在物体检测领域被广泛的应用。对YOLO算法的发展历程进行了详细的论述。首先,从网络结构入手,详细的总结并分析了YOLOv1-v8算法的原理,归纳了YOLO算法的损失函数以及每个版本的改进措施,对YOLO算法的应用场景进行了分类,主要分为农业、交通和工业三大类领域;其次,分析了YOLO物体检测算法常用的数据集;最后,针对YOLO算法的特点以及结合最新的相关文献,提出了YOLO物体检测算法未来的研究方向。     

基于深度学习的车道线检测方法综述

车道线检测是推动辅助驾驶和无人驾驶技术实现的重要因素.介绍车道线检测技术的应用和发展,列举部分车道线检测算法,对其研究现状进行综述;评述传统方法和深度学习方法的优缺点,系统地阐述深度学习对车道线检测领域的贡献;最后分析车道线检测方法目前存在的难点,对其未来的研究方向进行展望,为今后车道线检测技术的学习和发展提供参考.     

基于CAD模型虚拟仿真数据的深度学习目标检测

有效的深度学习网络在训练过程中所需数据规模大,而数据的采集与标注极为耗时耗力,限制了深度学习在工业上的应用范围.针对该问题,基于工业生产中常用的CAD模型,结合实际的工业应用背景,设计了一套参数化生成虚拟仿真工件图像数据集的方法,避免工业现场繁琐的平台搭建与数据采集过程.同时,提出一种基于YOLOv3的改进深度学习网络...     

基于Two-Stage的目标检测算法综述

近年来,深度学习领域出现了许多优秀的算法,特别是Two-Stage（两阶段）目标检测模型R-CNN(Region-CNN)的产生,基本取代了传统目标检测算法,极大地提高了检测模型的综合性能。本文详细介绍了目前流行的Two-Stage算法,并对它们的流程、特点、效率以及优缺点等方面进行了综述,最后对目标检测领域存在的问题以及未来研究方向提出了建议。     

一种用于航拍图像的目标检测算法

提出了一种用于航拍图像的目标检测算法DSB-YOLO(depthwise separable convolutional backbone and YOLO)。在YOLOv5s的基础上,首先从主干网提取特征图感受野的角度出发,通过改变卷积核的间隔采样,降低特征图的感受野以便更好地提取小目标的信息;其次,改进了网络Neck部分的特征金字塔模型(feature pyramid network, FPN)和路径聚合网络(path aggregation network, PAN)的特征融合路径,从而使网络浅层采样的特征图中大量位置信息能够与网络深层提取的特征图较好地结合在一起,有效地提高了小目标的准确检出率;接着将C3Transformer模块加入到主干网络中,用来整合全图信息;然后,对网络进行了轻量化处理,把网络主干的部分卷积改为深度可分离卷积并集成了SE注意力机制,其目的是聚焦并选择对目标检测任务有用的信息,从而提升了模型的检测效率。利用VisDrone数据集进行的对比实验结果表明,在输入图像分辨率为1 280×1 280像素时,本文提出的DSB-YOLO算法测试平均精度指标mAP50、...     

基于深度神经网络剪枝的两阶段遥感图像目标检测

在高分辨率遥感图像目标检测中,受云雾、光照、复杂背景、噪声等因素影响,现有目标检测方法虚警率高、速度慢、精确度低.为此提出基于深度神经网络剪枝的两阶段目标检测(object detection based on deep pruning,ODDP)方法.首先,给出深度神经网络剪枝方法,基于深度神经网络剪枝分别提出自主学习区域提取网络算法与优化训练分类网络算法;然后,将上述两算法用于卷积神经网络,得到两阶段目标检测模型.实验结果表明,在NWPU VHR-10高分辨率遥感数据集上,相比现有目标检测方法,ODDP的检测速度和精度均有一定提升.     

士兵目标的少样本深度学习检测方法

针对敌士兵数据集样本较少的问题,提出一种基于YOLOv3的少样本深度学习目标检测方法.利用数据增广提高少样本目标检测模型的鲁棒性,改进网络结构将浅层网络特征图跨层连接至深层网络,采用k-means聚类获取适合士兵目标特性的锚点框,利用预训练提高模型训练收敛速度.实验结果表明,本文方法对少样本敌士兵目标检测成功率mAP达到85.6%、检测精度IOU达到82.18%,且对小型和遮挡目标检测效果较好;部署在NVIDIA TITAN V GPU计算机和NVIDIA Xavier嵌入式计算平台上的检测速度分别达到54.6和26.8 fps,实时性好.      

卷积神经网络目标检测算法研究进展

随着深度学习的进步,卷积神经网络(convolutional neural networks,CNN)在目标检测领域的应用也取得了显著的提升。相比传统人工特征构造的方法,卷积神经网络算法具备自动特征提取和强大的泛化能力,在复杂场景下,目标检测任务得到了更好的解决。此外,该算法具有更好的鲁棒性,使其在实际应用中具备更高的可靠性和效率。在综述的过程中首先回顾了卷积神经网络的发展历程,重点介绍了其在计算机视觉领域的应用,并突出了与传统算法相比在图像处理方面的明显优势。接着,对分类与分割算法、目标检测算法和基于区域与回归检测的三种主流算法进行了介绍,特别强调了各类算法在解决目标定位、分类和语义分割等关键问题上的创新和突破。然后,对现有的公开数据集进行了归纳。最后,展望了目标检测算法未来的发展趋势。     

改进YOLOv7-Tiny的X射线安检违禁品检测

针对X射线安检场景中违禁品目标检测精度低,检测模型过于复杂的问题,在YOLOv7-Tiny模型的基础上,提出了一种新的轻量化检测方法。首先在骨干网络中融合改进的轻量化模块GhostNetV2,在减少模型参数的同时,提高训练效率;其次在YOLOv7-Tiny的颈部网络部分加入金字塔拆分注意力机制,有效解决参数减少导致的提取特征不足问题,提高背景复杂以及多尺度目标回归的准确性;最后,通过使用归一化Wasserstein距离方法来度量损失,替代了原有的Intersection over Union 度量,降低了小目标位置偏差的敏感性,增强了小目标的回归准确性。实验结果表明,改进模型在SIXray、CLCXray和OPIXray数据集上平均检测精度达到92.9%、76.2%和91.2%,相比原始算法分别提升了6.5%、2%和1.8 %;所提出模型在轻量化的同时能够进一步提高检测能力,可以满足实时检测要求,具有较好的应用价值。     

基于数据增强的卷积神经网络火灾识别

当前图像识别采用的普遍方法是卷积神经网络方法,但该方法依赖于大数据集,在样本不足时会出现过拟合问题。针对以上问题,根据火灾的背景复杂性和卷积神经网络自动学习特征的优点,提出一种基于数据增强的卷积神经网络火灾识别方法。对少量火灾图片引入数据增强技术,通过搭建一个3层卷积池化层和一个全连接层自动提取火灾特征,使用softmax分类器输出。仿真实验结果表明:原始数据测试集的识别率为95%,损失值发散,提出方法使测试集损失值收敛到0.2,改善了过拟合的问题;对数据增强减少过拟合的原因进行分析,表明对小样本使用卷积神经网络具有重要意义。     

基于机器视觉的表面缺陷检测研究综述

表面缺陷是工业产品生产中不可避免的问题,如果不及时发现并处理,将会影响产品的表观质量及性能,导致企业生产效益下降。基于机器视觉的表面缺陷检测方法在一定程度上克服了传统人工检测方法的检测效率低、误检及漏检率高的问题,在现代化的工业生产中得到了广泛的应用。本文归纳总结了近年来机器视觉表面缺陷检测领域的研究成果,分析了国内外缺陷检测技术的研究现状,阐述了机器视觉缺陷检测系统的组成及工作原理,综述了视觉缺陷检测所涉及到的相关理论和应用方法,比较了主流机器视觉检测方法的优缺点,并指出了现有机器视觉缺陷检测技术存在的问题,对以后的发展趋势进行了展望。     

基于计算机视觉的驾驶员疲劳状态检测预警技术研究

疲劳驾驶是造成交通事故的主要原因之一,为提高驾驶员疲劳驾驶状态的智能化检测水平,提出一种基于计算机视觉的面部多特征疲劳驾驶检测算法。该算法采用多线程优化后的Dlib（图像处理开源库）实现对驾驶员面部的定位与追踪,利用Dlib开源库中的人脸关键点检测器对驾驶员面部关键特征点进行提取,实时计算驾驶员眼部的纵横比（EAR）和嘴部长宽比（MAR）,并以自制视频流数据集作为实验样本计算出相关阈值,有效提高了检测算法的普适性,在此基础上,计算出眨眼频率、闭眼次数、眼睛闭合时间百分比（perclos）以及打哈欠频率这四个反映驾驶员疲劳状态的指标,并利用数学方法进行指标实时融合,根据融合指标的数值对驾驶员疲劳状态进行分级,最终通过实验验证该疲劳检测系统的准确性。结果表明,提出的综合疲劳指标能够准确反映在不同环境和光照下驾驶员的疲劳状态和发展趋势,驾驶员疲劳判定的正确率达到97.5%以上。     

基于深度学习的高分辨率图像的智能检测

针对高分辨率图像下目标所占面积小,检测效果较低、实时性较差的问题.提出了一种基于LDCF-ResNet50的深度学习模型检测方法.以行人检测为例说明此方法的有效性.首先基于局部无关通道特征的预测提议区域,对行人潜在区域粗检测.然后,设计候选区域合并和扩展方法,将合并后的区域用于后面的ResNet-50神经网络.其次,设...     

基于生成型深信度网络的回归算法鲁棒性分析

目前,深度学习在分类问题中取得了很多很好的效果,并开始在部分回归任务得到应用。然而,绝大部分研究重点都集中在相对其他回归算法的预报精度上,而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型;然后,建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型,并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示,基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此,基于生成型深信度网络的回归模型不仅预报精度高,而且此预报算法的鲁棒性也比较好;相对其他三种典型回归算法来说,可以更好地满足风电场风速预报问题的实际工程应用需求。     

工业图像在线识别中的一种有效方法——应用于半透明物体边缘检测

：提出了一种可应用于轻工业生产中半透明产品边缘提取的多窗口实时阈值确定方法,能够满足工业图像实时处理的要求。     

基于傅里叶描述子的形状特征匹配方法在机场掩体目标检测中的应用

文章研究了基于傅里叶描述子的形状特征匹配方法在机场掩体检测中的应用。本文利用傅里叶描述子对目标旋转、缩放和平移描述的不变性,确定了用基于傅里叶描述子的特征匹配方法来检测掩体目标,井对匹配方法的原理、步骤和方案进行了论述。用仿真数据进行了试验,试验结果验证了文中设计的形状匹配方法对掩体类目标检测的有效性。     

一种图象方向检测方法

在图象处理、模式识别中,经常要提取轮廓的走向、灰度电平变化方向的参数。在以往的方法中,常常采用不同方向的模板,对图象进行卷积运算,然后据所得的结果判别其方向。然而随着分辨率的提高,模板的数量也增加,卷积运算也增加,因此一般只能选取8个模板.本文提出一种比较法,它根据图象邻近象素点比较的结果,以权函数表示,其最终结果可获得16个方向的分辨率,由于没有乘法运算,因而运算速度高,易于硬件实现。