摘要：近年来,数字射线成像技术(digital radiography,DR)由于其独有优势已被广泛应用于工业管道无损检测。为提高管道DR缺陷图像检测精度,提出了一种改进的YOLOv5n管道DR缺陷图像检测方法。该方法有两点贡献,针对目标检测网络中分类和回归两个任务存在冲突的问题,设计了任务独立解耦检测头,通过分别为两类任务构建独立的特征图实现解耦。为了缓解解耦检测头模块带来的参数量增加问题,引入了轻量化的深度可分离卷积替代标准卷积,在保证精度的同时,减少模型参数量。实验结果表明,在管道缺陷数据集上,该方法的mAP@0.5比YOLOv5n提高0.9个百分点。与YOLOv4、Faster-RCNN和SSD等其他几种目标检测模型的对比实验表明,该方法在mAP@0.5、参数量和计算量上都达到最优,有效提高了管道DR缺陷图像检测的性能。

摘要：针对无人机航拍图像目标尺度变化大、目标与背景相互干扰所导致的误检、漏检问题,提出一种基于重参数化注意力的目标检测方法,并将其应用于无人机航拍目标检测。首先,通过提出重参数化坐标注意力模块来增强相关特征,提升网络对上下文信息的捕捉能力;其次,设计多尺度感受野增强模块来重构骨干网络,从而增强特征图的接受域,提升网络的特征提取能力;接着,提出四尺度特征融合检测网络,提升网络对小目标的检测能力;最后,引入解耦检测头来解决分类与回归任务之间的冲突。在VisDrone2021数据集上进行实验,所提方法的mAP0.5相比原算法提高了7.6个百分点,召回率提升了5.5个百分点,与其他方法相比也具有明显优势。实验结果证明,改进方法能够较好地解决上述误检、漏检问题,具有良好的检测效果。

摘要：目标检测旨在实现对图像中目标的精确识别和定位,是计算机视觉中一个重要的研究领域。基于深度学习的目标检测已取得长足的发展,但依然存在不足之处。大的下采样系数带来的语义信息有利于图像分类,但下采样过程中不可避免地会造成信息损失,导致模型特征提取不充分,从而检测准确性下降。针对上述问题,提出一种感受野增强与多分支聚合模型用于目标检测。首先,设计感受野增强模块,以扩大主干网络的感受野。该模块可以获取目标上下文线索,且不改变特征的空间分辨率,可以缓解下采样过程中目标信息丢失问题。然后,为了充分利用卷积神经网络的局部性以及自注意力机制的长距离特征依赖特性,构建感受野扩展复合主干网络,以保留局部特征以及提高模型的全局特征感知能力。最后,提出多分支聚合检测头网络,在3个预测分支之间形成信息流动,融合分支之间的特征信息,以提高模型检测能力。在MS COCO数据集上进行了验证实验,结果表明所提模型的平均精度优于多种主流目标检测模型。