基于深度学习的目标抗干扰跟踪算法

针对目标跟踪算法中相似背景的干扰及目标自身旋转导致跟踪框漂移的情况,提出一种融入SSD(Single Shot MultiBox Detecter)检测的方案,从而有效地避免了跟踪框的漂移.首先对要跟踪的特定种类的目标进行深度学习检测模型的预训练,然后利用本文所设计的融合判别尺度空间算法完成目标定位和跟踪.由判别尺度空间模型对目标实施初步定位,在候选区域进行特征检测,并设计了一种运动估计淘汰体制,以保证候选区域目标的唯一性,最终完成目标的精确定位.实验证明,该方法能有效避免相似背景干扰和遮挡时所造成的跟踪框漂移,同时在目标快速运动,尺度和形状变化时均能完成鲁棒性的跟踪.     

基于深度学习的破损绝缘子检测研究

文章提出了一种基于Scaled-YOLOv4目标检测方法的破损绝缘子智能检测模型。针对Scaled-YOLOv4网络在训练过程中难以分辨有效信息的问题,分析Scaled-YOLOv4网络Neck部分的降采样操作会导致信息丢失,提出将改进的注意力机制加入网络模型中,设计了DC-Scaled-YOLOv4模型。将网络上得到的破损绝缘子数据集分配成训练集和测试集,并对故障识别模型进行训练。采用该模型对破损绝缘子进行识别测试,Scaled-YOLOv4在破损绝缘子数据集上的检测精度为80%,而文章算法在破损绝缘子数据集上的检测精度为94.8%,检测效果提升明显。     

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。     

基于深度学习的轻量级口罩检测算法研究

基于当前大多数目标检测算法不能同时在实时性和检测精度上都获得良好的表现,本文对经典的YOLOv3目标检测算法进行改进,使最终的网络模型轻量化且具有较高的检测准确率。由于YOLOv3的骨干网络DarkNet53网络结构复杂,参数量较大,将其替换为EfficientNet系列网络中的EfficientNet-B1,通过简单的网络结构以及更少的网络参数量学习到较好的特征,为网络轻量化奠定基础;对骨干网络输出的3种不同尺度的特征图添加混合域注意力机制CBAM作为特征融合网络的输入,并将特征金字塔结构与CBAM结合,通过自上而下的特征信息融合以及混合域注意力机制使网络在训练时更加关注样本的有效区域,进一步提升模型的检测性能;使用Mosaic数据增强方式,有效提升模型的泛化能力。实验最终的模型评估结果表明,改进后的网络相对于YOLOv3网络而言,在mAP0.5降低2.73%的检测精度条件下,检测速度提升了3.93倍,而且模型大小仅为原网络的22%。     

基于深度学习的商品识别方法与检测算法研究

由于人们对美好生活的向往愈发强烈,消费已经成为拉动我国经济发展的重要引擎,而在消费过程中强化消费体验也是提升消费者服务效益的关键所在。为了能够在提升消费体验的同时降低人力的投入,引入智能化商品识别工具,研究一种利用注意力机理进行特征抽取与学习的方法。文章简要介绍了深度学习方法和基于深度学习的商品识别方法,探讨了深度学习多目标商品检测算法,对比分析了改进后的MaskR-CNN,可有效防止因网络复杂性的提高而造成的性能下降,从而提高了检测效率和检测精度。     

基于深度学习的图像目标检测算法综述

图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。     

基于深度学习的旋转目标检测技术研究

针对传统目标检测算法未考虑物体角度信息而出现的漏检、错检问题,提出了一种基于YOLOv5s的改进算法。在原始YOLOv5s的基础上,首先结合环形平滑标签技术（CSL）及对损失函数的改进,让网络有了对角度预测的能力;其次增加目标检测层提升了网络对小目标检测的能力,接着融合CBAM注意力机制让网络重点关注对有用信息的学习;最后采用迁移学习的策略初始化网络各层参数。为了验证算法的有效性,自制了标签数据集LDS并做了算法对比试验,实验结果表明,在LDS数据集上,改进后的YOLOv5s算法检测精度达89.94%,相较于原始网络,在检测速度没有下降的基础上检测精度提升了4.80%。     

基于深度学习目标检测算法的滑坡检测研究

针对目标检测算法在诸多图像识别领域应用效果突出,而在遥感图像滑坡检测中应用较少的现象,本文对同一少量低分辨率遥感数据集运用目前应用广泛的基于深度学习的目标检测算法Faster RCNN、YOLO、SSD进行遥感图像滑坡检测,并对实验结果进行了比较和分析,探讨三种目标检测算法的特点及其在遥感图像滑坡检测中适应的配置参数和应用范畴,以获得更有效的滑坡检测效果。     

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。     

基于对比学习的改进SSD目标检测算法

现有基于深度学习的目标检测算法在图像的目标检测过程中存在物体视角的多样性、目标本身形变、检测物体受遮挡、光照性以及小目标检测等问题。为了解决这些问题,本文将对比学习思想引入到SSD(Single Shot MutiBox Detectior)目标检测网络中,对原有的SSD算法进行改进。首先,通过采用图像截块的方式随机截取样本图片中的目标图片与背景图片,将目标图像块与背景图像块输入到对比学习网络中提取图片特征进行对比损失计算。随后,使用监督学习的方法对SSD网络进行训练,将对比损失传入到SSD网络中与SSD损失值加权求和反馈给SSD网络,进行网络参数的优化。由于在目标检测网络中加入了对比学习的思想,提高了背景和目标在特征空间中的区分度。因此所提出的算法能显著提高SSD网络对于目标检测的精度,并在可见光和热红外图像中均取得了令人满意的检测效果。在PASCAL VOC2012数据集实验中,AP50值提升了0.3%,在LLVIP数据集实验中,AP50值提升了0.2%。     

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...     

基于深度学习的街景下的文本检测

针对自然街景文本角度倾斜、形状弯曲、长度不定等特点,提出一种基于注意力机制的自然街景文本检测方法,通过利用注意力机制的优势,对主干网络提取的特征进行加权融合,从而提升整体网络的检测性能.首先,针对特征金字塔（FPN）横向连接中特征信息丢失的问题,引入注意力融合模块AFFM(Attention Feature Fusion Module),通过计算高维和低维特征的融合权重,来改进原FPN中简单直接相加的特征融合方式,从而减少FPN特征融合过程中文本信息丢失,增强网络的特征提取能力.其次,针对不同尺度特征图中的文本特征,引入一个子空间注意力模块SAM(Subspace Attention Module),通过将多尺度融合特征图按通道划分为数个子空间特征图,分别学习每个子空间中的文本特征权重,使得融合后的特征图包含更多不同尺度的文本特征,从而增强融合特征图对文本实例的表征能力,进而提升网络的检测效果.在公开数据集Total-Text上对模型进行评估,实验结果表明,该算法与目前快速高效的DBNet相比,准确率、召回率和F值分别提高了0.5%、0.4%和0.4%.     

改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。     

时空域深度学习火灾烟雾检测

烟雾是火灾早期检测的重要特征.传统机器学习及二维卷积神经网络烟雾检测算法对烟雾特征的提取局限于空间领域,无法提取时域信息.现有的三维卷积神经网络检测算法则存在计算成本高、检测时效低的问题,导致检测准确率和虚警率不理想.针对上述问题,本文提出一种基于时空域深度学习的烟雾视频检测方法.利用分块运动目标检测方法提取烟雾视频的...     

遥感场景下基于关系挖掘的旋转目标检测算法研究

与常规场景相比,遥感场景目标检测任务存在图像尺寸大、小目标数量多、检测框有旋转角等难点,这些难点也使得遥感图像中物体间有更多的关系可挖掘。为提升遥感场景下对旋转目标的检测效果,通过添加关系挖掘模块对旋转目标检测算法（Oriented R-CNN for Object Detection, ORCN）进行优化。关系挖掘模块利用动态图神经网络、交叉注意力机制使候选区域的特征、形状信息进行有效交互,丰富候选区域特征的上下文语义。实验结果表明,添加关系挖掘模块后模型在遥感数据集上的DOTA表现提升1.53%,明显优于原检测算法。     

基于深度学习的红外小目标检测算法综述北大核心CSCD

红外检测技术具有受环境负面影响小、抗外界干扰能力强等优势,在众多领域皆有极为重要的应用价值。然而,由于红外小目标存在缺少明显的可用信息、边界模糊等问题,对其检测的难度较大,因而成为目标检测领域的研究热点与难点。本文通过分析困扰红外小目标检测研究发展的难题所在,首先就目前针对其检测的传统算法原理进行简要说明。其次,详细阐述了基于深度学习的多类型红外小目标检测算法,并对相关算法的分类、评估指标、相关数据集等多方面内容进行了介绍,随之以实例说明对当前算法改进的有效方式。最后,归纳总结现有检测算法的优缺点,探讨了红外小目标检测研究领域的未来发展趋势,即向高精度、高实时性、强鲁棒性、低复杂度的算法方面深入研究。     

基于深度学习的轻量化车牌检测算法研究

针对现有车牌检测算法存在的模型参数量过大、实时性差和检测效果不佳等问题,提出一种基于深度学习的轻量化车牌检测网络(Lightweight License Plate Detection Networks,LW-LPDNet)模型。该模型以PP-LCNet作为骨干网络,大幅减少模型参数量,同时融入压缩-激励网络(Squeeze and Excitation Networks,SE-Net)注意力模块,增加车牌信息的通道权重。最后,引入SimSPPF和GSConv,对多尺度特征进行融合,增大感受野,进一步提高检测准确率。通过对模型进行训练和测试,LW-LPDNet在中国城市停车数据集(Chinese City Parking Dataset,CCPD)上获得98.9%的平均精确率,优于其他车牌检测方法,且模型参数量仅有0.13 MB,检测速度达到243 f·s^-1,具备较高的实时性。     

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。     

基于深度学习的轮胎缺陷检测算法

针对轮胎缺陷目标检测问题中,由于轮胎自身固有的结构性底纹,背景底纹与缺陷纹理容易产生混叠难以辨别,本文提出一种基于Faster-rcnn的轮胎缺陷检测算法.通过引入ROI Align池化,准确地对轮胎缺陷进行定位与分类,实验结果表明轮胎缺陷识别的严判率、漏识率与准确率有显著改善.     

基于深度学习面向中小目标的检测研究

现有的网络模型在复杂场景中暴露出针对中小目标检测能力不足的问题,本文针对该问题对目标检测领域较流行的SSD网络模型进行了改进.有以下两方面:(1)针对浅层卷积层的语义信息丰富度不足和浅层信息丢失问题,采用残差网络方法对Conv4卷积单元进行改进,并将Conv4_3和Conv5_3的特征图进行了特征融合,设计了新的SSD...