摘要：针对复杂城市监控场景中由于目标尺寸变化大、目标遮挡、天气影响等原因导致目标特征不明显的问题,该文提出一种基于注意力机制的多尺度全场景监控目标检测方法。该文设计了一种基于Yolov5s模型的多尺度检测网络结构,以提高网络对目标尺寸变化的适应性。同时,构建了基于注意力机制的特征提取模块,通过网络学习获得特征的通道级别权重,增强了目标特征,抑制了背景特征,提高了特征的网络提取能力。通过K-means聚类算法计算全场景监控数据集的初始锚框大小,加速模型收敛同时提升检测精度。在COCO数据集上,与基本网络相比,平均精度均值(mAP)提高了3.7%,mAP_(50)提升了4.7%,模型推理时间仅为3.8 ms。在整个场景监控数据集中,mAP_(50)达到89.6%,处理监控视频时为154 fps,满足监控现场的实时检测要求。

摘要：针对红外图像中目标对比度、信噪比以及分辨率都较低等特点,将传统图像处理方法与深度学习技术结合,提出了一种基于特征增强与融合的红外目标检测网络。网络首先利用图像滤波、锐化以及均衡化等方法突出红外图像中的目标特征,丰富网络输入信息;其次,针对单个维度以及不同维度间的特征,设计多层次信息聚合的特征提取结构,充分提取并融合目标空间语义信息;同时,为提升特征提取结构中关键特征权重,引入混合注意力机制,以多种方式捕获目标全局上下文信息后增强对应空间及通道信息;最后,针对不同尺度目标,采用自适应加权方式来综合相邻维度特征,实现各尺度红外目标准确高效的检测。通过在KAIST、FLIR以及RGBT数据集上的实验结果表明,所提方法与现有基于神经网络的红外目标检测方法相比有效提升了红外目标检测性能,并且在复杂场景下,该方法也比其他同类算法具有更高的适应性。

摘要：传统影像检测方法的几何校正准确率低,边缘细节提取效果差,为此提出基于局部加权拟合的无人机遥感影像多尺度检测方法。通过几何校正方法提取遥感影像的完整边缘,采用改进局部加权拟合算法确定局部校正区域;以多尺度、多方向结构元素获取影像边缘特征,结合多尺度自适应均衡边缘检测技术实现形态学重构和梯度运算,计算影像灰度值方差权重比;通过自适应均衡求和获取遥感影像边缘轮廓,实现无人机遥感影像多尺度检测。实验结果表明,该方法能够增强影像几何校正准确率,提升边缘细节提取效果,影像内噪声较少。

摘要：针对道路场景中检测小目标时漏检率较高、检测精度低的问题,提出一种引入Transformer的道路小目标检测算法。在原YOLOv4算法基础上,对多尺度检测进行改进,把浅层特征信息充分利用起来;设计ICvT(improved convolutional vision transformer)模块捕获特征内部的相关性,获得上下文信息,提取更加全面丰富的特征;在网络特征融合部分嵌入改进后的空间金字塔池化模块,在保持较小计算量的同时增加特征图的感受野。实验结果表明,在KITTI数据集上,算法检测精度达到91.97%,与YOLOv4算法相比,mAP提高了2.53%,降低了小目标的漏检率。

摘要：小目标是指图像中覆盖区域较小的一类目标.与常规目标相比,小目标信息量少,训练数据难以标记,这导致通用的目标检测方法对小目标的检测效果不好,而专门为小目标设计的检测方法往往复杂度过高或不具有通用性.在分析现有目标检测方法的基础上,提出了一种面向小目标的多尺度快速区域卷积神经网络(faster-regions with convolutional neural network, Faster-RCNN)检测算法.根据卷积神经网络的特性,修改了Faster-RCNN的网络结构,使网络可以同时使用低层和高层的特征进行多尺度目标检测,提升了以低层特征为主要检测依据的小目标检测任务的精度.同时,针对训练数据难以标记的问题,使用从搜索引擎上获取的数据来训练模型.因为这些训练数据与任务测试数据分布不同,又利用下采样和上采样的方法对目标高分辨率的训练图像进行转化,使训练图像和测试图像的特征分布更类似.实验结果表明:所提出的方法在小目标检测任务上的平均精度均值(mean average precision, mAP)可以比原始的Faster-RCNN提高约5%.

摘要：针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5d算法在通用自动驾驶数据集BDD100K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s^(-1),满足实时性要求.

摘要：目标检测算法在智能交通领域有着重要的应用,但存在小目标检测精度低和多尺度目标信息丢失的问题。针对此问题,提出一种改进的YOLOv3_4d算法,可以实现复杂交通场景中多尺度目标的精准识别。首先,为解决不同尺度目标在常规算法中信息丢失的问题,在检测网络中增加128×128尺度构造多尺度检测网络,挖掘不同尺度信息。其次,设计注意力残差单元和特征增强模块,注意力残差单元提取深层次小目标语义特征信息,特征增强模块拼接多尺度特征,获取丰富的融合信息。最后,算法引入GIoU和Focal函数设计损失函数,加快收敛速率,增强鲁棒性。数据集BDD 100K和VOC 2012的实验表明,改进算法的mAP50值增加了9.2%和4.0%,小目标的mAP值增加了2.3%和3.2%,充分证实本算法的可行性。

摘要：针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明:所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。

摘要：跌倒是高龄人群及复杂作业环境中工人死伤的重要因素,针对原始YOLOv5模型漏检、错检、小目标检测效果差等问题,提出一种MP-YOLOv5检测模型,自建跌倒行人数据集用于跌倒检测研究。为增强Backbone的特征提取能力,设计了深度自注意力变换模块(transformer C3,TRC3),运用多头自注意力(multi-head self-attention,MHSA)模型,拓展网络关注不同位置局部信息的能力,捕捉更丰富的上下文信息;针对原始模型feature map分辨率不足的问题,在YOLOv5原有的模型上增加1个prediction head用于小目标检测,使模型更敏锐地识别小目标;为削弱复杂背景对网络特征提取的干扰,提出一种改进的压缩和激励网络(squeeze-and-excitation network,SENet),有助于网络更精确地关注跌倒姿态;引入软非极大值抑制(soft non-maximum suppression,Soft-NMS)替换YOLOv5原始的NMS降低了漏检率。实验结果表明,在不影响算法识别速度的情况下,MP-YOLOv5跌倒行人检测训练集的mAP从97.62%提升至98.87%,证明了MP-YOLOv5模型比未改进的YOLOv5模型更能满足行人跌倒检测的要求。

摘要：为提升目标检测算法在复杂环境下的精确性和实用性,将多源信息和深度学习技术相结合,提出了一种基于双模态特征增强的目标检测方法。该方法以红外和可见光图像作为输入,利用颜色空间转换、边缘提取、直方图均衡化等传统图像处理方法丰富图像信息,达到数据增强效果;特征提取部分采用卷积神经网络结构分别提取目标红外及可见光信息,并设计混合注意力机制分别从通道和空间位置角度提升有效特征权重;同时,针对目标双模态信息,引入了自适应交叉融合结构,提高特征多样性;最后,利用交替上下采样将目标全局和局部特征充分融合,并以自主选择方式提取目标相关特征实现检测。通过在标准数据集以及实际场景数据集上的实验结果表明,所提方法有效融合并增强了目标多模态特征,提升了目标检测效果,并能较好的应用于电网场景中,辅助机器人完成目标设备检测。