摘要：针对遥感目标检测中,目标分布不均匀、排列杂乱、大长宽比和尺寸变化剧烈等导致目标定位困难的问题,提出了一种融合卷积通道注意力的旋转目标检测方法。基于k-means进行改进,设计了在最优解下增加聚类簇之间距离的锚框设计方法;基于YOLOv5进行改进,设计融合卷积通道注意力的网络模型,增强主干网络传达给特征金字塔顶层和底层的语义和定位特征;设计包含覆盖面积、中心点距离、宽高比和角度损失四种要素的目标框损失函数;优化YOLOv5的目标框宽高回归函数,自适应生成回归预测范围。实验在两个遥感公共数据集UCAS-AOD和HRSC2016上分别与5种具有代表性的方法进行比较,在UCAS-AOD数据集上,平均精度mAP达到了95.9%,相比于CSL方法,mAP提升了0.8个百分点;在HRSC2016数据集上,平均精度mAP达到了96.3%,速度FPS达到了77.5,相比于R3Det方法,mAP提升了0.3个百分点,FPS提升了5.46倍。实验结果表明,方法的整体性能超过了近年来一些代表性的方法,在两个遥感数据集中验证了方法的有效性。

摘要：针对遥感图像背景噪声多,小目标多且密集排列,以及目标尺度分布广导致的遥感图像小目标难以检测的问题,该文提出一种根据不同尺度的特征信息自适应融合的混合锚检测器AEM-YOLO。首先,提出了一种结合目标宽高信息以及尺度宽高比信息的二坐标系k-means聚类算法,生成与遥感图像数据集匹配度较高的锚框。其次,设计了自适应增强模块,用于解决不同尺度特征之间的直接融合导致的信息冲突,并引入更低特征层沿自底向上的路径传播小目标细节信息。通过混合解耦检测头的多任务学习以及引入尺度引导因子,可以有效提高对宽高比大的目标召回率。最后,在DIOR数据集上进行实验表明,相较于原始模型,AEM-YOLO的AP提高了7.8%,在小中大目标的检测中分别提高了5.4%,7.2%,8.6%。

摘要：利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。

摘要：绝缘子是输电线路上的重要部件之一,利用无人机巡检准确的检测出绝缘子及其缺陷是保障电力安全输送的重要手段。针对目前主流目标检测网络处理高分辨率图像时直接缩放原图带来目标的细节信息丢失或者将原图切块再检测导致目标丢失整体信息的问题,在残差网络(ResNet 50)的基础上设计了一个双分支结构的主干网络(RC Net)同时兼顾绝缘子的位置信息和细节信息,能减少目标上下文信息和局部信息的丢失。同时引入可变形卷积替换部分常规卷积来改变采样点,使采样点能更贴合目标本身的几何形状,提高网络的特征表达能力,并根据绝缘子本身的大小和形状重新设计锚框的参数,使锚框更适合目标本身的尺度,边框回归更精确。在扩增的中国输电线路绝缘子数据集(CPLID)进行实验,结果表明,本文提出的算法的平均精度达到88.3%,相比于目前主流的检测算法在高分辨率图像背景下具有更好的检测效果。

摘要：在SSD(Single shot multibox detector)单阶段人脸检测模型的基础上,针对复杂局部遮挡下人脸检测精确性差的问题,提出了一种基于层级注意力增进网络的多尺寸遮挡人脸检测方法。首先,在SSD基础网络的多层初始特征图上,通过引入注意力增进机制提升人脸可见区域的响应值。然后为不同增强特征层设计不同尺寸的锚框,以提高对多尺寸遮挡人脸的分层识别效果。最后在训练时将注意力损失函数、分类损失函数和回归损失函数融合为多任务损失函数,共同优化网络参数。在WIDER FACE人脸数据集和MAFA遮挡人脸数据集上的实验表明,本文方法的检测精确性和时效性均优于目前主流遮挡人脸检测方法。

摘要：为降低孪生网络跟踪器中预定义锚框对模板更新和跟踪精度的影响,提出一种采用高质量模板在线更新的孪生网络目标跟踪算法。在孪生网络跟踪框架的基础上引入一个基于区域建议网络的重检测模块,获得质量更高的回归边界框,利用初始帧、累计帧和当前帧的特征模板训练一个更新网络实现更高质量的模板更新。在OTB100和GOT-10k数据集上的对比实验结果表明,提出算法具有更好的成功率和精度,在具有各种复杂属性的场景中表现出更优秀的性能。

摘要：针对人工设计特征复杂和传统的自动化方法在目标识别和检测上准确率和效率低下的问题,提出一种基于改进的Faster-RCNN的目标区域定位方法。由于被检测目标尺度变化大,为了解决原始Faster-RCNN网络结构对于小目标区域检测精度低的问题,提出多尺度快速区域卷积神经网络检测算法,改进了神经网络的结构,使网络在检测过程中可以同时使用低层和高层的特征,提升了网络对于小目标区域的检测能力。修改原始网络中锚框设定方法,通过聚类算法来确定不同尺度的特征图的锚框。实验结果表明,该方法在不同的背景下均能实现对目标较好的识别与定位,对小区域的检测能力显著提高。检测精度由原始网络结构的79.60%上升到95.39%,提高了15.79百分点。

摘要：针对粉末冶金工件表面发生开裂、孔洞等缺陷时,采用机器视觉检测易出现漏检和误检等问题,提出一种改进的YOLOv5s目标检测算法。综合考虑工件表面缺陷的特点,采用线性卷积替换普通卷积降低网络模型参数,在特征提取网络中引入坐标注意力机制提升目标通道和位置通道特征能力,重新设计先验框尺寸提高锚框尺寸匹配度,并对损失函数进行改进,进而提升检测精度。实验表明,改进后的网络平均检测精度(mAP)由原来的58.5%提升至63.6%,检测速度达到65 ms。改进后的算法在YOLOv5s轻量高效的前提下,更能实现精准的零件缺陷检测。

摘要：在原CenterNet算法中,以Hourglass为Backbone的目标检测模型平均精度均值高于one-stage算法,但检测速度较低。为此,基于原有CenterNet目标检测算法,对Hourglass-104模型进行改进,设计一种Hourglass-208模型,并给出双特征金字塔网络特征图融合方法。在此基础上对目标大小和训练采用smoothL1损失函数,提出一种新的可端到端训练的目标检测算法T_CenterNet。在MSCOCO数据集上的实验结果表明,该算法目标检测的评估指标AP_(50)、AP_(S)、AP_(M)分别为63.6%、31.6%、45.8%,检测速度达到36frame/s,综合性能优于原CenterNet算法。

摘要：在汽车主动安全性能的研究背景下,对目标检测算法Faster R-CNN(Faster Region-Convolutional Neural Networks)进行改进,并将其应用于交通标志的检测。为此,提出一种多尺度卷积核的ResNeXt模型来设计检测算法的基础网络,并在此基础上采用多维特征融合的策略来满足交通标志小目标检测的需求。针对Faster R-CNN中的区域建议网络(RPN),通过拟合交通标志特征来设计锚框以获取更好的推荐区域,从而进一步降低误检率与漏检率。在TT100K数据集中的实验结果表明,改进后的算法在小目标、多目标和复杂背景等的条件下,交通标志的检测效果优异,平均精度达到了90.83%。