多尺度特征融合与锚框自适应的目标检测算法

针对Faster R-CNN算法存在特征提取不充分、检测框定位不准确导致检测精度不高的问题,提出一种多尺度特征融合和锚框自适应相结合的目标检测算法。首先,通过双向融合方法充分提取相邻层级间的深层特征和浅层特征;然后,均衡化处理多尺度特征,使集成的特征能获得来自不同分辨率下等量的语义信息和细节信息,提高目标的识别能力;最后,在区域提议网络（RPN）中利用目标的特征信息,通过自适应预测锚框的位置和形状来生成锚框。基于VOC数据集对算法的实验结果表明：与基于ResNet50的Faster R-CNN算法相比,所提算法中的多尺度特征融合策略加强了算法对不同尺度目标的检测能力,自适应锚框机制能够提高定位精度并避免小目标的漏检,算法整体的检测结果具有较好表现,平均检测精度提升了3.20个百分点。     

基于改进YOLOv5的复杂场景下SAR图像船舶检测方法

针对复杂场景下合成孔径雷达图像船舶检测中易产生漏检的问题,本文提出了一种基于改进YOLOv5的复杂场景下SAR图像船舶检测算法。该算法首先将由通道注意力和空间注意力共同组成的自适应注意力模块引入YOLOv5的特征提取网络中,通过将特征向量筛选加权后,使重要的目标特征占有更大的网络处理比重,以此增强网络对目标区域的特征学习能力。然后根据SAR图像特性优化了检测模型的损失函数,提升了预测框的置信度,最终降低了复杂场景区域的目标漏检率。实验表明,相比传统YOLOv5算法,本文算法显著提升了召回率。对于复杂场景下的SAR图像船舶目标检测,平均准确率达到了79.8％,相比于传统YOLOv5算法和Faster R-CNN算法分别提高了26.1%和17.3%。      

基于注意力和自适应特征融合的SAR图像飞机目标检测

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像中飞机目标尺度多样性及背景强散射干扰的问题,提出了一种基于坐标注意力和自适应特征融合的YOLOv4 SAR图像飞机目标检测算法。该方法首先在主干网络引入坐标注意力机制,以增强对于飞机散射点组合结构的聚焦能力以及抗背景干扰能力。其次,在特征增强网络中引入自适应特征融合机制,提高了对不同大小飞机的特征提取能力,同时改善了YOLOv4算法召回率和精确率不平衡的问题。最后,通过改进的K-Means聚类针对飞机目标调整先验框的尺寸,提高了模型的定位精度。实验结果表明,改进算法召回率达到91.01%,精确率达到90.09%,AP_0.5达到92.34%,分别较原YOLOv4算法提高2.49%,6.56%和3.62%。     

增强特征融合并细化检测的轻量化SAR图像船舶检测算法

针对SAR图像船舶检测任务在船舶组合和船舶融合场景下低检测精度的问题,提出了一种轻量化船舶检测算法——RGDET-Ship,有效提高了SAR图像在复杂场景下的船舶检测精度。该算法的创新点包括：(1)构建基于改进ResNet的基础主干网络,增强深浅网络早特征融合,保留更丰富的有效特征图,并利用RegNet进行模型搜索得到一簇最优结构子网络RegNet and Early-Add(RGEA),实现模型的轻量化;(2)在FPN Neck基础上,结合EA-fusion策略设计出FPN and Early Add Fusion(FEAF) Neck网络,进一步加强深浅特征晚融合,提高中大船舶目标特征的提取;(3)通过细粒度分析改进RPN网络得到Two-RPN(TRPN)网络,提高模型的检测粒度和预测框准确性;(4)引入多任务损失函数——Cross Entropy Loss and Smooth L1 Loss(CE＿S),包括分类任务和回归任务,进一步提升检测性能。通过在标准基准数据集SSDD上进行大量实验,验证了RGDET-Ship模型的有效性和健壮性。实验结果表明,相较于Faster RCN...     

基于特征融合与通道注意力的目标检测研究

目标检测作为计算机视觉领域的重要研究分支,受到了广泛关注。目前,特征融合已成为提高目标检测准确率的重要方法,基于特征金字塔网络（FPN）的特征融合方法结合了多维度感受野来弥补信息丢失的思想,改进了FPN,并取得了良好的效果。在众多以FPN为基础结构的特征金字塔模型中,BiFPN既包含了级联信息传递,也包含了跨层特征融合,DyFPN包含了多感受野Inception模块,也包含了动态门机制。受BiFPN和DyFPN的启发,文中提出了一种新的基于FPN且包含注意力机制的特征金字塔网络结构——CAI-BiFPN。CAI-BiFPN沿用了Inception-FPN的思想,在BiFPN的基础上加入了Inception模块,并引入了通道注意力和SE模块。该结构应用了BiFPN的分支注意力与SE模块的通道注意力,将Inception模块放置于BiFPN第4层和第6层,SE模块则放置在BiFPN的第5层。通过一系列简单的改进,相较于BiFPN,CAI-BiFPN的AP_s和AP_l提升了0.7个百分点,AP从31.0%提升到31.3%,提升了0.3个百分点。     

基于多特征融合的SAR图像舰船自学习检测算法

传统的舰船检测方法主要包括恒虚警检测(CFAR)和机器学习类算法,其中CFAR舰船检测容易受噪声影响,检测结果过分依赖参数与海杂波模型的选择,准确率低并且鲁棒性较差。简单的阈值判定方法由于特征单一,对舰船目标描述性较差,机器学习算法需要对已有数据库中舰船数据进行训练,准确度较高但检测周期过长,更新较慢,无法满足现代战争的快速反应、实时更新的需求。提出一种基于多特征融合的自学习算法,对感兴趣目标提取形态学、灰度和轮廓等多种特征,通过对多特征阈值判定方法对相似舰船目标进行检测,可实现对战场突发状况与未知目标快速反应能力的同时保证较高的检测准确率。实验结果表明,提出的检测算法相比传统方法的查全率提高了10%,虚警率降低了4%,并且实现了单幅运行时间的大幅度缩减。     

改进的多尺度火焰检测方法

网络层数的加深会造成对火焰目标深层特征细节信息表征能力减弱,同时提取了低相关度的冗余特征,导致火焰识别精度不高.针对该问题,提出了一种基于改进Faster R-CNN的火焰检测方法,以提高在深层网络下的火焰识别精度.首先利用ResNet50网络提取火焰特征,并添加SENet模块降低火焰目标冗余特征;然后将深层特征和浅层...     

基于多尺度像素特征融合的实时小交通标志检测算法

交通标志检测技术是先进驾驶辅助系统中重要组成部分。真实的驾驶环境中要求交通标志检测系统具备极高的实时性与准确性。轻量级网络MobileNetv2-SSD能够满足检测的实时性,但准确性不足以满足实际需求。本文将MobileNetv2-SSD作为基础网络,提出一种基于像素重排的多尺度像素特征融合方法,并在网络的检测层引入高效通道注意力机制,实现特征增强。在保证算法的实时性的同时,有效提升了小交通标志的检测性能。实验结果表明,本文算法模型能够在真实环境下准确实时地检测小交通标志。在长沙理工大学中国交通标志检测数据集CCTSDB上取得93.2%的mAP,模型大小仅为17.3M,检测每张图像的时间为0.022 s。      

多尺度语义信息融合的目标检测

针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后将基础融合特征输入到小型的多尺度语义信息融合模块中,得到具有丰富上下文信息和空间细节信息的语义特征,同时把语义特征和基础融合特征经过特征重利用模块获得浅层增强特征;最后基于浅层增强特征进行一系列卷积获取多个不同尺度的特征,并输入各检测分支进行检测,利用非极大值抑制算法实现最终的检测结果.在PASCAL VOC2007和MS COCO2014数据集上进行测试,模型的平均精度均值分别为81.2％和33.7％,相对于经典的单极多盒检测器(SSD)算法,分别提高了2.7％和4.9％;此外,该文方法在检测小目标和密集目标场景上,检测精度和召回率都有显著提升.实验结果表明该文算法采用特征金字塔结构增强了浅层特征的语义信息,并利用特征重利用模块有效保留了浅层的细节信息用于检测,增强了模型对小目标和密集目标的检测效果.     

多尺度语义信息融合的目标检测

针对当前目标检测算法对小目标及密集目标检测效果差的问题,该文在融合多种特征和增强浅层特征表征能力的基础上提出了浅层特征增强网络(SEFN),首先将特征提取网络VGG16中Conv4_3层和Conv5_3层提取的特征进行融合形成基础融合特征;然后将基础融合特征输入到小型的多尺度语义信息融合模块中,得到具有丰富上下文信息和...     

基于YOLOX网络的SAR图像舰船目标检测

针对SAR图像舰船目标尺寸大小不一、舰船分布密集、背景复杂等问题,本文提出一种改进YOLOX网络并用于SAR图像舰船目标检测。该网络包括主干特征提取网络、加强特征提取网络、解耦头、预测框优化及损失计算等4个部分。与常规YOLOX网络相比,本文作了如下改进：首先,在主干特征提取网络中,3个基础特征层之后都添加了CA模块;在加强特征提取网络中,两处下采样之后也都添加了CA模块。以强化对SAR图像中重要区域的特征提取。其次,在框回归损失函数中,引入CIOU替代IOU,以更好地利用预测框和真实框之间的相对位置信息和形状信息,提升预测框回归精度。本文基于AIR-SARSHIP-2.0数据集进行了大量的舰船目标检测实验,并选择了Faster-RCNN、YOLOv3和常规YOLOX等3种网络与本文的改进YOLOX网络进行对比。实验结果表明,本文的改进YOLOX网络整体性能优于其他3种对比网络,有更少的虚警和漏警、更高的检测精度。     

基于改进RetinaNet的SAR图像目标检测方法

近年来,深度学习方法在合成孔径雷达(SAR)图像目标检测中得到了广泛的应用.船舶出现在近海、港口、岛礁、远洋等各种场景中,同时海洋环境复杂多变,使得船舶目标检测很难排除混乱背景的干扰.对于大纵横比、任意方向、密集分布的目标,精确定位变得更加复杂.本文基于深度学习的方法提出用于SAR图像目标检测的改进RetinaNet模...     

基于注意力机制特征融合网络的SAR图像飞机目标快速检测

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中飞机目标散射点离散化程度高,周围背景干扰复杂,现有算法对飞机浅层语义特征表征能力弱等问题,本文提出了基于注意力特征融合网络(Attention Feature Fu-sion Network,AFFN)的SAR图像飞机目标检测算法.通过引入瓶颈注意力模块(Bottleneck Attention Module,BAM),本文在AFFN中构建了包含注意力双向特征融合模块(Attention Bidirectional Feature Fusion Module,ABFFM)与注意力传输连接模块(Attention Transfer Connection Block,ATCB)的注意力特征融合策略并合理优化了网络结构,提升了算法对飞机离散化散射点浅层语义特征的提取与判别.基于自建的Gaofen-3与TerraSAR-X卫星图像混合飞机目标实测数据集,实验对AFFN与基于深度学习的通用目标检测以及SAR图像特定目标检测算法进行了比较,其结果验证了AFFN对SAR图像飞机目标检测的准确性与高效性.     

基于多通道特征的SAR图像变化检测

为充分利用SAR图像的细节信息,提高SAR图像变化检测的检测精度及抗噪性能,提出一种基于多通道特征的SAR图像变化检测方法。该方法提出了一种适用于SAR图像的变化检测一体化框架,首先,为了在抑制相干斑噪声的同时尽可能多地保留SAR图像的边缘及局部信息,引入引导图像滤波方法;其次,提取8个通道特征,充分利用了图像的细节信息,获得了性能良好的差异图;最后,利用主成分分析(PCA)和K-means聚类进行差异图分析,得到最终的变化信息。实验结果表明,该方法有效提高了检测精度,并且具有良好的抗噪性能。     

上下文信息融合与分支交互的SAR图像舰船无锚框检测

SAR图像中舰船目标稀疏分布、锚框的设计,对现有基于锚框的SAR图像目标检测方法的精度和泛化性有较大影响,因此该文提出一种上下文信息融合与分支交互的SAR图像舰船目标无锚框检测方法,命名为CI-Net。考虑到SAR图中舰船尺度的多样性,在特征提取阶段设计上下文融合模块,以自底向上的方式融合高低层信息,结合目标上下文信息,细化提取到的待检测特征;其次,针对复杂场景中目标定位准确性不足的问题,提出分支交互模块,在检测阶段利用分类分支优化回归分支的检测框,改善目标定位框的精准性,同时将新增的IOU分支作用于分类分支,提高检测网络分类置信度,抑制低质量的检测框。实验结果表明：在公开的SSDD和SAR-Ship-Dataset数据集上,该文方法均取得了较好的检测效果,平均精度(AP)分别达到92.56%和88.32%,与其他SAR图舰船检测方法相比,该文方法不仅在精度上表现优异,在摒弃了与锚框有关的复杂计算后,较快的检测速度,对SAR图像实时目标检测也有一定的现实意义。     

基于深度学习的SAR图像舰船目标检测综述

近年来,合成孔径雷达成像技术因具备全天时和全天候的目标感测能力,在海洋实时监测和管控等领域发挥着重要作用,特别是高分率SAR图像中的舰船目标检测成为当前的研究热点之一.首先分析基于深度学习的SAR图像舰船目标检测流程,并对样本训练数据集的构建、目标特征的提取和目标框选的设计等关键步骤进行归纳总结.然后对检测流程中的各部...     

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络（Feature Pyramid Network,FPN）常被用作合成孔径雷达（Synthetic Aperture Radar,SAR）图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN（Region Proposal Network）并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离（Shape Similar Distance,SSD）度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。