基于深度学习的小目标检测算法研究进展

基于深度学习的小目标检测算法可以有效提高小目标检测性能和检测速率,在图像处理领域得到了广泛应用。首先概述了小目标检测的难点,分别对基于锚框优化、基于网络结构优化、基于特征增强的小目标检测算法进行了分析,总结了各算法的优缺点;然后介绍了用于小目标检测的公共数据集和小目标检测算法的评价指标,对检测算法的性能指标进行了分析;最后对小目标检测算法已经解决的难点进行了总结,并对有待后续研究方向进行了展望。深度学习在小目标检测领域仍有较大的发展空间,在模型通用性、耗时与精度和特定场景的小目标检测等方面有待深入研究。     

基于深度学习的电力输电线故障目标检测算法综述

故障检测对于确保电力系统正常运行具有重要意义。近年来随着深度学习在目标识别领域的重大进展，基于深度学习的电力输电线故障目标检测逐渐成为电力系统故障目标检测领域的研究热点。目前深度学习领域的主流算法包括两阶段目标检测算法和单阶段目标检测算法。本文对此两类算法进行简要介绍，分析其中具有代表性的几种卷积神经网络算法的优缺点，并总结电力系统故障目标检测存在的问题，以及未来的发展方向。     

基于动态规划的多目标复合检测与跟踪算法

基于动态规划的多目标检测跟踪算法涉及计算量爆炸和邻近目标难分辨的问题．针对实际应用中目标个数未知和环境中强弱目标并存限制的情况,提出一种基于动态规划的多目标复合检测与跟踪算法．首先利用传统恒虚警率(CFAR)算法进行一次检测,实现对强目标的检测和剔除;然后采用基于动态规划检测前跟踪算法对一次检测后的数据进行分区动态规划,实现对微弱目标的检测与跟踪,从而实现复杂环境下密集目标的有效探测．通过仿真和实测数据对本文算法性能进行了验证,结果表明该算法的高效性和稳健性．     

轮廓匹配的复杂背景中目标检测算法

为解决基于形状的目标检测算法受图像复杂背景的影响,本文提出了一种新的基于轮廓匹配的复杂背景中目标检测方法,算法结合了显著性检测和模板匹配的方法.首先对输入图像在超像素级别进行预处理,应用显著性区域检测方法得到不含复杂背景的区域图像,然后在显著性区域内得到初始边缘图像,对初始边缘图像进行优化处理后利用形状描述子进行轮廓匹配,最后,通过深度优先的搜索策略识别目标的假设位置并进行假设验证来确定最终的目标位置,完成复杂背景图像中的目标检测任务.在ETHZ形状数据集的实验结果证明了本文算法的可行性,根据50%-IoU和20％-IoU标准与其它几种基于形状的目标检测方法进行对比,当误报率为0.3时,算法平均检测率是96%,误报率为0.4时,检测率已经达到99%,如果接受更高误报率时检测率可达到100%,均高于其余几种算法.算法的实验和对比分析结果表明本文方法可以提高检测精度,具有明显的性能优势,为复杂背景中的目标检测提供了新的解决方法.     

基于改进YOLO v5的森林火灾检测算法研究

为提高森林火灾检测识别率，同时降低漏检、误检率，缩减后续救援时间，提出一种基于改进YOLO v5的森林火灾目标检测算法。针对火灾目标漏检问题，在YOLO v5骨干网络加入卷积注意力机制(CBAM),对森林火灾的小目标在通道和空间进行特征提取；针对火灾目标重合问题，把路径聚合网络(PANet)替换为加权双向特征金字塔网络(BiFPN),增强模型识别能力；针对YOLO v5中原始采样方式无法将特征信息完全捕获的问题，所以将CARAFE上采样作为最新的上采样方式，提高采样效率。实验结果表明，与其它主流算法相比较，该算法拥有更好的检测效果，其检测性能相比于原始算法提升了2.6%,更适用于森林火灾检测。     

雷达网检测数据的散度判决方法

基于检测数据统计知识，运用散度对雷达组网系统目标进行检测判决：并利用雷达固有发现概率和虚警概率对检测判决算法进行检验，对串行数据融合结构目标判决算法进行了推导，通过分析得到了利用散度进行目标判决的合理串行结构。     

基于策略梯度的目标跟踪方法

针对目标跟踪过程中的遮挡、形变和快速运动等问题,提出基于策略梯度的目标跟踪方法. 该方法利用策略梯度算法训练策略网络. 该策略网络能够根据当前跟踪结果的可靠性进行动作决策,以避免错误的模板更新或者重新检测丢失的目标. 在决策过程中,通过计算加权置信度差值分析当前跟踪结果的鲁棒性和准确性,使得策略网络能够更准确地评估跟踪结果. 在重检测过程中,提出有效的重检测方法,对大量的搜索区域进行过滤,大大提高了搜索效率,利用决策模块检验重检测结果,确保重检测结果的准确性. 利用提出的算法在OTB数据集及LaSOT数据集上进行评估. 实验结果表明,提出的跟踪算法在原算法的基础上提高了2.5%~4.0%的性能.     

近似解相关多用户检测算法的FPGA实现

简要介绍了近似解相关（AD）多用户检测算法，通过对算法的分析。建立了该算法的实现框架，给出了用FPGA技术实现该算法模块的详细方案，并从实际硬件量的角度分析了其复杂度。最后以DSP2621EA评估板为基本硬件平台对该方案进行测试，测试结果和理论分析基本吻合，说明了该方案是可行的。     

一种快速人脸目标检测和跟踪算法

以人脸为运动目标,利用图像的YUV模型和颜色检测算法在小范围内搜索,即时获得人脸的模板图像．在对序列图像进行目标搜索时,将金字塔方法和序贯相似匹配方法相结合,并采用粗精结合的两步匹配算法,获得运动目标的准确轨迹．实验证明,与传统的模板匹配算法相比,该算法的计算量大大降低,较大程度地提高了运动目标检测的速度．     

基于改进的EfficientDet的布匹疵点识别

为了准确而高效地识别出布匹各种疵点的种类，采用改进的EfficientDet算法进行布匹疵点识别。首先采取改进的Ostu阈值分割算法进行特征边缘的检测，采用非极大值抑制方法对边缘进行筛选，确定候选区域；然后采用筛选器对候选区域的疵点进行识别和分类，其中筛选器采用改进的EfficientDet算法。改进的EfficientDet算法与其他优秀的目标检测算法以及原算法进行了比较。结果表明，改进的Ostu分割算法相较于传统算法不仅可以在更多的布匹图像中更准确地识别疵点区域，而且抑制了假边缘现象；该模型规模是几种算法中最小的，识别准确率达到94%，高于目前最优算法4个百分点。     

基于检测器性能实时评估的欺骗检测融合算法

随着GPS欺骗生成技术的发展,欺骗信号可以在某一些属性上与真实信号保持一致,如到达角、多普勒频移等,此时单独使用某一种欺骗干扰检测方法,将无法有效地对欺骗信号进行检测,而如果采用直接将多种欺骗检测器结果相或的方法,则检测性能将会随着某一种检测器性能下降而下降.针对不同欺骗干扰场景下,检测器检测性能实时变化且先验信息缺失的情况,本文提出性能实时评估的欺骗检测融合算法.该方法通过建立性能误差评价准则,对融合后的检测性能与单个检测器性能进行实时比较,如果发现某一个检测器性能误差超过门限,则在融合过程中剔除该检测器,从而可以保证当一种检测器失效不会影响融合后的整体性能,该方法可以适用于任意数量,任意种类的欺骗检测方法融合,本文针对相位差和载波多普勒方差两种具体的检测方法,给出了工程实现方法.最后通过仿真结果表明,性能实时评估的欺骗检测融合算法与单独检测算法以及传统融合算法相比,具有更高的检测性能和更广的适应能力.     

基于多特征融合GMM的阴影检测策略研究

将运动目标从背景中准确分割出的过程中,阴影的检测和消除起着重要作用。传统的目标和阴影检测算法一般都是基于目标颜色等单特征信息,因此在很大程度上受到了场景光照条件变化的影响而导致算法的执行效果降低。提出一种基于颜色信息和纹理信息的多特征融合的混合高斯模型检测算法,可以降低由单特征检测所带来较高的误检率。其中采用了两重阴影判决方法以确定真实阴影,首先通过颜色夹角进行疑似阴影的判决,进而根据前景区域和背景区域的相似度和颜色分量差值再次判决阴影。最后通过实验对阴影检测算法进行比较,表明了本文提出算法能够对阴影进行准确消除。     

基于独立分量分析的运动目标精确检测

运动目标检测与跟踪是计算机视觉的难点问题.针对传统方法存在抗噪声、抗抖动性能弱等问题,将独立分量分析(ICA)的算法应用到目标检测与前景图像去噪环节中,目的是提高运动目标检测的鲁棒性和精确性,为后续处理提供尽可能多的目标信息.实验表明,ICA用于目标检测具有较高的鲁棒性,同时ICA用于前景图像去噪比传统的去噪方法具有更好的效果,较好地保留了目标的特征信息.     

基于序列图像的运动轨迹检测方法

序列图像中运动目标轨迹检测是目标识别与跟踪处理的关键技术。运动轨迹检测的核心是运动目 标的轮廓特征提取,传统算法提取的目标物体由于受不同因素的影响只突出了轮廓的部分特征,给运动轨迹检测带 来一定的困难。在利用传统算法获取不同特征信息的基础上,采用蚁群聚类的多模板融合边缘检测方法获取目标 边界,实验结果表明该方法在轨迹检测过程中能够获得较完整的特征信息,能更有效地获取目标轨迹。     

强背景噪声下红外目标的鲁棒性跟踪算法

提出了一种将边缘检测与改进Mean Shift 算法相结合的红外目标跟踪算法．初选了原始红外图像边缘后,再利用非线性边缘检测算法进行处理,有效地消除了原始红外图像中的大部分噪声,并能获取高质量的图像边缘信息．在此基础上,采取更新目标模型、目标模板背景加权以及候选目标区域核加权的方式改进Mean Shift算法,以增强Mean Shift算法跟踪目标的稳定性及对背景噪声的鲁棒性,从而实现强背景噪声下运动红外目标的快速、准确跟踪．实验结果表明,该算法不仅计算量较少,提高了跟踪速度,而且对背景噪声有很强的鲁棒性．     

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测. 为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征. 为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修. 在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明：所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.     

指数弹性动量卷积神经网络及其在行人检测中的应用

针对深度卷积神经网络存在规则化参数多、未利用浅层先验知识、参数随机初始化后易导致权值更新梯度弥散及训练早熟等问题,采用PCA非监督学习方式获取导向性初始化参数数值方法,并基于对网络误差的传播分析,提出指数自适应弹性动量参数学习方法.以复杂场景下行人目标为例进行目标检测试验,实验表明:与人工特征检测识别方案及传统深度卷积模型相比,该模型可有效提升目标检测精度,检测速度提升20%以上;与其他动量同源更新机制相比,该算法收敛速度更快,收敛曲线更平滑,泛化能力强,可在不同深度模型均可取得较好检测效果,准确率分别平均提高1.6%,1.8%和6.19%.     

情报雷达低空小目标探测能力评估方法研究

针对情报雷达探测低空小目标问题,综合考虑了大气传输损耗、大气折射、多路径效应、地面和海面杂波干扰、目标发现概率要求等有关因素,建立了多约束条件下的目标回波估算模型、低空探测杂波功率估算模型,给出了一种实用的低空小目标实际探测能力综合评估方法．并结合具体低空补盲雷达参数进行了仿真分析,验证了该算法的有效性．     

汽车检测线质量认证评价体系

首次提出了基于层次分析和模糊综合评价的汽车检测线整体检测能力评价方法,确定了各层指标权重,建立了汽车检测线整体检测能力模糊综合评价指标体系。通过实例研究论述了评价过程和方法。该评价系统为汽车检测线质量认证工作提供了系统的定量评价方法,应用效果良好。     

基于人工数据产生器的噪声检测评价框架

数据挖掘中的噪声检测算法评价多以UCI真实数据为基准数据集,加入模拟的随机噪声,以除去噪声后对挖掘算法性能的提升作为检测效果的评价指标.真实数据内部结构的未知性、随机噪声水平的不确定性,评价指标的单一性使噪声检测算法评价缺乏标准,不易实现算法横向对比.基于此,首先对现有的噪声检测算法评价方法进行分析,提出基于人工数据产生器的噪声检测评价框架及组件,设计了一种基于规则的标准数据产生器及引入随机噪声模型的方法,并提供了具体的评价指标,最后对框架的合理性进行了分析.