改进YOLOv3的SAR图像舰船目标检测

针对目标检测算法直接应用于SAR图像舰船检测数据集时数据训练不充分、鲁棒性差等问题,本文提出了一种改进YOLOv3的SAR图像舰船目标检测方法,从改进网络训练策略的角度出发,提升算法对不同舰船目标的适应性,优化算法的检测性能。改进主要包括两个方面:一方面本文在YOLOv3的基础上引入了ATSS（Adaptive Training Sample Selection）正负样本的分配方法,提高YOLOv3中正负样本选择的质量,优化网络训练。另一方面本文设计了基于特征层的锚框超参数优化方法,使锚框更加贴合各检测层数据集样本分布,从而使训练模型更好的收敛。本文分别在SSDD、SAR-Ship-Dataset数据集上进行了实验,验证了其有效性。      

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YOLOv5卷积神经网络的SAR图像目标识别

提出一种改进YOLOv5网络,并将其用于SAR图像目标识别。为了优化网络性能,文中进行了三个方面的改进：使用宽度比和高度比作为标注框之间的距离度量,并采用k-means聚类方法生成先验锚点框,作为预测框优化时的框尺寸初始值;改进框回归损失函数,引入Scylla交并比来代替竞争性交并比,以提高对密集分布目标的定位精度;改进置信度损失函数,使用焦点损失来替代二元交叉熵,以提高在复杂背景下的目标识别精度。基于MSAR数据集,选择了YOLOv3、常规YOLOv5作为对比网络,进行了大量的SAR图像目标识别实验。实验结果表明,相比两种对比网络,改进YOLOv5网络对各种目标均具有更高的识别准确率、召回率和F1值,以及更高的综合指标平均精度值和平均精度均值。     

改进YOLOv5的SAR图像近海岸舰船目标检测算法研究

SAR图像舰船目标检测时,因近海岸港口存在着复杂背景的问题,以至于重叠舰船目标无法被准确提取特征信息,造成近海岸的舰船目标出现漏检、误检的情况.针对以上问题,提出一种复杂场景下的SAR图像舰船检测算法,该算法基于YOLOv5进行改进,采用SPPF结构加强提取特征信息,并融合原YOLOv5的SPP结构提取的特征信息,这种多级金字塔模块并列融合的方式能有效的检测多尺度舰船目标,使特征信息更好的表达;然后将原模型中的GIOU改进为CIOU,使其可以准确的回归出预测框的位置;最终为了更合理的筛选高于阈值的预测框,改进NMS(Non-Maximum-Suppression),采用Soft-NMS方法去惩罚衰减高于阈值的边框得分,合理的去除预测框.试验结果表明,该文改进的模型相比于原模型在SSDD、 SAR-Ship-Dataset数据集上的mAP(mean Average Precision)提高了5.15%和5.06%,改进模型能有效检测近海岸中复杂背景下的SAR图像舰船目标.     

面向单阶段目标检测的损失函数优化设计

在基于深度学习的单阶段目标检测中,从交并比(IoU)出发的边界框回归损失对边界框位置关系变化敏感度不够,当预测框与真值框处于不同包含关系时,已有损失无法精确区分。针对上述问题,提出基于IoU的回归位置关系敏感度损失(RPIoU)。该损失设计强化预测框和真值框相对位置关系的敏感度,首先在IoU后添加惩罚项,使两框角点无限靠近,解决中心点重合时IoU退化问题;其次引入非重叠区域面积与真值框面积比值为参数的指数函数作为惩罚项,解决损失无法区分预测框和真值框存在不同包含关系的问题,更精准地指导边框回归的位置;考虑到单阶段目标检测算法总损失各部分对于训练结果的贡献度不同,以平均精度均值(mAP)作为适应度函数,利用遗传算法对训练总损失进行优化,得到分类、回归、置信度损失的各自最佳权重。将设计的损失应用于单阶段目标检测算法YOLOv5,分别在可见光公开数据集VisDrone和自制红外飞机数据集上进行验证。在可见光公开数据集上的mAP达到0.447,比原始YOLOv5提升0.037;在红外飞机数据集的mAP达到0.966,比原始YOLOv5提升0.014。     

基于特征转移金字塔网络的SAR图像跨尺度目标检测

SAR图像多尺度目标检测能够实现大场景SAR图像中关键目标的定位与识别,是SAR图像解译的关键技术之一。然而针对尺寸相差较大的SAR目标的同时检测,即跨尺度目标检测问题,现有目标检测方法难以实现。该文提出一种基于特征转移金字塔网络(FTPN)的SAR图像跨尺度目标检测方法。在特征提取阶段采用特征转移方法,实现各层特征图的有效连接,实现不同尺度特征图的提取;同时采用空洞卷积群方法,增大特征提取的感受野,促使网络提取到大尺度目标特征。上述环节能够有效保留不同尺寸目标特征,从而实现SAR图像中跨尺度目标的同时检测。基于高分三号SAR数据、SSDD数据集及高分辨率SAR舰船检测数据集-2.0等数据集的试验表明,该文方法能够实现SAR图像中机场、舰船等跨尺度目标的检测,在已有数据集上mAP达96.5%,较特征金字塔网络算法提升8.1%,并且整体性能优于现阶段最新的YOLOv4等目标检测算法。      

基于空间联合的红外舰船目标数据增强方法

针对红外舰船目标图像数据少、获取难度高等问题,结合图像的几何变化以及金字塔生成对抗网络的特征拟合,提出一种几何空间与特征空间联合的红外舰船目标图像数据增强方法。首先,利用基于几何空间的几何变换、混合图像及随机擦除等图像变换方法对红外舰船目标图像进行增强;然后,根据红外舰船图像特点,改进金字塔生成对抗网络（SinGAN）,在生成器引入In-SE通道间注意力机制模块,增强小感受野特征表达,使其更适合用于红外舰船目标;最后,在数据集层面联合基于几何空间的几何数据变换和基于特征空间的生成对抗网络两种方法,完成对原始数据集的数据增强。结果表明:以YOLOv3、SSD、R-FCN和Faster R-CNN目标检测算法为基准模型,开展红外舰船图像数据增强仿真实验,采用增强数据训练的网络模型的舰船目标检测平均精度（mAP）均提高了10%左右,验证了所提方法在小样本红外舰船图像数据增强方面的可行性,为提高红外舰船目标检测算法提供了数据基础。     

YOLOv5-LR：一种遥感影像旋转目标检测模型

真实遥感图像中,目标呈现任意方向分布的特点,原始YOLOv5网络存在难以准确表达目标的位置和范围、以及检测速度一般的问题。针对上述问题,提出一种遥感影像旋转目标检测模型YOLOv5-Left-Rotation,首先利用Transformer自注意力机制,让模型更加注意感兴趣的目标,并且在图像预处理过程中采用Mosaic数据增强,对后处理过程使用改进后的非极大值抑制算法Non-Maximum Suppression。其次,引入角度损失函数,增加网络的输出维度,得到旋转矩形的预测框。最后,在网络模型的浅层阶段,增加滑动窗口分支,来提高大尺寸遥感稀疏目标的检测效率。实验数据集为自制飞机数据集CASIA-plane78和公开的舰船数据集HRSC2016,结果表明,改进旋转目标检测算法相比于原始YOLOv5网络的平均精度提升了3.175%,在吉林一号某星推扫出的大尺寸多光谱影像中推理速度提升了13.6%,能够尽可能地减少冗余背景信息,更加准确检测出光学遥感图像中排列密集、分布无规律的感兴趣目标的区域。     

红外热成像中低分辨率行人小目标检测方法

红外热成像图像的目标检测中,针对低分辨率小目标检测效果差、复杂尺度目标检测率低等问题,提出一种基于改进YOLOv5的红外低分辨率目标检测算法。选用LLVIP红外数据集,通过引入不同注意力机制来对比检测效果。选用效果最佳的注意力机制,改进目标检测网络的损失函数提高对小目标的检测率。利用TiX650热成像仪采集小目标图像样本对原数据集进行优化采样和增广,分别使用改进前后的YOLOv5网络进行训练。从模型训练结果和目标检测结果评估模型的性能提升,实验结果表明:相较于原始训练模型,改进后YOLOv5的训练模型,在红外成像的同一场景中对低分辨率小目标的检测精度上有明显提升,且漏检率低。     

基于改进YOLOv3的机载平台目标检测算法

针对小型智能侦察无人机机载平台存在的计算力受限、检测速度较慢的问题,提出了一种基于YOLOv3改进的目标检测算法.首先引入深度可分离卷积改进YOLOv3的骨干网络,降低网络的参数和计算量,提高算法的检测速度,再根据机载视角下目标形状的特点,预置K-means产生先验框的初始聚类中心,并在边框回归中引入CIoU损失函数,将DIoU与NMS结合,改善YOLOv3对密集目标的漏检问题,最后再通过TensorRT优化加速后部署到英伟达Jetson TX2机载计算平台.实验结果表明,所改进的算法在验证集上的平均精度均值(MAP)达到了82％,检测速度从3.4帧/s提升到16帧/s,满足实时性要求.     

基于改进YOLOv3算法的行人检测研究

YOLOv3算法在单一物体目标检测时使用Darknet53作为主干,网络出现冗余现象,导致参数过多,检测速度变慢,传统的边界框损失函数影响检测定位准确性。针对这一问题,文中提出了改进YOLOv3算法的行人检测方法。通过构造以Darknet19为主干网络多尺度融合的新型网络,加快训练速度和检测速度,还通过引入广义交并比损失函数来提高检测精确度。实验结果表明,在行人检测数据集如INRIA行人数据集中,相比于原始算法,文中所提算法的精确度提高了5%。和Faster R-CNN相比,在保证准确率的情况下,采用文中算法使单张图片的检测速度达到了每张0.015 s。     

基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测

基于深度学习的SAR图像舰船目标检测算法对图像的数量和质量有很高的要求,而收集大体量的舰船SAR图像并制作相应的标签需要消耗大量的人力物力和财力。该文在现有SAR图像舰船目标检测数据集(SSDD)的基础上,针对目前检测算法对数据集利用不充分的问题,提出基于生成对抗网络(GAN)和线上难例挖掘(OHEM)的SAR图像舰船目标检测方法。利用空间变换网络在特征图上进行变换,生成不同尺寸和旋转角度的舰船样本的特征图,从而提高检测器对不同尺寸、旋转角度的舰船目标的适应性。利用OHEM在后向传播过程中发掘并充分利用难例样本,去掉检测算法中对样本正负比例的限制,提高对样本的利用率。通过在SSDD数据集上的实验证明以上两点改进对检测算法性能分别提升了1.3%和1.0%,二者结合提高了2.1%。以上两种方法不依赖于具体的检测算法,且只在训练时增加步骤,在测试时候不增加计算量,具有很强的通用性和实用性。     

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%。      

改进回归损失的深度学习单阶段红外飞机检测

针对目标检测定位准确性受边框回归损失函数影响的特性,设计基于IoU(Intersection over Union)的边框回归损失函数IAIoU(Included Aspect-ratio IoU)。该损失设计两项优化项,将预测框与标注框并集与交集面积的差与两框最小闭包面积之比及与两框最小闭包面积平方之比的和作为第一项优化项,避免两框包含时损失函数退化;利用两框长宽比值之差作为第二项优化项,生成更接近标注框的预测框。设计的损失应用于单阶段检测算法YOLOv3,在红外飞机数据集上进行验证,mAP达到92.17%,比原始YOLOv3提升1.37%。     

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%。     

轻量化SAR图像舰船目标检测算法

精准的舰船目标检测技术能够提升武器装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重,提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构,调节感受野与多尺度融合关系,实现特征提取网络和特征融合网络轻量化处理;然后,对网络进行剪枝,通过基于几何中值的剪枝算法对网络进行压缩,加快推理速度;最后,使用可变焦损失函数对网络进行训练,使感知分类系数回归。结果表明,算法经过优化后,精度最高可提高至99.1%;经过剪枝后,模型体积大幅下降,可压缩至190 kiB,下降98.6%;算法推理速度提升4倍,推理时间缩短至3 ms以下。相较于当前主流算法,3S-YOLO在各方面均取得了不错的成绩,满足SAR图像实时舰船目标检测。     

基于改进YOLOv5的航空发动机表面缺陷检测模型

针对目前航空发动机表面人工缺陷检测效率低的问题，提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先，在网络中融合数据增强策略搜索算法，自动为当前数据集搜索最佳的数据增强策略，实现训练效果的提升；其次，在backbone网络中引入坐标注意力机制，在通道注意力的基础上嵌入坐标信息，提高对小缺陷目标的检测能力；最后，将YOLOv5的定位损失函数改进为efficient intersection over union损失，在加快模型收敛的同时提高预测框回归精度。实验结果表明，所提YOLOv5-CE模型，相比原YOLOv5s网络，在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点，达到了98.5%，能够高效智能检测航空发动机4种常见类型缺陷。     

一种改进YOLOv5的X光违禁品检测模型

针对X光行李图像安全检测过程中存在物品高度重叠遮挡及复杂背景干扰等问题，提出了一种融合注意力机制、数据增强策略与加权边框融合算法的改进YOLOv5网络模型用于X光违禁品检测。模型在Neck部分引入卷积注意力模块加强网络对违禁品深层重要特征的提取，抑制背景干扰；训练阶段采用Mixup数据增强策略模拟带有高度重叠及遮挡物品的检测场景，加强模型复杂样本的学习能力；测试阶段采用加权边框融合算法对冗余预测框进行优化，提高模型精准预测能力。所提模型在3个大型复杂数据集SIXray、HiXray、OPIXray进行了测试，平均精度均值分别达到了89.6%、83.1%和91.6%。结果表明：所提模型能够有效提高YOLOv5检测复杂违禁品的能力，与现有诸多先进算法相比，具有较高的准确率和稳健性。     

基于级联网络的复杂大场景SAR图像舰船目标快速检测

合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测紧贴军事和民用需求,为海洋监视提供重要信息支撑。针对复杂大场景SAR图像,本文设计了一种基于级联网络的舰船目标检测框架,该网络框架主要由D-BiSeNet海陆分割、分块区域筛选和CP-FCOS目标检测三部分组成。通过改进双边网络(D-BiSeNet)进行SAR图像海陆分割,增强了图像空间位置信息及网络边缘损失,提高了分割性能。通过海域面积比参数设定进行分块区域筛选,可以有效选择网络处理图像块,提升算法整体检测效率。CP-FCOS网络将Category-Position特征优化模块应用于传统FCOS网络,强化网络特征提取能力,同时改进目标分类和边界框回归方式,提高舰船目标定位效果。基于Sentinel-1和高分三号大场景实测数据实验表明,相比于传统CFAR、Faster-RCNN和RetinaNet方法,本文方法综合检测性能提升25.7%,3.7%和9.9%,同时检测速度提升10.0%以上。      

基于改进YOLOv3的安全帽检测方法研究

针对目前对工业现场安全帽佩戴检测过程中出现的检测准确率低和实时性弱问题,提出一种基于YOLOv3的改进模型。首先,采用K-Means++聚类算法,优化获取安全帽佩戴检测的先验框尺寸;在YOLOv3特征提取网络之后引入注意力模块(scSE);并在网络预测阶段,引入残差模块。实验表明：在自制安全帽佩戴检测数据集实验中平均准确率达到88.16%。相较于原始的YOLOv3算法,改进后算法对安全帽检测平均准确度有一定程度的提高。