一种基于改进SSD的特殊服饰识别

目标检测模型必须在移动设备或嵌入式设备上运行。由于基于卷积神经网络的目标检测模型计算量较大,以及硬件的计算资源限制,并不能同时满足精度和速度要求。为了解决这个问题,本文提出了一种基于SSD(Single Shot MultiBox Detector)的改进方法,该方法对原有SSD模型进行了轻量化设计,从而大幅降低了识别时间,并且通过该模型完成了对多种服饰的识别与分类。从而保障我国一些特定地区的人身安全和财产安全。     

基于特征融合的轻量级SSD目标检测方法

针对应用于嵌入式设备的轻量级目标检测算法,本文提出了一种基于特征融合的改进方案.针对目前Mobile-NetV2-SSD轻量级目标检测算法检测精度低、小目标检测效果差的问题,结合FPN特征金字塔的特征融合思想,选用了MobileNetV2-SSD中包含较多语义信息的3层特征层进行融合,利用多尺度检测的原理,将融合后的特...     

基于边缘计算的双模态轻量化目标检测

针对当前在智能监控系统中产生的大量视频数据无法被实时、准确地分析问题,提出了一种基于边缘计算的anchor-free轻量级双模目标检测方法。结合注意力机制SE模块与Ghost模块构建轻量级特征提取网络,增加PAN网络以丰富高层特征,同时改进标签分配策略和损失函数,使训练更加稳定和高效。并在公共红外数据集OTCBVS以及可见光数据集ShanghaiTech上进行实验验证,改进后的网络参数量仅有2.08 M,在数据集上准率达到70.5%,推理总时延为39 ms,帧率达到25.73帧/s。相较于Yolox-Tiny在精度降低7.2%的情况下,参数量降低58.9%,推理时延降低33 ms,速度提升46%,能满足移动边缘设备对目标检测速度和精度的要求。     

基于深度学习的轻量化红外弱小车辆目标检测算法研究

伴随高速飞行器的不断发展,目标检测识别作为精确制导的关键一环,需要更高实时性、高准确性地进行目标定位和识别。当前,针对装甲车辆、车辆阵地等时间敏感目标精确检测识别的需求日益迫切,深度学习算法在特征提取及分类器设计上具备优势。文中以特定复杂背景下的小尺寸红外车辆目标为研究对象,针对样本数据少、平台资源受限、实时性要求高、检测精度高等需求,开展基于红外弱小车辆目标检测识别的轻量化深度学习算法研究。项目基于YOLOv5算法进行轻量化剪裁,减小模型的结构,提高实时性;提出了混合域注意力机制模块EPA,该模块通过不降维的局部跨信道交互策略使算法更快速有效地关注重要通道,抑制无效通道,并将通道注意力机制与空间注意力机制结合,使得算法更关注与目标相关的像素信息。提出了残差密集注意模块（RDAB）,该模块由密集残差块与注意力机制EPA构成,通过密集卷积层来提取充分的局部特征,通过注意力机制获取更有效的通道与像素信息,可以使得算法以较小的模型结构获得较好的检测效果。运用设计的网络对数据增广后的小尺寸红外车辆目标数据进行检测识别,并与多种典型算法进行对比实验。由实验结果可知,文中提出的JH-YOLOv5-RDAB网络检测识别效果优于其他网络,权重大小仅为6.6 MB,仅为YOLOv5s算法模型权重的一半,但算法检测效果更优,与93.7 MB的YOLOv5l算法的检测效果接近,mAP50达到95.1%。实验结果表明:该网络在红外弱小车辆目标检测上的优越性和可行性。     

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...     

基于改进SSD的合成孔径声纳图像感兴趣小目标检测方法

轻量化目标检测模型SSD-MV3(Single Shot Detection-MobileNet V3)因输入图像尺寸限制无法直接检测高分辨率大尺寸合成孔径声纳（Synthetic Aperture Sonar, SAS）图像中感兴趣小目标.为此,本文提出了一种新的目标检测方法 HRSSD(High Resolution Single Shot Detection),该方法通过冗余切割确保SSD-MV3输入图像尺寸的规范以及感兴趣小目标的完整,并利用二次非极大值抑制保证检测结果的唯一.此外,提出了一种尺度、空间和通道注意力机制联合的特征提取模块,并利用该模块重新设计了SSD-MV3的基础网络和附加特征提取网络,记作SSD-MV3P(Single Shot Detection-MobileNet V3 Pro),使得SSD-MV3P能更有效的感知感兴趣小目标特征信息.实验结果表明,在感兴趣小目标检测数据集SST(Sonar Small Targets)上,SSD-MV3P的平均检测精度（mean Average Precision, mAP）比SSD-MV3提升4.39%.HRSSD实现...     

面向仓储货物的轻量化目标检测算法

为了实现对仓储环境下货物的精确检测,提出了一种可用于智能仓储机器人的轻量化仓储货物检测方法（EYOLOv4-Lite）。该方法以YOLOv4为基础,引入MobileNetv3重构特征提取网络,在PANet中以深度可分离卷积代替标准卷积,减少模型参数量和运算量。融入改进的convolutional block attention module(CBAM),进一步提升网络检测性能,改进的CBAM采用自适应的一维卷积代替通道注意力模块中的全连接层,采用具有膨胀卷积的残差结构扩大空间注意力模块中的感受野。最后,在RPC商品数据集上进行了网络训练和实验测试,其参数量为11.25 MB,检测时间为14.4 ms,每秒传输帧数达到69.2,平均检测精度为95.43%。实验结果表明,改进后的E-YOLOv4-Lite模型具有精度高、实时性好和轻量化的优点,能够更好地满足仓储环境中的货物检测需求。     

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。     

基于深度学习的商品图片检测算法

针对商品图像分类与检测中存在数据集应用场景单一,复杂图片检测准确率低等问题,提出了一种基于SSD目标检测网络的改进算法.首先,将原始SSD目标检测网络的主干网络由VGG16更改为ResNet50网络,同时,在网络结构中添加了ECANet注意力机制,提高了模型检测的准确率.其次,本实验自建商品图片数据集,通过爬取电商平台...     

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SSD改进的目标检测方法研究

为了满足目标检测任务实时性的要求,基于轻量级深度学习目标检测网络SSD_Mobilenetv1,通过改进其网络结构,以及增加更细粒特征图参与位置回归和分类来综合网络的上下文信息及引入反残差模块提升网络提取特征的能力,实验表明在保证实时检测速度的同时提高了检测精度,并在KITTI数据集上进行训练验证,取得了良好的效果。     

基于改进SSD算法的实时交通标示牌检测

由于当前交通标示牌检测模型体积太大,检测速度太慢,无法在嵌入式设备上使用,为提高交通标示牌的检测速度,在SSD算法的基础上使用MobileNet作为主体网络进行特征提取,极大地减小了模型的体积,降低了模型计算量和硬件消耗。模型使用反卷积和跨层连接,不仅丰富了上下文信息,而且提高了检测精度。实验结果表明,这种技术在保证检测交通标示牌检测精度的同时,大大提高了检测速度,为模型在嵌入式设备上进行实时的交通标示牌检测提供可能。     

基于改进SSD的光伏组件故障定位检测

为准确定位航拍红外图像中光伏组件故障的区域位置,在单阶段多框检测(Single Shot Multibox Detector,SSD)模型的基础上设计了ResNet18＿FPN＿DN＿SSD模型。首先用ResNet18替代SSD模型的基础网络VGG16,以提高故障特征的提取能力;然后引入DR loss,针对目标样本类别失衡及负样本过多的问题进行优化改善;最后在非极大值抑制(Non-Maximum Suppression,NMS)基础上做加权处理,使分类置信度高的边框充分利用周围对象的信息,提高预测框的分类置信度与定位准确率。实验表明:所提出的模型对图像中故障目标的检测效果,在定位精度、分类置信度和m AP上均优于传统SSD模型。     

基于深度学习的多视窗SSD目标检测方法

提出了一种基于深度学习的多视窗SSD （Single Shot multibox Detector）目标检测方法。首先阐述了经典SSD方法的模型与工作原理,并根据卷积感受野的概念和模型特征层与原始图像的映射关系,分析了各层级卷积感受野大小和特征层上默认框在原始图像上的映射区域尺寸,揭示了经典SSD方法在小目标检测上不足的原因。基于此,提出了一种多视窗SSD模型,阐述了其模型结构与工作原理,并通过106张小目标图像数据集测试,评估和对比了多视窗SSD方法与经典SSD方法在小目标检测上的物体检索能力与物体检测精度。结果表明:在置信度阈值为0.4的条件下,多视窗SSD方法的AF （Average F-measure）为0.729,mAP （mean Average Precision）为0.644,相比于经典SSD方法分别提高了0.169和0.131,验证了所提出算法的有效性。     

基于SSD卷积网络的航拍图像目标检测方法

基于深度学习的目标检测算法是目前目标检测领域 最流行的算法,但是由于硬件条件的限制,算法输入图像的尺寸受到限制。对于大尺寸的航 拍图像,通常先采用滑窗法提取区域,再对提取的 区域进行检测,极大地降低了算法的检测速度。针对这一问题,本文根据航拍图像中人造物 体含有 大量边缘的特点,提出了一种基于深度学习的梯度聚类目标检测算 法,并阐述了其模型结构与工作原理,然后通过151张航拍图像数据 集测试,对比评估了梯度聚类 SSD方法与滑窗SSD方法在航拍图像检测上的检测精度和检测速度。结果表明:梯度聚类SSD 方 法的FPS(Frames Per Second)为0.499,SPF(Seconds Per Frame )为2.00,mAP(mean Average Precision) 为46.93,相比滑窗SSD方法,在损失11.72%的 检测精度的条件下,FPS提高了64.69%(SPF提高了40.40%),验证了所提出算法的有效性。     

基于改进SSD的特种车辆红外伪装检测方法

在目标检测领域,基于深度学习的SSD目标检测网络同时具有实时性好和准确性高两大优点。由于特种车辆红外图像难以获取,以小轿车和公交车红外图像为研究对象,构建了红外图像Pascal VOC数据集,训练了SSD网络,并利用训练好的网络检测了红外目标图像。结果表明,红外目标的特征信息越多,检测精度越高,但红外图像中信息残缺的车辆存在漏检的问题。针对该问题,通过添加残缺窗口模块优化数据集结构,有效解决了车辆漏检问题,同时目标整体的检测准确率也明显提升。将改进数据集后的红外目标检测结果作为评价指标,能够较准确评估复杂背景下特种车辆红外隐身伪装效果。     

基于多尺度重叠滑动池化的SSD果冻杂质检测方法

提出一种基于SSD的杂质检测方法,用于检测生产线中果冻内部的杂质,并标注出杂质的类型和位置。在预处理阶段,提出滑动图像块分割方法,将整张果冻图像分割成若干图像块,避免杂质占比过小,造成准确率低的现象。使用迁移学习的方法,将神经网络在ImageNet数据库上学习到的特征迁移到果冻数据库中,加快网络收敛速度,同时,在一定程度上避免了过拟合现象。提出多尺度重叠滑动池化(SOSP)方法,取代第五层池化以取得更加鲁棒的特征池化。最后,将一幅图下的所有分割块上的检测结果进行整合,得到整张图像的检测结果。实验结果表明,本文提出的方法有效可行,对多种缺陷平均准确率达到0.7271。相比其他方法,本文的算法更具鲁棒性,可应用到果冻生产线中。      

基于SSD框架的红外弱小目标检测技术研究

针对红外序列图像中点状机动目标的检测问题,利用卷积特征对图像具有更细致的描述能力、可以有效地感知弱小目标与干扰的差异的特点,提出了一种基于SSD框架的红外弱小目标检测方法。本文设计了针对弱小目标的SSD检测框架,且克服了传统方法缺少大量实验数据的困难,利用真实红外图像数据库进行了仿真验证,实验结果表明,该方法对多种不同场景中的信噪比较低的目标具有良好的检测效果和虚警抑制能力。