多层特征图堆叠网络及其目标检测方法

随着深度卷积神经网络的快速发展,基于深度学习的目标检测方法由于具有良好的特征表达能力及优良的检测精度,成为当前目标检测算法的主流.为了解决目标检测中小目标漏检问题,往往使用多尺度处理方法.现有的多尺度目标检测方法可以分为基于图像金字塔的方法和基于特征金字塔的方法.相比于基于图像金字塔的方法,基于特征金字塔的方法速度更快,更能充分利用不同卷积层的特征信息.现有的基于特征金字塔的方法采用对应元素相加的方式融合不同尺度的特征图,在特征融合过程中易丢失低层细节特征信息.针对该问题,本文基于特征金字塔网络(featurepyramidnetwork,FPN),提出一种多层特征图堆叠网络(multi-featureconcatenationnetwork,MFCN)及其目标检测方法.该网络以FPN为基础,设计多层特征图堆叠结构,通过不同特征层之间的特征图堆叠融合高层语义特征和低层细节特征,并且在每个层上进行目标检测,保证每层可包含该层及其之上所有层的特征信息,可有效克服低层细节信息丢失.同时,为了能够充分利用ResNet101中的高层特征,在其后添加新的卷积层,并联合其低层特征图,提取多尺度特征....     

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。     

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...     

基于高斯金字塔的运动目标检测

针对自然环境下运动目标检测背景动态变化问题,提出一种新的基于高斯金字塔模型的背景差分算法.首先将图像序列进行多尺度分解,得到不同分辨率下的当前帧和背景帧;然后,在不同分辨率下采用高低双阈值进行背景差分运算,得到双阈值产生的2帧前景图像,阈值根据环境自动获取;最后,将各层差分图像自顶向下融合检测感兴趣的运动目标,并在HSV空间中去除阴影.背景模型的初始化和更新方法基于2种假设:一是背景点出现的概率较大;二是距离当前帧越近的点越能真实地描述背景.研究结果表明:该算法能有效地应用于动态背景环境下,可以克服光照变化及阴影的影响.多个标准图像序列的测试证明了该算法具有较高的准确性、鲁棒性和自适应性,时间复杂度低,可以运用于实时检测系统中.     

结合特征融合和金字塔注意力的场景文本检测

基于深度学习的场景文本检测普遍缺少特征级的精细化,导致原本设计良好的模型不能被充分利用,提出将特征融合和特征金字塔注意力模块应用到场景文本检测.将基本特征提取网络(PixelLink算法)得到的4个特征映射层以采样后加权叠加的方式进行特征融合,并将结果送给特征金字塔注意力模块.特征融合使各层级的特征信息相结合,从而增加...     

注意力叠加与时序特征融合的目标检测方法

提出一种基于注意力叠加与时序特征融合的目标检测方法.在端到端目标检测(DETR)网络的基础上,依据注意力机制特性,使用注意力权重叠加的方式提取目标物像素级标识,用于实例轨迹的划分.为使目标检测与轨迹跟踪协同作用,通过时序特征融合的方式融合之前轨迹跟踪信息,调整当前帧目标检测效果,从而充分利用视频载体提供的时间维度信息.在公开数据集上,对文中方法进行验证,结果表明：文中方法能有效识别被遮挡的目标物,具有较强鲁棒性.     

基于特征金字塔网络的自然场景图像文本检测

针对深度学习中对任意形状文本检测准确率不高的问题,提出了一种结合特征金字塔网络(feature pyramid network,FPN)和内核尺度扩展算法的文本检测网络模型.特征金字塔网络能够提取卷积层中更加鲁棒的特征,融合后生成不同尺度的特征内核;内核尺度扩展算法将生成的最小特征内核逐渐扩展为包围完整文本实例的特征图...     

基于注意力机制和尺度均衡金字塔网络的目标检测

在目标检测领域中,基于预先是否对预测框与标注框进行关联,可分为anchor based与anchor free两种方法.Anchor based多应用于早期目标检测方法中,能够提升检测准确率,但过程复杂且计算量较大,因此会增加模型训练时间与推理速度,从而导致应用效率大大降低.而基于anchor free的方法去除了关于anchor的冗余计算,提升模型推理速度,但同时也牺牲了一定的准确率.结合二者的优点并基于anchor free方式对FCOS检测器做出改进,使得模型拥有anchor based方法的准确率和anchor free方法的推理速度.主要从以下两个方面进行研究：1)以anchor free方法为基础,如何使骨干网络有效提取特征.2)以anchor free方法为基础,在检测器中嵌入特征金字塔网络.从上述两方面,提出了一种基于注意力机制和尺度均衡金字塔网络的目标检测模型.在COCO数据集上,无论是属于anchor based方法的YOLOv3,Faster RCNN,还是属于anchor free方法的Foveabox, FSAF,FCOS,在所提方法的加成下都获得了更高的准确...     

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。     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

基于改进Mask R-CNN模型的电力场景目标检测方法

为了解决电力施工现场中安全帽佩戴情况以及危险区域行人入侵检测问题,提出一种基于改进Mask R-CNN模型的目标检测方法。首先依据迁移学习策略对Mask R-CNN主干网络进行参数初始化,以提取图像基本特征;然后引入特征金字塔结构进行自下而上的特征图提取,完成多尺度特征融合;接着,通过多尺度变换方法对区域推荐网络进行调整,获取锚点进行回归计算完成检测实验;最终对结果进行分析评价,多目标平均准确率达到了95.22%。将改进后的Mask R-CNN模型用于监控视频分析,针对监控视频像素过低问题,加入拉普拉斯算法锐化边缘,精准率提高到90.9%,验证了拉普拉斯算法对低质量监控视频检测的有效性。     

基于区域生成网络结构的多层特征融合目标检测算法

现有深度学习目标检测算法往往只利用了卷积神经网络(convolutional neural network,CNN)提取的深层特征进行判别,对浅层特征利用不足。为了利用浅层的细节信息来提高最终所提取的特征层信息的丰富性,提出了一种基于区域生成网络(region proposal network,RPN)结构的多层特征融合目标检测算法,该算法通过深度卷积网络获取不同层次的特征,并将浅层特征与深层次特征进行融合来获得更加丰富的提取特征,以提升检测模型的性能。以Image Net上的公开数据voc2007为实验对象,以Faster RCNN为基础的检测框架进行改进,最终改进后的平均精度均值(mean average precision,mAP)相比于Faster RCNN有所提升,表明研究结果提升了目标检测模型的准确度。     

基于局部Haar和PHOG特征的月球撞击坑综合检测方法

基于月貌图像的撞击坑的检测需要采用合理的特征选择和机器学习策略,我们提出了一种基于区域局部灰度和梯度分布特征与机器学习方法相结合的撞击坑检测方法．这种方法将Haar特征与AdaBoost结合,使候选撞击坑区域的定位更加快捷,采用局部区域的塔式梯度方向直方图（PHOG）与高效的支持向量机学习算法相结合的方法用来精确地对撞击坑候选区域进行分类．考虑到Haar特征数的繁多而采用AdaBoost作为特征提取和分类方法,并由于PHOG特征的每一项都对分类起作用,将撞击坑区域统一预处理为不含阴阳面的各向梯度向量基本一致的圆形模糊边界,使圆形撞击坑的正样本特征具备更多的稳定性．文中还讨论了几种特征和分类方法的机理和集成,以及参数调整对撞击坑检测的效率分析．