高阶微分方程启发的红外小目标检测网络

红外小目标检测广泛应用于红外检测、红外跟踪等诸多实际领域,但红外小目标检测难度较大,现有红外小目标检测方法不能解决复杂背景问题,并且在特征提取中容易丢失细节信息.因此,文中提出高阶微分方程启发的红外小目标检测网络.在可解释的理论指导下设计四阶Adams引导的特征融合模块,引入自适应权重因子,有效融合不同层级的多尺度信息,并将求解的高阶差分方程应用于网络,通过深层次的学习消除冗杂信息.目标特征增强模块使用不同尺度卷积构成的残差结构,旨在对原始特征进行抑制背景噪声和增强信息量大的多尺度特征操作.在公开数据集SIRST上的小目标检测实验表明,文中网络检测结果的多个评估指标值以及视觉效果均较优.     

基于ATO-YOLO的小目标检测算法

小目标检测在计算机视觉领域具有重要意义,但现有方法在应对小目标的尺度变化、目标密集和无规则排列等挑战时经常出现漏检和误检的问题。为解决这些问题,提出基于改进YOLOv5算法的ATO-YOLO。为提升检测模型的特征表达能力,提出一种结合注意力机制的自适应特征提取模块（adaptive feature extraction,AFE）,通过动态调整权重分配突出关键目标的特征表示,提高目标检测任务在不同场景下的准确性和鲁棒性。设计一种三重特征融合机制（triple feature fusion,TFF）,能够在不同尺度下充分利用多尺度信息,将多个尺度的特征图融合,以获取更全面的目标特征,提升对小目标的检测效果。引入一种输出重构模块（output reconstruction,ORS）,通过去除大目标检测层并增加小目标检测层,实现精确定位和识别小目标,并且相对于原模型复杂度更低,检测速度更快。实验结果表明,ATO-YOLO算法在VisDrone数据集上的mAP@0.5达到了38.2%,较原YOLOv5提升了6.1个百分点,且FPS较改进前提升了4.4%,能够快速准确地对小目标进行检测。     

基于Bi-SSD的小目标检测算法

针对目前目标检测技术中小目标检测困难问题,提出了一种基于SSD (Single Shot multibox Detector)改进的小目标检测算法Bi-SSD (Bi-directional Single Shot multibox Detector).该算法为SSD的浅层特征设计了小目标特征提升模块,在网络的分类和回归部分结合多尺度特征融合方法和BiFPN (Bi-directional Feature Pyramid Network)结构,设计了6尺度BiFPN分类回归子网络.实验结果表明,在PASCAL VOC和MS COCO目标检测数据集上Bi-SSD相比原始的SSD算法有更好的检测性能.其中VOC2007+2012上Bi-SSD算法的mAP指标达到了78.47%相较SSD算法提升了1.34%,在COCO2017上Bi-SSD算法的m AP达到26.4%提升了接近2.4%.     

面向深度卷积神经网络的小目标检测算法综述

小目标检测是计算机视觉领域最具挑战性的问题之一。相比大目标,小目标覆盖面积小,空间分辨率低,可用特征少,检测效果通常不理想。近年来,基于深度卷积神经网络的小目标检测算法蓬勃发展,并在卫星遥感、无人驾驶等领域取得了重大成就。文中对国内外现有的小目标检测算法进行了归类、分析和比较。首先介绍小目标检测的难点和常用的数据集;接着分别从骨干网络、金字塔结构、锚框设计、优化目标、增益组件5个方面系统地梳理了已有检测算法,为进一步改进小目标检测算法的性能提供了思路;然后对现有小目标检测算法进行全面总结,并比较分析了列举算法在常用数据集上的性能;最后介绍了小目标检测的应用前景,并对该领域未来的研究方向做出了展望。     

基于改进SSD的车辆小目标检测算法研究

针对SSD(single shot multibox detector,单步多盒检测)算法在车辆的自动紧急制动(AEB)中对远方目标检测效果差、检测速度慢、对硬件资源需求高的问题,提出了一种基于SSD的改进算法.首先用MobileNetv2替换SSD中的AGG-16作为检测网络,以减少参数数量和计算量,降低网络对硬件性...     

小目标检测研究进展

小目标检测长期以来是计算机视觉中的一个难点和研究热点.在深度学习的驱动下,小目标检测已取得了重大突破,并成功应用于国防安全、智能交通和工业自动化等领域.为了进一步促进小目标检测的发展,本文对小目标检测算法进行了全面的总结,并对已有算法进行了归类、分析和比较.首先,对小目标进行了定义,并概述小目标检测所面临的挑战.然后,...     

无人机小目标检测综述

在无人机技术的驱动下,无人机小目标检测成为当前计算机视觉领域的一个热点和难点。为理清当前无人机小目标检测的发展现状,首先介绍了两种小目标的定义形式,并分析总结出目前无人机小目标检测所面临的难点。之后总结当前常用的无人机小目标检测方法,并在每一个方法后面总结分析了其优缺点。接着总结了每种方法在其论文所实验的数据集上的表现结果。然后对部分常用无人机目标数据集进行了介绍。最后总结了全文并提出了未来能够提升无人机小目标检测性能的研究方向。     

多尺度下遥感小目标多头注意力检测

针对地理空间遥感图像中检测目标存在多尺度特性、形态多变以及小目标判别特征过少等造成检测识别精度不高的问题,提出了基于多尺度下遥感小目标多头注意力检测算法YOLO-StrVB。对网络结构进行重构,搭建多尺度网络模型,增加目标检测层,提高特征提取网络下遥感小目标模型不同尺度下的检测能力;加入双向特征金字塔网络（Bi-FPN）进行多尺度特征融合,提高双向跨尺度连接和加权特征融合;在YOLOv5网络末端融合Swin Transformer多头注意力机制块,提升感受野适应目标识别任务的多尺度融合关系,优化主干网络;使用Varifocal loss对网络进行训练,提升遥感密集检测小目标的存在置信度和定位精度,并选用CIoU作为边界框回归的损失函数,提高感知分类得分（IACS）的边框回归精度。通过在遥感目标数据集NWPU VHR-10上的实验验证,对比YOLOv5原模型的mAP提高了3.05个百分点,能有效提高小目标的检测精度,达到了对地理空间遥感图像中小目标检测的鲁棒性。     

多尺度目标检测的深度学习研究综述

目标检测一直以来都是计算机视觉领域的研究热点之一,其任务是返回给定图像中的单个或多个特定目标的类别与矩形包围框坐标.随着神经网络研究的飞速进展,R-CNN检测器的诞生标志着目标检测正式进入深度学习时代,速度和精度相较于传统算法均有了极大的提升.但是,目标检测的尺度问题对于深度学习算法而言也始终是一个难题,即检测器对于尺...     

基于弱特征增强的轻量化小目标检测方法

针对复杂背景下小目标特征经多次卷积被背景噪声淹没导致的检测精度低的问题,提出一种增强弱特征表达的一阶段轻量级小目标检测算法SA-YOLO.首先,用改进的ShuffleNetv2网络构建骨干网络,通过嵌入SE注意力模块和Inception结构,提升网络在复杂背景下的特征提取能力,有效地抑制背景噪声,充分提取弱特征;其次,在颈部网络,采用新的特征融合模块,以含有弱特征较多的低层级特征块的空间位置信息对高层级特征进行权重调整,提高不同层级的特征融合利用率,减少小目标的特征损失;最后,在头部网络,用解耦的检测头替换原YOLO耦合的检测头,解耦分类任务和回归任务,提高弱特征的解码能力,增强小目标检测的性能.在公开数据集COCO2017上进行实验,结果表明,SA-YOLO参数量仅有1.14M,小目标平均检测召回率$\rm AR_S$达到31.6%.同时,将所提出算法与近几年主流算法进行对比,结果表明,所提出算法在小目标检测方面具有较强的竞争力.     

深度学习目标检测方法综述

目标检测的任务是从图像中精确且高效地识别、定位出大量预定义类别的物体实例。随着深度学习的广泛应用,目标检测的精确度和效率都得到了较大提升,但基于深度学习的目标检测仍面临改进与优化主流目标检测算法的性能、提高小目标物体检测精度、实现多类别物体检测、轻量化检测模型等关键技术的挑战。针对上述挑战,本文在广泛文献调研的基础上,从双阶段、单阶段目标检测算法的改进与结合的角度分析了改进与优化主流目标检测算法的方法,从骨干网络、增加视觉感受野、特征融合、级联卷积神经网络和模型的训练方式的角度分析了提升小目标检测精度的方法,从训练方式和网络结构的角度分析了用于多类别物体检测的方法,从网络结构的角度分析了用于轻量化检测模型的方法。此外,对目标检测的通用数据集进行了详细介绍,从4个方面对该领域代表性算法的性能表现进行了对比分析,对目标检测中待解决的问题与未来研究方向做出预测和展望。目标检测研究是计算机视觉和模式识别中备受青睐的热点,仍然有更多高精度和高效的算法相继提出,未来将朝着更多的研究方向发展。     

多阶段优化的小目标聚焦检测

目标检测是深度学习领域重要的基础问题之一,目前已经有相当多且较为成熟的研究。无人冰柜是人工智能在零售产业的一个应用场景。其通过冰柜内设置的摄像头捕捉图像,利用目标检测方法检测出顾客手中抓取的商品,然后进行后续的商品分类等任务的工作。而由于场景及硬件的限制,无人冰柜中只能使用速度快但精度较低的深度模型,而这些模型往往在小目标的检测上精度相对更低。针对无人冰柜场景数据的背景单一、目标范围小等特殊性,改进了主流的目标检测方法,提出了一种基于聚焦的由粗到精的2 阶段检测网络结构FocusNet,提升了该场景下的小目标检测效果。该方法相比先前的模型在小目标检测上的平均准确率提升了8.3%,总体检测平均准确率提升了3.5%。     

基于深度学习的小目标检测综述

目标检测是计算机视觉研究领域的核心问题和最具挑战性的问题之一,随着深度学习技术的广泛应用,目标检测的效率和精度逐渐提升,在某些方面已达到甚至超过人眼的分辨水平.但是,由于小目标在图像中覆盖面积小、分辨率低和特征不明显等原因,现有的目标检测方法对小目标的检测效果都不理想,因此也诞生了很多专门针对提升小目标检测效果的方法....     

基于改进PVANet的实时小目标检测方法

现有目标检测算法主要以图像中的大目标作为研究对象,针对小目标的研究比较少且存在检测精确度低、无法满足实时性要求的问题,基于此,提出一种基于深度学习目标检测框架PVANet的实时小目标检测方法。首先,构建一个专用于小目标检测的基准数据集,它包含的目标在一幅图像中的占比非常小且存在截断、遮挡等干扰,可以更好地评估小目标检测方法的优劣;其次,结合区域建议网络（RPN）提出一种生成高质量小目标候选框的方法以提高算法的检测精确度和速度;选用step和inv两种新的学习率策略以改善模型性能,进一步提升检测精确度。在构建的小目标数据集上,相比原PVANet算法平均检测精确度提高了10.67%,速度提升了约30%。实验结果表明,该方法是一个有效的小目标检测算法,达到了实时检测的效果。     

基于深度卷积神经网络的小目标检测算法

针对YOLO目标检测算法在小目标检测方面存在的不足,以及难以在嵌入式平台上达到实时性的问题,设计出了一种基于YOLO算法改进的dense_YOLO目标检测算法。该算法共分为2个阶段:特征提取阶段和目标检测回归阶段。在特征提取阶段,借鉴DenseNet结构的思想,设计了新的基于深度可分离卷积的slim-densenet特征提取模块,增强了小目标的特征传递,减少了参数量,加快了网络的传播速度。在目标检测阶段,提出自适应多尺度融合检测的思想,将提取到的特征进行融合,在不同的特征尺度上进行目标的分类和回归,提高了对小目标的检测准确率。实验结果表明:在嵌入式平台上,针对小目标,本文提出的dense_YOLO目标检测算法相较原YOLO算法mAP指标提高了7%,单幅图像检测时间缩短了15 ms,网络模型大小减少了90 MB,明显优于原算法。     

融合点云与图像的环境目标检测研究进展

在数字仿真技术应用领域,特别是在自动驾驶技术的发展中,目标检测是至关重要的一个环节,它涉及对周围环境中物体的感知,为智能装备的决策和规划提供了关键信息。近年来,随着传感器技术的进步,图像和点云成为两种主要的感知数据源,它们各自在基于深度学习技术的目标检测方法研究中具有独特的优势。为了更加全面地对现有基于点云和图像的目标检测方法进行研究,本文对基于图像、点云及两者联合的 3 类目标检测算法进行系统的梳理和总结,旨在探索如何将这两种数据源融合起来,促进提高目标检测的准确性、稳定性和鲁棒性,并对融合点云和图像的环境目标检测发展方向进行展望。     

一种基于注意力机制的小目标检测深度学习模型

小目标检测用来识别图像中小像素尺寸目标.传统目标识别算法泛化性差,而通用的深度卷积神经网络算法容易丢失小目标的特征,对小目标识别的效果不甚理想.针对以上问题,提出了一种基于注意力机制的小目标检测深度学习模型AM-R-CNN,该模型在ResNet101主干网络和候选区域生成网络中使用了通道域注意力和空间域注意力,通道域注...     

融合上下文和注意力的海洋涡旋小目标检测

目的 海洋涡旋精准检测是揭示海洋涡旋演变规律及其与其他海洋现象相互作用的基础。然而,海洋涡旋在其活跃海域呈现小尺度目标、密集分布的特点,导致显著的检测精度低问题。传统方法受限于人工设计参数缺乏泛化能力,而深度学习模型的高采样率在检测小目标过程中底层细节和轮廓等信息损失严重,使得目标检测轮廓与目标真实轮廓相差甚远。针对海洋涡旋小目标特点导致检测精度低,高采样率深度模型检测轮廓不精确的问题,提出一种改进的U-Net网络。方法 该模型基于渐进式采样结构,为获取上下文信息提升不同极性海洋涡旋目标的检测精度,增加上下文特征融合模块;为增加该模块对海洋涡旋小目标的关注,在特征融合前对最底层特征嵌入残差注意力模块,使模型可以更多关注海洋涡旋的轮廓信息。最后引入数据扩充方法缓解模型存在的过拟合问题。结果 本文以南大西洋的卫星海表面高度数据集开展实验,结果表明,本文模型检测准确率达到了93.24%,同时在海洋涡旋的检测数量上与真实结果更加接近,验证了模型在小目标检测方面的性能更加优秀。结论 本文提出的海洋涡旋小目标检测模型,在检测海洋涡旋的性能与海洋涡旋目标轮廓精准度方面均显著优于全卷积神经网络（fully convolutional network,FCN）等深度学习模型。     

遥感影像小目标检测研究进展

独特的拍摄视角和多变的成像高度使得遥感影像中包含大量尺寸极其有限的目标,如何准确有效地检测这些小目标对于构建智能的遥感图像解译系统至关重要。本文聚焦于遥感场景,对基于深度学习的小目标检测进行全面调研。首先,根据小目标的内在特质梳理了遥感影像小目标检测的3个主要挑战,包括特征表示瓶颈、前背景混淆以及回归分支敏感。其次,通过深入调研相关文献,全面回顾了基于深度学习的遥感影像小目标检测算法。选取3种代表性的遥感影像小目标检测任务,即光学遥感图像小目标检测、SAR图像小目标检测和红外图像小目标检测,系统性总结了3个领域内的代表性方法,并根据每种算法使用的技术思路进行分类阐述。再次,总结了遥感影像小目标检测常用的公开数据集,包括光学遥感图像、SAR图像及红外图像3种数据类型,借助于3种领域的代表性数据集SODA-A（small object detection datasets）、AIR-SARShip和NUAA-SIRST（Nanjing University of Aeronautics and Astronautics,single-frame infrared small target）,进一步对主流的遥感影像目标检测算法在面对小目标时的性能表现进行横向对比及深入评估。最后,对遥感影像小目标检测的应用现状进行总结,并展望了遥感场景下小目标检测的发展趋势。     

融合深度特征和多核增强学习的显著目标检测

目的 针对现有基于手工特征的显著目标检测算法对于显著性物体尺寸较大、背景杂乱以及多显著目标的复杂图像尚不能有效抑制无关背景区域且完整均匀高亮显著目标的问题,提出了一种利用深度语义信息和多核增强学习的显著目标检测算法。方法 首先对输入图像进行多尺度超像素分割计算,利用基于流形排序的算法构建弱显著性图。其次,利用已训练的经典卷积神经网络对多尺度序列图像提取蕴含语义信息的深度特征,结合弱显著性图从多尺度序列图像内获得可靠的训练样本集合,采用多核增强学习方法得到强显著性检测模型。然后,将该强显著性检测模型应用于多尺度序列图像的所有测试样本中,线性加权融合多尺度的检测结果得到区域级的强显著性图。最后,根据像素间的位置和颜色信息对强显著性图进行像素级的更新,以进一步提高显著图的准确性。结果 在常用的MSRA5K、ECSSD和SOD数据集上与9种主流且相关的算法就准确率、查全率、F-measure值、准确率—召回率（PR）曲线、加权F-measure值和覆盖率（OR）值等指标和直观的视觉检测效果进行了比较。相较于性能第2的非端到端深度神经网络模型,本文算法在3个数据集上的平均F-measure值、加权F-measure值、OR值和平均误差（MAE）值,分别提高了1.6%,22.1%,5.6%和22.9%。结论 相较于基于手工特征的显著性检测算法,本文算法利用图像蕴含的语义信息并结合多个单核支持向量机（SVM）分类器组成强分类器,在复杂图像上取得了较好的检测效果。