基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度. 在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本. 实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.     

基于自深向浅特征融合的小目标检测方法

针对SSD算法各特征层关系未充分利用导致浅层特征层缺乏语义信息的问题，为提高对小目标的检测能力，提出一种自深向浅特征融合的小目标检测方法DTS-SSD(Deep to Shallow SSD)。使用BiFPN特征融合模块对特征多次提取获得多尺度语义信息；利用深层特征融合模块减少深层特征层缺失的小目标空间位置信息；构建1条自深向浅的特征融合路径来增强浅层特征层的语义信息；应用注意力机制学习特征图通道间的重要性。通过在PASCAL VOC2007测试集进行实验验证，mAP(Mean Average Precision)值达到80.1%,对目标的mAP较原SSD算法提高2.9%,该算法可行有效。     

基于多尺度融合与注意力机制的小目标车辆检测

针对传统目标检测算法（SSD）检测小目标精度低的问题,提出基于注意力机制与多尺度信息融合方法并将其运用于车辆检测任务. 结合浅层特征图与深层特征图的优势,小目标检测分支和大中型目标检测分支的特征图采用5支路和2支路融合. 在基础网络层之间加入注意力机制模块,模型会关注包含更多信息量的通道. 实验结果表明,在自建车辆数据集上的均值平均精度（mAP）达到90.2%,比传统SSD算法提高了10.0%,其中小目标检测精度提高了17.9%;在PASCAL VOC 2012数据集上的类别平均精度mAP为83.1%,比主流的YOLOv5算法提高了6.4%. 此外,提出算法在GTX1 660 Ti PC端的检测速度可以达到25 帧/s,能够满足实时性的需求.     

基于优化预测定位的单阶段目标检测算法

针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD. 通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息. 通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度. 实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%. 在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD, 适用于需要高定位性能的实时应用场景.     

特征图聚集多尺度行人检测高效算法

针对使用人工设计特征训练的行人检测算法准确率和效率较低的问题,提出一种采用卷积神经网络特征图聚集多尺度行人检测高效算法. 设计一种特征图聚集网络,将高层次特征图与低层次特征图进行聚集,构造出有较好空间分辨和语义能力的特征图;构造特征延伸网络,提供用于多尺度行人检测的特征图;重新设计目标候选区域,构造多尺度行人检测网络,提升定位准确性,并将特征图聚集网络、特征延伸网络和多尺度行人检测网络组合进行端到端训练. 实验测试结果表明,该算法可以有效提高行人检测与定位准确性,并可在普通硬件设备条件下提供实时检测.     

基于深度学习的水面漂浮物智能检测方法

漂浮物作为河道表观污染的重要源头,加强漂浮物检测是改善水环境生态质量的重要途径,也是积极落实“河长制”政策的技术手段。由于水面漂浮物具有场景复杂度高、形状不规则以及多尺度形态变化等特点,采用传统的图像识别方法快速有效地检测目标具有较大的挑战性。因此,本文提出了一种基于深度学习的实时且稳健的水面漂浮物智能检测方法。首先,基于稀疏分解思想对低质量漂浮物图像进行降噪和增强处理,初步降低复杂水面环境对漂浮物图像质量的影响。其次,将轻量化MobileNetV2网络取代SSD算法中的VGG16网络作为骨干网络,在预测层中将深度可分离卷积取代标准卷积,并采用动态特征金字塔网络提高多尺度漂浮物的检测精度,弥补SSD网络中强制不同层学习相同特征的不足。然后,将统一量化卷积神经网络（Quantized-CNN）框架应用于量化SSD检测器的检测误差,进一步加速卷积层计算和压缩全连接层的参数,降低SSD算法的计算复杂度和内存成本。本文在构建的水面漂浮物数据集上进行的实验结果表明：与现有的图像识别算法相比,改进后的SSD检测算法的平均精度（AP）和F1达到95.86%和94.74%,在硬件GPU下的检测速度达到64.23f/s,检测算法的参数计算量减少到7.5亿,模型内存成本压缩到6.27MB。改进SSD算法实现了水面漂浮物检测的高精度和高效率。     

基于深度学习的遥感影像飞机目标检测方法

遥感影像飞机目标检测是评估机场功能与重要程度、掌握敌情动态的重要途径.针对深度神经网络目标检测在特征提取阶段并未专门涉及特定目标的问题,同时为进一步提高检测精度,基于单一目标多尺度检测(SSD)框架,提出飞机目标Inception多尺度检测(AFInceptionNetSSD)方法.通过分析使卷积神经网络的特征图得到最大响应的视觉模式,结合飞机目标的几何特征,建立了飞机目标特征提取网络;并将此网络应用于SSD框架中,构建了AFInceptionNetSSD方法.仿真结果表明,该方法可以有效地提取飞机目标特征,与SSD框架相比,提高了检测精度.     

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测. 为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征. 为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修. 在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明：所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.     

基于Jetson TX1的目标检测系统

针对目标检测算法在实际应用中速度仍需提高的问题,提出一种改进的YOLOv3算法.通过将多层次特征金字塔网络嵌入到YOLOv3算法中的DarkNet-53网络,解决了由实际检测对象尺度差异引起的误差问题,既增加了输出特征的尺度,又加深了网络层数;并针对损失函数中的激活函数零均值、梯度消失等问题,提出了一种新的激活函数.实验结果表明,改进的YOLOv3算法可以更好地对多尺度目标进行检测,提高了检测速度和准确性,并在硬件上实现时具有较为高效的性能表现.     

基于多尺度局部梯度的点目标检测技术

在研究红外点状移动目标特征的基础上,该文提出一种多尺度局部梯度强度测算的小目标检测算法。首先构造多尺度图像金字塔,并在多尺度下提出一种快速粗略的小目标检测方法;再利用目标本身与环绕背景之间的差异性,测算局部窗口内各个方向的灰度变化强度。然后根据这些测算结果获得最合适的响应。实验结果表明,在复杂多变的背景下,该方法具有较好的鲁棒性,在低信噪比下,有较为有效的检测性能。