多尺度特征融合的目标检测算法研究

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题,提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合;在训练阶段,采用在线难例样本挖掘算法维护难例样本分类池,加速神经网络模型迭代收敛,解决训练样本不均衡、训练效率低下的问题;计算并统计待检测目标的尺度大小,合理控制用于生成候选区域的锚框尺寸,提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证,实验结果表明,相比Faster R-CNN算法,本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。     

基于改进Faster R-CNN的红外目标检测算法

为提升红外目标的检测精度,提出了一种引入频域注意力机制的Faster R-CNN红外目标检测算法。首先,针对红外图像边缘模糊和噪声问题,设计了一种并行的图像增强预处理结构;其次,在Faster R-CNN中引入频域注意力机制,设计了一种新型红外目标检测主干网络;最后,引入路径增强金字塔结构,融合多尺度特征进行预测,利用底层网络丰富的位置信息,提升检测精度。在红外飞机的数据集上进行实验,结果表明,改进后的Faster R-CNN目标检测框架比以ResNet50为主干的算法的AP提升了7.6%。此外,与目前主流算法对比,本文算法提高了红外目标的检测精度,验证了算法改进的有效性。     

改进的SSD算法及其对遥感影像小目标检测性能的分析

针对以Faster R-CNN为代表的基于候选框方式的遥感影像目标检测方法检测速度慢,而现有SSD算法在小目标检测中性能低的问题,提出一种改进的SSD算法,综合利用现有基于候选框方式和一体化检测方式的优势,提升检测性能。该算法利用密集连接网络替换原有的VGGNet作为骨干网络,并且在密集连接模块之间构建特征金字塔,代替原有多尺度特征图。为验证所提算法的精度及性能,设计样本数据在线采集系统,并采集飞机及运动场目标样本集作为实验样本,通过对改进SSD算法的训练,验证了其网络结构的稳定性,在无迁移学习支持下依然能够达到良好效果,且训练过程不易发散。通过对比以101层的残差网络(ResNet101)作为基础网络的Faster R-CNN算法和R-FCN算法可知,改进SSD算法较Faster R-CNN算法和R-FCN算法的MAP在测试集上分别提升了9.13%和8.48%,小目标检测的MAP分别提升了14.46%和13.92%,检测单张影像耗时71.8 ms,较Faster R-CNN和R-FCN算法分别减少45.7 ms和7.5 ms。     

低空监控系统的红外小目标检测方法

无人机遥感系统在检测复杂背景下红外小目标时存在虚警过高的问题,结合卷积神经网络提出一种两阶段的无人机遥感系统红外小目标检测模型。第一阶段利用Unet神经网络学习红外图像中目标的深度语义特征与浅层位置特征,同时增强红外小目标信号,并抑制背景信号。第二阶段利用Faster R-CNN对第一阶段输出的图像进行分析,检测图中红外小目标的位置与边框。在公开的无人机遥感系统红外小目标检测数据集上完成了验证实验,结果表明该模型将三个复杂背景数据集下红外小目标的检测精度分别提高了13.2、9.8与13个百分点,每秒处理的帧数分别增加了11、14与13。     

基于卷积神经网络的候选区域优化算法

在目标检测中,通常使用候选区域提高目标的检测效率。为解决当前候选区域质量较低的问题,本文将卷积边缘特征、显著性及目标位置信息引入到候选区域算法中。首先,利用卷积神经网络将待检测图像生成更富有语义信息的边缘特征,并通过边缘点聚合及边缘组相似性策略,获取每个滑动窗口的边缘信息得分;其次,利用显著性目标的局部特征,统计每个滑动窗口中的目标显著性得分;第三,根据目标可能出现的位置,计算每个滑动窗口中的目标位置信息得分;最后,利用边缘信息、显著性及位置信息的分数确定候选区域。在PASCAL VOC 2007验证集上进行实验,给定10 000个候选区域,交并比取0. 7时,所提算法的召回率为90. 50%,较Edge Boxes算法提高了3%。每张图像的运行时间大约为0. 76 s。结果表明,本文算法可快速产生较高质量的候选区域。     

全卷积网络多层特征融合的飞机快速检测

针对传统飞机检测方法准确率低、虚警率高、速度慢等问题,提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合,以缓解由于深层特征图维度过低造成的对小目标表达不足的问题;修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征;用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像;复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明,与典型的飞机检测方法相比,所提方法在测试集上取得了更高的准确率和更低的虚警率,同时大大加快了检测速度。     

基于多层卷积特征融合的目标尺度自适应稳健跟踪

针对复杂跟踪条件下目标的稳健跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应稳健跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其梯度方向直方图特征构建一维尺度相关滤波器,确定目标的最佳尺度。实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。     

基于多层卷积特征融合的目标尺度自适应鲁棒跟踪

针对复杂跟踪条件下目标的鲁棒跟踪和精确尺度估计问题,提出了一种基于多层卷积特征融合的目标尺度自适应鲁棒跟踪算法。算法首先利用VGG-Net-19深层卷积网络架构提取目标候选区域的多层卷积特征,通过相关滤波算法构建二维定位滤波器,得到多层卷积特征并进行加权融合,从而确定目标的中心位置;然后通过对目标区域进行多尺度采样,提取其HOG特征构建一维尺度相关滤波器,确定目标的最佳尺度。在复杂跟踪条件下的实验结果表明,与6种当前主流跟踪算法相比,该算法取得了最好的跟踪成功率与精度,同时在跟踪过程中较好地实现了对目标快速尺度变化的自适应跟踪,且具有较快的跟踪速率。     

全局模型和局部优化的深度网络显著性检测

设计有效的特征向量是显著性检测方法的关键,决定了模型效果的上限,基于深度卷积神经网络和手工提取特征相结合的思路,提出了一种新的基于全局模型和局部搜索的显著性检测方法。在全局模型中,通过对VGG-16网络设计额外的卷积层进行训练,生成初始显著图,达到了从图像整体角度预测每一个候选区域显著性的目的。在局部优化模型中,设计区域对比度描述子和区域特征描述子对多级分割的超像素点进行描述,预测每一个区域的显著性值。最后,利用线性拟合的方法将两种模型中产生的显著图进行融合,得到最终的显著图。对4个数据集进行对比测试实验,实验结果表明,本文方法具有最高的准确率。     

基于改进Faster R-CNN的空中目标检测

相比传统图像目标检测算法,基于大数据和深度学习的检测算法无须人工设计特征,且检测性能更稳健。在防空应用背景下,自建了空中目标静态和视频图像数据集用于训练和测试,改进了基于深度学习的目标检测框架Faster R-CNN,将其专用于空中目标检测。结合空中目标检测任务的特点和需求,提出膨胀积累、区域放大、局部标注、自适应阈值、时空上下文等改进策略,弥补了Faster R-CNN对弱小目标和被遮挡目标不敏感的缺陷,提高了检测速度和精度。实验表明,改进后的Faster R-CNN在应对弱小目标、多目标、杂乱背景、光照变化、模糊、大面积遮挡等检测难度较大的情况时,均能获得很好的效果。数据集上测试结果的平局准确率均值较改进之前提高了16.7%,检测速度提高了3倍。     

基于双流融合网络的单兵伪装偏振成像检测

单兵伪装目标与背景之间在颜色上有高度的相似性,目标具有高度复杂的姿态,而且存在遮挡问题,这些问题使得单兵伪装目标检测较传统目标检测有很大的挑战性。针对上述问题,提出基于偏振信息和RGB(Red, Green, Blue)信息的深度学习算法,同时构建单兵伪装目标偏振图像数据集CIP3K(Multicam型迷彩伪装数据集和Woodland型迷彩伪装数据集)。基于Faster R-CNN(Faster Region-Convolutional Neural Network)提出一种双流特征融合网络TSF-Net,其能够融合目标偏振特征信息和RGB特征信息。在CIP3K数据集上进行大量实验,用来测试TSF-Net模型与其他检测模型的性能。实验结果表明,相较于Faster R-CNN,TSF-Net模型在两个数据集上的平均检测精度分别提高了8.2个百分点和8.8个百分点,且优于一些主流目标检测模型。     

特征增强SSD算法及其在遥感目标检测中的应用

为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.     

基于三维卷积神经网络的肺结节识别研究

针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的检出率达到了0.911和0.934,CPM得分为0.891,优于大部分主流算法。     

基于注意力和强化学习的遥感图像描述方法

针对当前遥感目标检测方法只能识别出遥感目标的类别及位置,无法生成与遥感图像内容相关文本描述的问题,提出了一种基于注意力和强化学习的遥感图像描述方法.首先,采用卷积神经网络构建编码器,提取遥感图像的特征.其次,利用长短期记忆网络搭建解码器,学习图像特征与文本语义特征间的映射关系.然后,引入注意力机制,增强模型对显著性特征的关注,减少无关背景特征的干扰.最后,采用强化学习策略,根据离散且不可微的评价指标直接对模型进行优化,消除暴露偏差及优化方向不一致的缺陷.在公开遥感图像描述数据集中的实验结果表明,本方法的检测精度较高,对密集小目标、雾气积聚、背景特征与目标特征相似等复杂环境下的遥感图像具有良好的描述性能.     

基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24～30GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持     

基于去模糊空间变换RCNN的毫米波图像目标检测（英文）

提出一种包含去模糊的空间变换区域卷积神经网络的目标检测算法.首先,基于主动毫米波圆柱扫描成像原理对人体进行三维成像(频率24~30 GHz),建立毫米波图像数据集.然后,估计毫米波图像的模糊核,通过卷积去噪网络获得图像先验知识,将其集成到半二次分裂的优化方法中,以实现非盲目去模糊.最后,由定位网络、网格生成器和采样网络三部分组成空间变换网络,将它融入到特征提取网络中,在去模糊后实现目标检测.通过该非盲目去模糊算法得到的图像的峰值信噪比可达27.49 dB,目标检测算法的平均精度可达80.9%.实验结果表明,与现有的先进方法相比,该方法可以有效地提高图像质量和检测精度,为毫米波图像中隐藏危险品的目标检测提供了新的技术支持.     

基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余,而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理,并不符合光谱数据的特性,极大影响了模型的运行效率和分类性能。针对该问题,提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法。首先,利用三维Octave卷积获取高光谱图像的空间特征的同时减少空间特征冗余信息。其次,利用Bi-RNN光谱注意力网络将光谱带数据视为有序序列以获取高光谱图像的光谱信息。然后,通过全连接层将空间和光谱特征图连接起来实现特征融合。最后,经过softmax输出分类结果。实验结果表明,所提方法在Pavia University和Botswana两个数据集上的分类精度分别达到了99.97%和99.79%,与其他主流算法相比,该方法可以充分利用空间和光谱特征信息,具有更佳的分类性能。     

基于改进DeepLabV3+网络的卫星遥感图像林地提取

针对普通卷积神经网络在遥感图像分割中林地边界区域识别不完整、小片林地分割精度低的问题,提出一种基于transformer与注意力机制的DeeplabV3+网络改进方法。在编码阶段引入transformer机制,将原池化金字塔部分中的空洞卷积操作替换为可获取更多上下文信息的transformer操作,从而提高网络对林地边界信息的提取能力;将注意力机制引入到网络的解码部分,提升模型对小片林地的检测能力。实验表明,采用改进后的方法平均交并比(MIou)可达到81.83%,对比原DeepLabV3+网络模型提升了1.25%。该方法充分考虑了卫星遥感图像分割中林地边缘信息的提取以及对小目标的关注度,提出的改进方法可提升遥感图像中对林地提取的精度。     

基于GAN的半监督遥感图像场景分类

针对遥感图像背景复杂及有监督场景分类算法无法利用无标签数据的问题,提出一种基于生成对抗网络的半监督遥感图像场景分类方法.首先,引入谱归一化残差块代替传统生成对抗网络中的二维卷积,利用残差块的跳跃连接解决梯度消失问题;其次,引入特征融合思想,将浅层特征与深层特征进行融合,从而减少特征损失;最后,在生成对抗网络的判别器中加...     

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。