摘要：针对传统的基于卷积神经网络(CNN)的森林火灾烟雾检测中,需要大量人工设计构件、对复杂森林场景中不明显的小烟雾检测能力较差等问题,提出了一种改进DETR(Detection Transformer)的森林火灾发生早期的烟雾检测模型。首先,使用DETR作为基线,将多尺度对比局部特征模块(MCCL)和密集金字塔池化模块(DPPM)集成到特征提取模块中,用于感知小烟雾或不明显烟雾的特征;然后,提出了一种边界框迭代组合方法,生成能够覆盖整个烟雾对象的精确包围盒,以提高检查精度、减少误检与漏检;最后,利用CutMix数据增强扩充森林火灾烟雾数据集,对该方法进行评价。理论分析与实验表明,改进后的模型对森林火灾烟雾的检测精度明显高于主流模型,与传统DETR模型相比,该模型的mAP(平均精度均值)提高了4.4%,AP_(50)精度提高了3.8%。

摘要：针对现有基于深度卷积神经网络模型的图像超分辨重建技术存在图像特征提取尺度单一和中间层次特征利用不充分等问题,提出了一种多尺度残差聚合特征网络模型。首先,该模型利用不同扩展系数的扩展卷积和残差连接设计了一种混合扩展卷积残差块(HERB),有效地提取到图像多个尺度的特征信息;其次,引入了一种特征聚合机制(AM),解决了网络中间层次特征利用不充分的问题。在常用的5种数据集上进行的实验结果表明,所提网络模型在主观视觉效果和客观评价指标上都比其他模型具有更好的性能。

摘要：针对目标检测任务中小目标所占像素较少、特征不易提取而导致的小目标漏检问题,提出一种结合多特征融合与残差空洞卷积的小目标检测算法。以单阶段目标检测算法SSD为模型基础,建立多层特征融合模块,分别对浅层特征图和后两层特征图进行通道拼接,以深层特征来强化浅层特征,丰富浅层特征的语义信息;建立多分支残差空洞卷积模块,结合残差操作并利用不同扩张率的空洞卷积提取多尺度特征信息,增强特征表示能力,不丢失特征图的原始分辨率;利用更新后的特征来完成小目标检测。在VOC2007数据集上通过实例验证了所提算法的检测精度比SSD提高1.4%,该算法可行有效。