基于改进YOLOv8的无人机航拍图像目标检测算法

针对现存无人机航拍图像目标检测算法检测精度较低、模型较为复杂的问题,提出一种改进YOLOv8的目标检测算法。在骨干网络引入多尺度注意力EMA,捕捉细节信息,以提高模型的特征提取能力;改进C2f模块,减小模型的计算量。提出了轻量级的Bi-YOLOv8特征金字塔网络结构改进YOLOv8的颈部,增强了模型多尺度特征融合能力,改善网络对小目标的检测精度。使用WIoU Loss优化原网络损失函数,引入一种动态非单调聚焦机制,提高模型的泛化能力。在无人机航拍数据集VisDrone2019上的实验表明,提出算法的mAP50为40.7%,较YOLOv8s提升了1.5%,参数量降低了42%,同时相比于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。     

基于改进SSD的X光图像管制刀具检测与识别

以安检X光图像管制刀具自动检测识别系统为研究对象,针对原始SSD(Single Shot MultiBox Detector)算法对浅层特征图表征能力不强,在训练阶段小目标特征逐渐消失,检测精度与实时性不佳,存在对安检危险品中管制刀具等小目标漏检误检等问题,从两个方面对原始SSD进行改进:一方面,用抗退化性能更强的ResNet34网络替换SSD中的基础网络VGG16,构建SSD-ResNet34网络模型,对基础网络后三层作卷积并进行轻量级网络融合,形成新的低层特征图;将网络部分扩展层作反卷积,形成新的高层特征图。另一方面,采用跳跃连接的方式将高层特征图和低层特征图进行多尺度特征融合。经实验分析,改进后的算法对X光图像管制刀具等小目标的检测精度和速度均有明显提升,且算法鲁棒性好,实时性良好。在VOC2007+2012通用数据集上,改进SSD算法的检测精度比SSD算法高1.7%,达到了80.5%。     

基于改进SSD算法的铁路隧道漏缆卡具检测

针对目前隧道内漏缆卡具检测数据量大、人工检测效率低的问题,提出了一种基于改进single shot MultiBox detector(SSD)算法的隧道漏缆卡具检测算法.该算法使用不同尺度的特征图检测卡具目标,并在网络宽度和网络深度上对SSD网络结构进行改进.结合Inception结构,增加网路宽度;采用残差结构,在提高网络深度的同时优化网络深度结构;使用深度可分离卷积和1×1卷积结构,减少模型参数量,改善模型结构,从而提高模型检测效率.将改进后的模型应用于隧道漏缆卡具图像检测,实验结果表明,该算法检测的平均准确率达到了86.6％,检测速度达到了26.6 frame/s,相较于原始SSD算法和MobileNet SSD算法,具有明显优势.     

基于改进SSD的人群异常行为检测算法研究

针对人群异常行为检测任务中存在的算法复杂度较高,重叠遮挡等带来的检测精度低等问题,本文提出一种基于改进SSD（Single Shot Multi-box Detector）的人群异常行为检测算法。首先采用轻量级网络MobileNet v2代替原始特征提取网络VGG-16,并通过可变形卷积模块构建卷积层来增强感受野,然后通过将位置信息整合到通道注意力中来进行特征增强,能够捕获空间位置之间的远程依赖关系,从而可以较好处理重叠遮挡问题。实验结果表明,本文提出的算法对人群异常行为具有较好的检测效果。     

改进YOLOv5s的道路目标检测算法

针对目前主流的目标检测算法存在模型参数过大、不能很好地移植到移动设备端之中应用于辅助驾驶这一问题，本文提出了一种改进YOLOv5s的目标检测算法。首先，将YOLOv5s算法的主干网络CSPDarknet替换为轻量化网络模型MobileNet-V3，解决了网络模型较大、参数较多的问题，减少了网络的深度并提升了数据推断速度；其次，对特征提取网络采用加权双向特征金字塔结构Bi-FPN加强特征提取，融合多尺度特征进而扩大感受野；最后，对损失函数进行优化，使用CIoU为边界框回归损失函数，改善模型原始GIoU收敛速度较慢问题，使预测框更加符合于真实框，同时降低网络训练难度。实验结果表明，改进后算法在KITTI数据集上的mAP相较于YOLOv5s、SSD、YOLOv3、YOLOv4＿tiny分别提升了4.4、15.7、12.4、19.6，模型大小相较于YOLOv5s与轻量级网络YOLOv4＿tiny分别减少了32.4 MB和21 MB，同时检测速度分别提升了17.6%与43%。本文改进后的算法满足模型小、精确度高的要求，为辅助驾驶中道路目标检测提升检测速度与精度提供了一种解决方案。     

引入自上向下特征融合的小目标检测算法

针对原始SSD(Single Shot Multibox Detector)算法未充分利用各特征层之间关系导致浅层特征层缺乏小目标语义信息的问题,为了提高对小目标的检测能力,提出了一种结合PANet多尺度特征融合网络和自上向下特征融合路径的TTB-SSD(Top to Bottom SSD)改进算法。首先,使用PANet多尺度特征融合网络对特征进行反复提取,从而获得丰富的多尺度语义信息;然后,使用一种深层特征融合模块将浅层特征层的空间信息传递到深层特征层,进而更准确地对小目标进行定位;最后,为了增强浅层特征层的语义信息,构造了自上向下的特征融合路径,从而强化浅层对小目标检测的准确率。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到80.5%,对目标的mAP较原始SSD提高了5.7%,证明了该算法对小目标检测的有效性。     

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题，提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征，通过注意力模块进行特征选择，再利用特征金字塔网络对特征进行融合，最后通过检测头分别处理特征融合后的两个输出，进而提高对生活场景下多类目标检测的能力。实验结果表明：相比改进前的算法，YOLOv4s算法在PASCAL VOC数据集上的平均均值精度（mAP）及MS COCO数据集上的平均精度（AP）都有一定程度的提升；相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高，并且实现了有效的显著目标检测。     

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。     

融合视觉机制和多尺度特征的小目标检测算法

针对SSD(Single Shot MultiBox Detector)目标检测算法对小目标检测能力不足的问题,提出一种引入视觉机制和多尺度语义信息融合的VFF-SSD(Vision Feature Fusion SSD)改进算法。为了增大浅层网络的感受野提高特征提取能力,首先在SSD浅层特征层中加入视觉机制,然后利用改进PANet(Path Aggregation Network)多尺度特征融合网络与深层特征增强网络得到新的特征层,旨在增强浅层网络的语义信息并加强深层特征的特征表达能力,最后应用注意力机制模块提高对重要信息的学习能力。实验结果表明,在PASCAL VOC2007测试集检测的mAP(Mean Average Precision)值达到81.1%,对数据集中小目标的mAP值较原SSD提高了6.6%。     

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-t...     

基于改进SSD的轻量化小目标检测算法

为提高SSD目标检测算法的小目标检测能力,提出在SSD算法中引入转置卷积结构,采用转置卷积将低分辨率高语义信息特征图与高分辨率低语义信息特征图相融合,增加低层特征提取能力,提高SSD算法的平均精准度。同时针对SSD算法存在模型过大,运行内存占用量过高,无法在嵌入式ARM设备上运行的问题,以DenseNet为基础,结合深度可分离卷积,逐点分组卷积与通道重排提出轻量化特征提取最小单元,将SSD算法特征提取部分替换为轻量化特征提取最小单元的组合后,可在嵌入式ARM设备上运行。在PASCAL VOC数据集和KITTI自动驾驶数据集上进行对比实验,结果表明改进后的网络结构在平均精准度上得到明显提升,模型参数数量得到有效降低。     

基于空间-通道注意力的改进SSD目标检测算法

目标检测的任务是精确识别,有效定位出图像中目标物体,且预定义其类别.针对主流目标检测(single shot multibox detector,SSD)算法存在小目标检测准确度不高,检测效率较低等问题,提出一种基于空间-通道注意力机制的SSD目标检测算法(spatial and channel single shot multi-box detector,SC_SSD).通过在SSD深层网络引入空间-通道注意力机制增强高层特征图语义信息,提高算法获取目标物体的细节与位置信息的能力,从而降低漏检率及误检率,并提高小目标物体检测的准确度.此外,利用MobileNetV2中的深度可分离卷积对SSD主干网络(visual geom-etry group network,VGG-16)进行剪枝处理,降低参数量,从而减少训练与检测的时间.在PASCAL VOC 2007数据集上进行实验,本文算法检测的精确度与速度分别为78.9％与59.4 Fps,比SSD算法提升了 3.2％与26.7 Fps,满足实时性需求.算法也优于相比较的其他算法,是一种有效可行的目标检测算法.     

基于改进CenterNet的AFP铺层表面缺陷检测

针对利用可见光图像检测AFP铺层表面缺陷受光源条件差、预浸纱纹理对比度低等因素影响,检测结果不理想,提出一种基于改进CenterNet的AFP铺层表面红外图像缺陷检测方法,提高AFP铺层表面缺陷检测性能。首先,针对CenterNet模型参数数量过多而工控机硬件配置有限的问题,提出利用基于ASFF的轻量级MobileNetV3作为骨干网络,构建轻量级anchor-free检测模型AFP-CenterNet,减少网络参数数量的同时降低计算机存储资源占用率。然后,针对高斯核函数带宽参数的求解,提出一种根据ground-truth bounding box长宽比自适应调整带宽参数的方法,减小负样本数量,降低网络模型的损失误差。实验结果表明,改进后的AFP-CenterNet在AFP红外数据集上的AP为90.2%,模型内存容量为12.9 MB,使用GPU加速时单张检测时间为52 ms。和原有的CenterNet骨干网络相比,AFP-CenterNet检测精度略差于DLA-34,和ResNet-101相当,比ResNet-18高7.7%,内存占用率和DLA-34、ResNet-101、ResNet-18相比分别降低83.2%、93.6%和78.6%。和SSD、YOLOv3相比,AFP-CenterNet模型的AP分别提升9.6%和8.3%,内存占用量降低85.1%和94.5%。在不使用GPU加速的条件下,改进后的AFP-CenterNet的检测速度和CenterNet、SSD、YOLOv3相比提高近一倍,具有明显的检测优势。     

轻量级网络算法对输电线路上异物目标的识别

针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。     

基于改进Faster R-CNN的红外舰船目标检测算法

针对Faster R-CNN算法中对于红外舰船目标特征提取不充分、容易出现重复检测的问题,提出了一种基于改进Faster R-CNN的红外舰船目标检测算法.首先通过在主干网络VGG-16中依次引出三段卷积后的3个特征图,将其进行特征拼接形成多尺度特征图,得到具有更丰富语义信息的特征向量;其次基于数据集进行Anchor的...     

面向目标检测的SSD网络轻量化设计研究

在基于深度卷积神经网络的目标检测方法中，模型的参数量动辄数十兆字节，在计算资源有限的移动终端等边缘设备中部署这样的大模型比较困难。为了解决这个问题，本文在Single Shot MultiBox Detector(SSD)的基础上联合轻量化网络设计和参数量化两种技术来实现网络模型的轻量化。首先，基于ResNet50和MobileNet我们重新设计了SSD目标检测框架，并训练了一个全精度参数模型。然后，在全精度参数模型的基础上，采取逐块量化的策略将特征提取层中卷积层的参数精度降低到三值(零和正负一)。实验结果表明，本文提出的联合方案在Pascal VOC2007数据集上测试能够达到72.54%的mAP，和其他业界领先的轻量级目标检测方法相比检测精度更高且能使模型占用的内存空间更小。      

基于双分支特征融合的无锚框目标检测算法

针对无锚框目标检测算法CenterNet中,目标特征利用程度不高、检测结果不够准确的问题,该文提出一种双分支特征融合的改进算法。在算法中,一个分支包含了特征金字塔增强模块和特征融合模块,以对主干网络输出的多层特征进行融合处理。同时,为利用更多的高级语义信息,在另一个分支中仅对主干网络的最后一层特征进行上采样。其次,对主干网络添加了基于频率的通道注意力机制,以增强特征提取能力。最后,采用拼接和卷积操作对两个分支的特征进行融合。实验结果表明,在公开数据集PASCAL VOC上的检测精度为82.3%,比CenterNet算法提高了3.6%,在KITTI数据集上精度领先其6%,检测速度均满足实时性要求。该文提出的双分支特征融合方法将不同层的特征进行处理,更好地利用浅层特征中的空间信息和深层特征中的语义信息,提升了算法的检测性能。