摘要：目的相比于一般视频目标检测跟踪任务,视频羽毛球的实时定位跟踪主要面临两大难点:1)羽毛球属于小目标,同时伴有严重的运动模糊以及相似目标的干扰,使用基于矩形框的目标检测跟踪方法准确率低且会带来中心点误差问题;2)单帧图像很难准确定位羽毛球目标,利用视频前后帧的时域特征则可以跟踪到羽毛球目标,而现有提取时域特征的网络模块结构复杂,难以满足实时性要求。针对以上问题,本文使用热力图轮廓检测方法,提出了羽毛球运动小目标的定位跟踪网络算法(shuttlecock track net,STNet)。方法网络主体采用“U”型编解码结构;针对小目标像素信息少的问题,基于SE(squeeze and excitation)通道注意力与残差结构设计高效特征提取模块(SE channel attention and residual,SECAR),实现了空域信息的高效提取与传递,提高了网络的定位性能;针对目标丢失与相似目标干扰问题,设计了时序网络(temporal network,TPN)结构用于提取和记忆视频时域特征,提高了网络跟踪性能。结果在羽毛球比赛公开数据集TrackNetv2与自制数据集上的实验表明,本文方法在多个指标上取得了最好的性能表现。相较于现有性能较好的羽毛球定位跟踪方法TrackNetv2,本文方法在准确率、精确率和F1上分别提高7.5%、15.7%和7.5%,并且显著降低了参数量,满足实时处理需求(54帧/s)。结论本文提出的STNet羽毛球定位跟踪网络,在面对羽毛球目标外观剧烈变化以及背景干扰严重时,能够准确定位羽毛球比赛视频帧中可能存在的羽毛球,实现羽毛球的稳定跟踪,相比其他羽毛球定位跟踪网络,具有更优的性能。

摘要：针对目前无人机航拍图像小目标检测算法存在的漏检、误检、精度与速度不平衡等问题,提出复合特征与多尺度融合的无人机小目标检测算法CM-YOLOv8s(composite and multi-scale YOLOv8s)。通过在空间金字塔池化模块引入通道特征,实现目标复合特征质量提升;通过重建模型颈部结构,提高目标细节特征的保留比例;通过设计DRHead检测头,实现多尺度特征检测图融合,增强多尺度目标检测适应性;通过采用Wise-IoU损失函数提升模型收敛速度。相比于基准算法,改进后的CM-YOLOv8s算法参数量仅为3.5×10^(6),参数量降低了69%。实验结果表明,提出的CM-YOLOv8s算法在数据集VisDrone2019上的mAP50显著提升了6.8个百分点;同时,在UAV-DT和DIOR数据集上验证了提出算法的泛化性和有效性。

摘要：针对印刷电路板(printed circuit board,PCB)缺陷检测过程中,因包含丰富的小目标缺陷,易出现漏检、误检现象,提出一种基于改进增强金字塔实时检测变换器(enhance pyramid real time detection transformer,EP-RTDETR)小目标PCB表面缺陷检测算法。首先,使用CSPDarknet替代原始骨干网络,以增强模型的特征提取能力;其次,设空间移动卷积门控线性单元(spatial moving point convolutional gated linear unit,SMPCGLU)模块改造C2f中的Bottleneck,增强了特征的门控调制能力和空间自适应性;再次,引入可学习位置编码,改进尺度交互机制,增强对不同位置信息的响应能力;然后,基于跨尺度特征融合模块(cross-scale feature-fusion module,CCFM)模块设计小目标增强金字塔结构(small object enhance pyramid,SOEP),增强的特征层和精细的特征融合使模型能够更准确地定位和识别小目标;最后,设计MPDIoU(minimum point distance-based intersection over union)+NWD(normalized wasserstein distance)loss,在加快模型收敛速度的同时更加关注小目标缺陷,回归结果更加准确。试验结果表明,相较于基准模型,准确率P提高了4.6%,召回率R提高了5.1%,平均精度均值mAP50提高了4.6%,参数量减少了16.38 M,浮点数减少了48.3,FPS提高了8.51 s,能够更好地进行小目标PCB表面缺陷检测。

摘要：针对SAR图像上的小目标难以被检测的问题,提出一种STSAR-YOLOv5目标检测算法。在YOLOv5基础上增加一层检测头捕捉小目标;在骨干网络部分加入BoTNet模块,其具有全局信息获取能力,能够在高度密集场景下定位小目标。在自主构建的SSAD数据集上进行对比实验,实验结果表明,STSAR-YOLOv5的检测效果较YOLOv5有明显提升,该方法平均检测精度(mAP_0.5:0.95)提高了7.8%。相比YOLOv5算法,该算法对SAR图像中的小目标表现出较好的检测性能和鲁棒性。

摘要：针对深度学习算法难以部署到无人机硬件和小目标易漏检误检问题,提出改进YOLOv8的轻量化小目标识别算法DLS-YOLO。采用深度可分离卷积替代普通卷积轻量化网络,设计多分支空洞卷积结构IRFB增大感受野,在主干网络中加入ECA注意力机制增强特征表达能力,增设160×160尺寸检测头,提高小目标检测能力。在VisDrone2019数据集上,DLS-YOLO比YOLOv8s在mAP@0.5上提高了2.3%,计算量降低11.2GFLOPs,模型尺寸缩减至5.7 M,性能优于其他主流检测方法。在Jetson Xavier NX平台验证算法的有效性,平均单帧处理时间34.4 ms,实现近实时检测。

摘要：针对遥感图像中舰船小目标占比大、多方向旋转等问题,提出一种基于纹理和颜色双重特征增强的舰船小目标检测方法。首先,设计生成对抗网络增强舰船小目标的纹理特征,生成高分辨率的舰船图像。然后,采用深度强化学习算法增强图像的颜色信息,解决舰船目标与背景颜色低对比度的问题。接着,设计自适应变换特征金字塔网络,增强全局感受野,有效解决深层网络中空间信息缺乏导致的小目标特征难以提取的问题。最后,利用特征细化模块和圆形光滑标签完成对舰船目标边界框的特征点对齐和角度回归,有效提高多方向旋转舰船目标的检测精度。此外,在HRSC2016和DOTA两个公共数据集上进行了相关实验。可以发现,所提方法在两个数据集上的平均精度均值可分别达到72.87%和89.91%,相比主流的目标检测算法得到了大幅提升。

摘要：针对合成孔径雷达(SAR)图像舰船目标背景复杂的特点,提出一种基于改进 YOLOv3 的 SAR图像舰船小目标检测算法。首先,通过分析残差网络的设计原理,针对不同场景下舰船目标的特点,重新设计底层残差单元;其次,改进特征金字塔的网络结构,解决感受野与定位之间的矛盾问题,提高了小尺度舰船的检测效果;最后,通过引入平衡因子,优化损失函数中的小目标权重。实验结果显示,相比原始YOLOv3方法,所提方法在舰船目标公开数据集上F1 值提高 6.3%,同时,较快的检测速度使得所提算法可用于实时目标检测。

摘要：及时且准确捕获井壁出现的微小裂缝,对于井筒安全意义重大.轻量化检测模型是推动井壁裂缝自动检测的关键,打破现有方法聚焦于提取深层语义信息的局限,重视浅层特征表征的几何结构信息的应用,针对井壁裂缝提出轻量化检测模型E-YOLOv5s.首先融合普通卷积、深度可分离卷积和ECA注意力机制设计轻量化卷积模块ECAConv,再引入跳跃链接构建特征综合提取单元E-C3,得到骨干网络ECSP-Darknet53,它负责显著降低网络参数,同时增强对裂缝深层特征的提取能力.然后设计特征融合模块ECACSP,利用多组ECAConv和ECACSP模块组建细颈部特征融合模块E-Neck,旨在充分融合裂缝小目标的几何信息和表征裂缝开裂程度的语义信息,同时加快网络推理速度.实验表明,E-YOLOv5s在自制井壁数据集上的检测精度相较YOLOv5s提升了4.0%,同时模型参数量和GFLOPs分别降低了44.9%、43.7%.E-YOLOv5s有助于推动井壁裂缝自动检测的应用.

摘要：分析了背景杂波对红外小目标检测的影响,研究了一种针对红外小目标图像的背景杂波定量描述方法。提出了背景杂波定量描述方法需要满足的三个条件:与主观判断的结果一致、对于不同的红外图像具有适应性和能够辅助改进目标检测算法。综合考虑了目标与背景的特征,融合了4种特征,提出了一种新的红外背景杂波量化方法。首先采用支持向量机对背景杂波强度进行分类,然后对每类图像分别采用层次分析法计算各特征的权重,从而实现杂波强度的量化。设计了与传统方法的对比实验,实验结果表明该方法是一种有效的背景杂波强度量化方法。

摘要：为提高复杂背景和噪声干扰下红外小目标检测性能,提出了融合深度神经网络和视觉目标显著性的单阶段红外小目标检测算法.首先设计了基于编码器-解码器架构的轻量级全卷积神经网络对红外图像进行分割,实现背景抑制和目标增强;然后利用红外小目标的显著性特征进一步抑制虚警;最后采用自适应阈值法分离出小目标.网络结构中通过引入多个下采样层降低计算量并增大感受野;通过引入多尺度特征提升背景抑制能力;通过引入注意力机制提升模型训练效果.在真实红外图像上的测试表明,本文算法在检测率、虚警率和运算时间等方面都优于典型红外小目标检测算法,适合进行复杂背景下的红外小目标检测.