基于YOLOv3的复杂环境红外弱小目标检测

在复杂环境的红外弱小目标检测问题中,传统算法大多需要对红外目标进行特征增强、背景杂波抑制等预处理工作,算法检测准确率低,控制参数较多。通过对红外目标特性进行分析,本文构建了基于深度学习的复杂环境红外弱小目标检测算法。算法以单阶段目标检测网络YOLOv3为基础,简化处理流程,显著提升对红外弱小目标的检测精度。在红外弱小目标数据集的测试中, YOLOv3较实验对比的方法在检测准确性上具有明显的提升,其平均准确率(AP)可达99.5%以上,验证了算法对红外弱小目标检测的有效性。     

基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

基于光电转台全局运动补偿与YOLOv3网络模型的运动目标检测算法

传统的动目标检测算法存在受噪声干扰大、背景建模时间长、无法识别目标类型等问题,并且背景建模等方法对全局运动存在限制要求.针对上述问题,提出新的运动目标检测算法,采用YOLOv3模型对观察序列中的视频进行检测,获得连续帧的目标识别结果;通过光电转台位置信息估算全局运动,对连续帧目标进行匹配获取一致性关系;计算目标像素速度与目标运动程度估值,判定目标运动状态.以车辆目标视频图像为研究对象,试验表明：算法在英伟达TX2与NX平台实现部署,单帧处理时间分别达到140 ms、36 ms,实现对多个运动目标的实时正确检测,并获取目标像素速度与运动方向等运动信息.     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

地面无人平台3D目标检测算法综述

从单目相机、激光雷达、多传感器融合、立体视觉4个方面对3D目标检测算法的优缺点进行了分析,认为基于相机和激光雷达的数据融合是今后3D目标检测算法的重要发展方向.     

基于国产嵌入式智能计算平台的无人机检测方法

面向陆地战场上对反无人机侦察的现实需求,提出一种基于国产嵌入式智能计算平台的无人机检测方法。针对无人机体型小、易受战场环境影响而不易察觉的难题,采用红外、可见光图像和视频流等多源输入进行目标检测;针对嵌入式平台算力和存储能力有限的特性,构建轻量化深度神经网络,通过将单次多盒检测器(SSD)中的特征提取网络替换为MobileNet进行模型优化;选用国产嵌入式平台比特大陆SE5智能计算盒进行验证,完成模型转换和移植。实验结果表明：所提基于轻量化深度神经网络MobileNet-SSD的无人机检测方法在国产嵌入式智能计算平台上能够准确判断出目标的类别,且平均识别精度和帧率与在开发环境中运行差距不大。充分表明所提方法在国产嵌入式智能计算平台上进行移植后,能够在速度和精度方面满足应用环境对无人机检测算法实时性与准确性的要求。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于改进YOLOv3和核相关滤波算法的旋转弹目标探测算法

旋转弹的电视摄像头拍摄画面会产生旋转及抖动模糊,在预先侦查目标数据较少且末制导段视野目标较小的情况下,目标难以精确探测,为此提出一种基于改进YOLOv3和核相关滤波（KCF）算法的目标检测与跟踪算法,通过深度学习实现目标的自动检测。制作模拟山地打击场景的数据集,基于少量数据样本的前提,模拟不同天气、光照、运动及旋转模糊等复杂环境,完成在网络学习中数据的增强和扩充;通过在YOLOv3网络基础上添加Inception多尺度分支结构,增加网络对于目标不同尺寸的适应性,减少网络层数,更能适应对小目标的检测;在实现目标定位方法上,将目标检测与跟踪算法相融合,提出一种目标丢失判别机制,并利用弹道的速度—时间信息更新目标跟踪框尺度。仿真实验结果表明,相比原始算法,改进算法能更有效实现复杂环境下的目标检测和跟踪。     

基于车载计算机的红外图像移动目标检测

环境感知系统作为无人车平台的重要组成部分,是路径规划与决策控制等功能实现的基础与前提。结合车载计算机的硬件基础,设计一种复杂场景下的红外图像移动目标检测系统。该系统采用客户端/服务端(B/S)架构,在客户端浏览器进行服务请求后,服务端使用改进的YOLOv2算法对车载Rapid输入输出(RapidIO)高速总线传输来的红外图像进行目标检测;通过维度重聚类和改进激活函数等方法,有效降低了漏检和误检率;为弥补红外图像对比度低、纹理特征弱的缺点,提出一种基于直方图均衡化的双边滤波图像增强算法,该预处理能够有效保持图像轮廓细节信息。结果表明：改进YOLOv2算法的实时检测准确度相对于原始算法提升了4.1%;图像预处理算法显著提高了检测准确率;该系统可为开拓无人车载红外图像的应用领域提供可靠的技术支撑。     

基于SSD 的小目标特征强化检测算法

为解决原始单次多框目标检测(single shot multibox detector,SSD)目标检测算法中对小目标物体检测能力不足的问题,提出一种改进的SSD目标检测算法.采用VGG19作为特征提取网络,在低层特征图部分引入Conv3_3卷积特征图,对Conv4_4进行转置卷积操作,将转置卷积后得到的Conv4_3同Conv3_3的特征图进行特征拼接,实验部分使用VOC数据集对模型进行训练与测试.结果表明:该算法可提高检测能力,目标检测精度能比原始SSD算法提高3.6％,小目标检测效果比改进前也有明显提升.     

基于改进Focus的小目标检测技术

为解决深度神经网络模型小目标检测效果不佳的问题,对Focus结构进行改进,提出一种即插即用的轻量级结构Focus+。搜集相关图像并建立包含5类目标的军事小目标数据集,将Focus+插入常用的目标检测模型,使用不同尺度的输入进行了多组对比实验。实验结果表明：引入Focus+模块后,模型检测的平均精度均值平均提高了0.8 %,说明其能够在占用较少算力的同时提取到浅层网络的高分辨率特征,有效提高小目标的检测精度。     

SAR 图像目标检测方法综述

目标检测是合成孔径雷达(synthetic aperture radar,SAR)图像方面的研究热点,综述SAR图像目标检测的几种方法.通过对传统方法SAR图像目标检测和基于深度学习的SAR图像目标检测进行梳理总结,从实验方面验证深度学习在复杂背景下SAR图像舰船检测存在的问题,分析目前SAR图像目标检测算法的优势和存在的不足,明确SAR图像目标检测急需解决的问题.     

基于图像行相关空中目标实时检测算法

针对复杂背景中弱小目标的侦测问题,提出一种弱小目标去背景检测的新方法。通过对图像做灰度反转,根据图像相邻行之间的相关性做去除背景的预处理,并计算图像中灰度值最大的像素点,得到目标的位置坐标,并对实拍的空中弱小目标视频图像进行实验验证。实拍的视频图像证明：该方法可对弱小目标进行检测,且检测速度快、抗噪声干扰性能强。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

基于级联式Snappy-CenterNet 的锥套目标检测算法

针对空中加油因场景光照变化、环境遮挡等情况造成的锥套目标识别精度低、实时性差的问题,提出一种基于级联式Snappy-CenterNet深度网络的锥套目标检测算法。在CenterNet网络的基础上,以HourglassNet为主干网络,改进其bottleneck结构并引入中心池化的方法,对整体的网络结构进行优化,通过级联式的网络提升整体检测精度。实验结果表明：该算法可实现在多种复杂场景下对锥套目标的可靠检测,检测结果的精确率与召回率均可达99%,位置精度与区域精度分别可达99%与96%,更新率可达33.68 Hz,满足空中加油近距视觉导航阶段对于锥套识别的指标要求。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。