基于深度学习SSD模型的人数统计技术

基于深度学习SSD模型，将检测目标的类别由20类修改为只检测人的单类，并对比了同一检测任务下2个模型的检测效果.实验结果表明，在对人的检测任务中，单类目标的SSD模型的检测效果优于20类目标的SSD模型.     

用于交通标志检测的窗口大小聚类残差SSD模型

SSD通常被认为适合于求解小目标图像检测问题,但在特征表征和检测效率两方面还存在改进空间.提出一种聚类残差SSD模型,一方面将原始SSD模型中的VGG16基础网络替换为更深的ResNet50残差网络,以改善特征表征能力.另一方面采用K-均值聚类算法取代盲目搜索机制,确定SSD中默认窗口的大小,以改善检测效率.针对德国交通标志检测数据集,模型获得了97.1%mAP和每幅图像0.07 s的检测速度.针对中国交通标志数据集,模型获得89.7%mAP和每幅图像0.08 s的检测速度.与原始SSD模型比较,本文所提模型的检测性能得到改善.     

基于轻量化SSD的车辆及行人检测网络

近年来,基于深度学习的目标检测算法发展迅速.但是由于深度网络规模过大,导致其还不能在嵌入式平台上进行广泛应用.本文针对SSD(Single Shot Multi-box Detector)模型的规模进行优化,引入了轻量化卷积神经网络MobileNetv2,对比了SSD和其轻量化版本SSDLite的网络结构,在此基础上提出了基于轻量化SSD的车辆及行人检测模型LVP-DN(Lightweight Vehicle and Pedestrian Detection Network).首先,通过MobilNetv2替代VGG作为基础网络进行特征提取.然后,用轻量化的SSD版本SSDLite替代SSD,从而达到减少模型大小、加快检测速度的目的.进一步通过优化默认候选框的比例,提高了网络对行人的检测精度.最后,在KITTI和PASCAL VOC数据集上分别对比了不同基础网络、输入图像尺寸及是否使用预训练模型这3个因素对网络性能的影响.实验结果表明,相比其他流行的目标检测模型,本文所提出的车辆及行人检测模型在精度、速度和模型大小等评价标准上取得了较好的效果.     

面向小目标检测结合特征金字塔网络的SSD改进模型

针对SSD卷积神经网络模型对小目标检测精度不高的问题,提出了一种基于特征金字塔网络的SSD改进模型.特征金字塔网络可以将深层的携带有更抽象、更丰富的语义信息的卷积特征图与浅层的分辨率更高、更细节的卷积特征图进行融合.检测的过程是将原始SSD网络得到的多层特征图,经改进设计的横向连接层、上采样层、融合层和预测层处理后,再通过非极大值抑制得到最终的检测结果.采用PASCAL VOC 2007和2012(train+val)作为训练集,PASCAL VOC 2007(test)测试集的m AP达到了75. 8%,相比原SSD模型提高了1. 5%.其中,在盆栽植物类密集小目标检测上有9. 9%的提升.     

基于深度学习轻量化的改进SSD煤矸快速分选模型

针对SSD目标检测模型参数量大、运行速率低的问题，在SSD模型的基础上提出一种新的煤矸快速识别模型DSR-SSD.应用深度可分离卷积代替主干特征提取网络中的普通卷积，减少了模型的计算量；将RFB模块融入到SSD模型中，提高了模型的特征提取能力.经验证，DSR-SSD模型的识别速率为113.99帧/s、精确率为95.17%.将DSR-SSD与SSD,Faster-RCNN,YOLOv3三种模型对比，发现DSR-SSD模型与SSD模型相比，精确率提高了2.29%,识别速率提高了60.89%;同时，DSR-SSD模型的精确率比Faster-RCNN模型高2.86%,比YOLOv3模型高2.71%,识别速率分别是Faster-RCNN模型和YOLOv3模型的14.90倍和3.65倍，证明了DSR-SSD模型性能优越.     

复杂场景图像中人员目标检测算法的改进

图像或视频中的人员目标检测,一般采用单个深层神经网络检测器(SSD)算法.但在复杂场景下,SSD算法因场景复杂、物体重叠、遮挡等干扰,检测精度大大降低.在SSD算法中加入反卷积网络反馈用于增加环境感知信息;采用辅助损失函数以促进损失降低,并将复杂场景中的目标检测多分类问题转换为二分类问题.以无人机拍摄的复杂场景下的行人数据集为例进行人员目标检测实验,对比分析多种检测方法的准确率表明,改进后的SSD算法在检测速度和识别精度上均提高明显.     

基于clear-SSD的单点多盒飞机目标检测天气适用性

目前遥感影像目标检测算法大多针对良好天气,一旦出现雾霾,则必然影响检测效果。为使目标在良好天气或雾天条件下均能有较优的检测精度,提高模型适用性。以飞机检测为例,提出一种基于影像处理的clear-SSD单点多盒目标检测模型。该模型在SSD检测算法前增加了影像处理算法,即先对待检测的遥感影像进行清晰化处理,再通过SSD检测算法提取影像中的飞机。比较不同清晰化算法对检测精度的提升效果,选择适用性最优的算法作为模型前端,备选清晰化算法包括暗通道、高斯同态滤波及线性同态滤波,研究表明,三种清晰化算法对精度均有改善,其中高斯同态滤波的适用性最优,平均检测精度达到0.9843,比原始SSD模型提高了0.043,因此,将高斯同态滤波作为clear-SSD模型的影像处理部分。     

基于类加权YOLO网络的水下目标检测

由于水下目标检测面临着图像模糊、尺度多样化、复杂背景等问题,给水下目标检测应用带来很多挑战.本文提出了一种基于类加权YOLO网络的水下目标检测方法,主要思想是在深度网络YOLO的基础上,构造了类加权损失函数,来平衡样本难易程度以获得更好的效果,并引入了目标框自适应维度聚类方法,进一步提升了检测性能.实验结果表明,本文算法与传统的YOLO网络模型相比,在每幅图片包含近20个目标的密集目标检测任务中,能够将平均准确率从71.2%提升至74.1%,召回率由71.1%提升到78.3%.     

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。     

一种改进的SSD算法

为改善在目标尺度变化场景下的检测效果,在SSD算法基础上提出了一种改进方案。首先利用级联膨胀卷积对卷积层进行二次特征提取,然后通过密集连接方式获取目标的上下文信息,最后使用权重共享实现模型优化并采用多任务学习策略预测目标的类别及位置。在UA-DETRAC数据集上的实验结果表明,改进算法的平均精度达89%,超过Faster R-CNN算法17%左右,超过SSD算法10%左右。本文算法对多尺度目标检测任务具有更好的精确性和鲁棒性,能适应遮挡和光照不均匀等应用场景。     

基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.     

基于深度学习的蜜柚果树航拍图像检测

精细化、智慧化是果园管理的必然发展趋势,其中果树位置信息是果园管理的重要数据。为了快速获取井冈蜜柚果树的位置,利用无人机航拍获取蜜柚果园的正射影像,提出了一种用于检测蜜柚果树目标的SSD改进算法。该算法将原SSD算法的主干网络VGG替换为VoVNet,提高了特征提取能力。对样本数据进行了裁剪处理,有效提高了算法检测小目标的能力。实验结果表明,蜜柚果树目标的平均检测精度达到92.6%。     

基于自适应感受野的教室人体姿态实时检测

人体姿态信息对教学管理和教学评估具有重要作用,通过算法快速且准确地获取人体姿态信息具有重要的研究意义。近年来,尽管基于人体关键点的姿态估计方法被广泛研究,但由于教室监控场景图像普遍存在遮挡严重、目标尺度变化大、图像成像质量差等问题,难以直接运用现有方法。提出一种基于自适应感受野的教室人体姿态实时检测方法。在单发多边框检测器(single shot multibox detector, SSD)网络中,构建自适应感受野卷积模块,通过上下两个支路提取不同感受野的特征;在反向传播过程中,自动学习上下支路的特征融合参数,自适应调整网络的感受野;提高网络在教室场景中人体姿态的检测性能。实验结果表明,提出的方法可以实现实时检测,且优于现有的教室人体姿态检测方法和其他单阶段目标检测方法。     

UCAV协同攻击多目标的任务分配技术研究

为解决单目标函数构建的任务分配模型不能给火控决策者提供更多有用信息的问题, 将无人机（UCAV： Unmanned Combat Aerial Vehicle）损耗代价和目标毁伤价值作为UCAV协同攻击任务分配的两个目标函数, 对其进行多目标优化, 建立新型任务分配模型。在此基础上, 采用一种改进带精英策略的快速非支配排序遗传算法(NSGAII: )进行求解, 得到多目标协同攻击任务分配的Pareto最优解集, 然后根据决策者的偏好选取最佳的任务分配方案。最后通过仿真算例, 验证了该算法的收敛性及有效性。     

基于残差网络和改进特征金字塔的油田作业现场目标检测算法

针对单点多盒检测器(single shot multibox detector,SSD)对小目标识别率低的问题,提出一种基于残差网络和改进特征金字塔(feature pyramid networks,FPN)的RP-SSD(residual and pyramid SSD)算法,并将其应用于油田安防领域。为了得到小物体更多的信息,首先在特征金字塔中增加上采样模块,并在上采样模块之后添加预测模块,之后采用空洞卷积增大Conv4_3的感受野。RP-SSD网络变深,针对RP-SSD在反向传播过程中存在梯度爆炸或梯度消失的问题,采用跳层连接的方式改进基础网络。RP-SSD在PASCAL VOC测试的准确率(meanaverage precision,mAP)为78.9%,比SSD提高了1.7%,其中对于目标较小的bottle类提高了8.9%。实验结果表明,RP-SSD对小目标检测的性能提高显著,同时RP-SSD在GTX 1080Ti上测试的速度为32帧/s,可见RP-SSD可以达到实时处理的要求。     

基于YOLOv5的表面 缺陷检测优化算法

快速、准确地检测材料表面缺陷已成为各领域研究的重要目标，为增加检测效率，实现设备轻量化，提出了一种基于YOLOv5的目标检测优化算法，添加DyHead检测头，融合多个注意力机制，增强模型的检测精度；更换aLRPLoss损失函数，减少超参数调节工作，优化训练过程；基于FasterNet提出C3-Faster,代替网络中的C3模块，以PConv的思想提升模型检测性能，减少模型体积；最后添加轻量级上采样算子CARAFE,扩大模型感受野，提升对不同大小目标的检测效果。实验结果表明，改进后的YOLOv5模型相比于原版模型，在钢材表面缺陷数据集上总体平均精度提高了4.174%,参数量减少了11.25%,计算复杂度减少了13.75%,权重体积减少了10.72%,检测性能高于SSD、RetinaNet、FCOS、YOLOv3、YOLOv4等主流目标检测算法，在工业检测中具有较高的应用价值。     

改进深度可分离卷积的SSD车型识别

针对现有车辆识别方法对于车型实时识别能力不足的问题,提出一种改进的深度可分离卷积的SSD(single shot multibox detector)算法用于车型识别研究.首先,利用深度可分离卷积网络进行特征提取,并引入反残差模块来解决因通道数少、特征压缩导致的准确率下降问题.其次,以车辆的刚体特性为依据,重新设计区域候选框,减少模型参数运算量.最后,在BIT-Vehicle数据集上进行消融实验来对比不同网络模型性能差异.结果表明:改进的深度可分离卷积的SSD车型识别方法有更好的车型识别效果,可以达到96.12％的识别精度,检测速度提高至0.078 s/帧.