基于特征重聚焦网络的多尺度近岸舰船检测

针对监控视频中的多尺度近岸舰船检测问题,提出了一种基于特征重聚焦网络的舰船目标检测算法,设计了由多维特征聚合模块(MFAM)与注意力特征重构模块(AFRM)组成的特征重聚焦策略.其中,MFAM基于输入的特征金字塔构建特征聚合块,进一步融合多尺度舰船不同层次特征的语义信息.AFRM基于多分支空洞卷积以及通道与空间注意力机制提升网络对目标非局部信息的表征和对背景干扰的抑制,并构建了用于目标检测的特征重聚焦金字塔.在Seaships7000舰船公开数据集上的实验结果表明,相比其他算法,本算法对监控视频中多尺度近岸舰船的检测效果更好.     

基于自编码器结构与改进Bytetrack的低光照行人检测及跟踪算法

针对夜间低光照场景下目标特征提取困难和跟踪不稳定的问题,提出了基于自编码器结构及改进Bytetrack的多目标行人检测及跟踪算法。在检测阶段,基于YOLOX(you only look once X)搭建多任务自编码变换模型框架,以一种自监督的方式考虑物理噪声模型和图像信号处理（image signal processing, ISP）的过程,通过对真实光照退化变换过程进行编码与解码学习内在视觉结构,并基于这种表示通过解码边界框坐标与类实现目标检测任务。为了抑制背景噪声的干扰,在目标解码器颈部网络引入自适应特征融合模块ASFF。跟踪阶段,基于Bytetrack算法进行改进,将基于Tranformer重识别网络提取到的外观嵌入信息与NSA卡尔曼滤波获得的运动信息通过自适应加权的方法完成数据关联,并通过Byte两次匹配的算法完成夜间行人的跟踪。在自建夜间行人检测数据集上测试检测模型的泛化能力,mAP@0.5达到了94.9%,结果表明本文的退化变换过程符合现实条件,具有良好的泛化能力。最后通过自建夜间行人跟踪数据集验证多目标跟踪性能,实验结果表明,本文提出的夜间低光照行人多目标跟踪算法MOT...     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

一种跨模态光学信息交互和模板动态更新的RGBT目标跟踪方法

提出一种跨模态光学信息交互和模板动态更新的可见光和热红外（RGBT）跟踪方法,选取能够在跟踪速度和精度上取得平衡的Siamese跟踪器作为基本框架,并设计特征交互模块以重构不同模态的信息比例和增强模态间信息交流。在此基础上,基于无锚框的思想构建预测网络,以提升跟踪器的灵活性和通用性,同时提出一种模板动态更新的策略,通过动态更新跟踪模板增强模型对变化目标的适应能力。在GTOT等3个基准数据集上的对比实验表明,所提方法可显著提升跟踪器在复杂环境下的目标跟踪性能。     

基于分类-验证模型的视觉跟踪算法研究

针对相似度目标跟踪算法主要考虑目标的类内相似,而忽略不同目标的类间差异的问题,提出基于分类-验证模型的视觉跟踪算法。该算法通过增加目标的属性(类别)信息,利用相似度信息与类别信息构建损失函数,在高维空间学习目标的类内相似和类间差异;将目标模板与候选目标输入网络模型,分别通过分类与验证模块实现网络参数更新;利用训练网络提取目标模板与候选目标的深度嵌入特征,实现目标跟踪。在OTB50和UAV123数据库上进行实验,结果表明,该算法可以大幅提高跟踪效果,对相似目标具有较强的稳健性。     

基于深度迁移学习的复杂机场场景飞机目标检测方法

提出了一种改进的深度学习模型,旨在解决检测问题。首先基于迁移学习,微调预训练模型,提高了模型在有限的飞机数据集中的特征提取能力。其次,融入调整模块以增加深层特征图的感受野,提升模型的鲁棒性。引入特征金字塔网络,融合不同尺度的特征信息,进一步增强多尺度特征提取能力。最后,优化了检测头,融合轻量化的分类和回归并行分支,平衡了目标检测的准确性和实时性。构建了易于拓展的Aeroplane数据集,并对所提方法进行了实验验证。结果表明,所提模型在单架飞机、相互遮挡的飞机和小飞机的检测中平均精度分别提高了4.9%、4.0%和4.4%。所提方法在不同环境下表现优于其他经典方法,包括各类遮挡和夜间、雾天等复杂场景,具有良好的场景鲁棒性。     

基于特征重组的遥感图像有向目标检测

针对遥感有向目标存在的检测问题,设计了一个基于改进Rotated RPN的网络,设计特征重组机制,通过加权使网络关注有效目标区域。使用新的有向框标注方法,避免在临界角度出现错位等问题。在检测头前端使用极化注意力模块,改善因为分类和回归任务所需特征不一致导致的性能下降问题。实验结果表明,该模型可以提高多类目标的检测精度。相较于基准Rotated RPN,该模型在Dior-R数据集上精度提升4.95%,在HRSC2016数据集上精度提升11.75%。     

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。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。     

基于音视频信息融合的目标检测与跟踪算法

针对单一视觉跟踪算法易受遮挡影响的缺陷,提出一种基于音视频信息融合的目标检测与跟踪算法。整个算法框架包括视频检测与跟踪、声源定位、音视频信息融合跟踪3个模块。视频检测与跟踪模块采用YOLOv5m算法作为视觉检测的框架,使用无迹卡尔曼滤波和匈牙利算法实现多目标的跟踪与匹配;声源定位模块采用十字型麦克风阵列获取音频信息,结合各麦克风接收信号的时延计算声源方位;音视频信息融合跟踪模块构建音视频似然函数和音视频重要性采样函数,采用重要性粒子滤波作为音视频融合跟踪的算法,实现对目标的跟踪。在室内复杂环境下对算法性能进行测试,结果表明该算法跟踪准确率达到90.68%,相较于单一模态算法具有更好的性能。     

基于背景抑制和分类校正的小样本目标检测方法

为进一步提升小样本条件下对空中来袭目标的检测识别成功率,提出一种基于背景抑制和分类校正的小样本目标检测方法。首先,针对空中来袭目标背景前景易混淆问题,在区域候选网络前端引入背景抑制模块,通过抑制背景特征和增强前景特征来减轻目标背景对检测的影响;其次,在背景抑制模块后插入特征聚合模块,聚焦目标特征,通过缓解小样本条件导致目标特征难提取、不明显的问题,校正网络模型的分类参数;最后,在检测头网络中引入对比分支,增强了类别内相似性和类别间独特性,缓解来袭目标“类间相似性高,类内差异性大”的问题,实现了对网络分类的进一步校正。实验结果表明,所提出的算法在1、2、3、5、10 shot实验中均表现最佳,平均精度分别达到28.3%、32.8%、39.9%、42.9%和56.2%,提升了小样本空中来袭目标的检测性能。     

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。     

基于形变多样相似性的空间正则化相关滤波跟踪

提出了一个基于形变多样相似性的空间正则化相关滤波跟踪算法。在核相关滤波(KCF)跟踪算法基础上引入了空间正则化权重和子网格检测方法,利用形变多样相似性匹配算法构建了目标重检测模块,利用主成分分析(PCA)算法和k维树一致近似最近邻(TreeCANN)算法解决了匹配算法中的最近邻搜索问题;通过自适应模板更新策略,解决了遮挡情况下模板误更新问题。实验结果表明,所提算法的精确度得分为0.825,成功率得分为0.625,相比KCF算法分别提升了18.5%和31.0%。所提算法能较好地解决目标尺度变化、遮挡、快速运动、旋转和背景杂乱情况下的跟踪问题,具有广泛的应用前景。     

复杂背景下红外图像弱小目标检测

红外弱小目标检测是安防监控、侦察探测、精确制导等领域的关键技术。为了提高复杂背景条件下红外弱小目标检测的准确性和实时性,提出了一种基于深度学习的红外弱小目标检测算法YOLO-FCSP。根据红外图像中弱小目标的特点,在YOLO检测框架的基础上,通过减少下采样次数,结合跨阶段局部模块、Focus结构和空间金字塔池化结构设计了特征提取网络。借鉴多路径聚合的思路优化特征融合网络,同时调整检测输出层数量,通过信息复用提高特征利用效率。实验结果表明,本文提出的算法在检测红外弱小目标时具有较高的准确率和检测速度,精度和召回率分别为91.9%和94.6%,平均准确率(AP)值达到92.6%,检测速度达到170 f/s,满足实际应用中实时检测的需求。     

基于注意力融合的目标跟踪算法

针对基于孪生网络的目标跟踪算法存在抗干扰能力弱、鲁棒性差等问题,在SiamCAR基础上提出通道和空间注意力融合的目标跟踪算法。在特征提取子网络和分类回归子网络之间级联改进后的高效通道注意力和空间注意力模块,加强网络对互相关后响应图中重要通道特征和位置特征的关注,同时抑制不重要的特征信息。在OTB100上,所提算法在背景杂乱挑战下成功率和精度相比SiamCAR分别提高了3.1%和2.8%;在VOT2018上,所提算法的鲁棒性和期望平均重叠率相比SiamCAR分别提高了4.9%和2.2%。实验结果表明,所提算法增强了跟踪器的鲁棒性,提升了跟踪器在复杂场景下的跟踪效果。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准数据集,并搭建基于Pytorch的深度学习目标检测框架.然后,在输入端对图像进行数据增强,调整模型的宽度和深度,优化训练检测模型.最后,采用特征金字塔网络和路径聚合网络结构融合不同尺寸特征图的特征信息,用联合交并比计算边界框的回归损失,并在后处理过程中引入加权非极大值抑制.实验结果表明,该模型具有较好的鲁棒性和识别效果,在交并比为0.5时的平均精度均值可达到0.804.     

改进YOLOv4的铁路沿线遥感影像地物检测方法

近年来,高分遥感影像技术的快速发展为铁路沿线地物检测提供了一种重要技术手段。基于回归的一阶段目标检测方法YOLOv4具有检测精度高、速度快等优点,但用于遥感影像检测时仍然存在部分细节特征信息丢失导致的小目标漏检,以及进行大面积地物检测时效率低的问题。为此,提出改进YOLOv4网络模型对遥感影像铁路沿线地物进行检测。首先,设计由卷积、批量归一化和Mish激活函数组成的CBM(convolution batch normalization mish)模块,并采用DCBM(double CBM)模块作为密集连接网络(DenseNet)的传输层用于YOLOv4网络特征提取以实现地物特征传递和信息重用,增强小目标地物的检测能力,降低漏检率;然后针对YOLOv4在大面积检测时效率不高和模型参数空间较大的缺陷,将压缩激励SE(squeeze excitation)通道注意机制用于骨干网中跨阶段局部单元(cross stage partial, CSP)的每个残差单元之后,减少SE注意模块的重复调用次数,使其能够在提高网络性能的同时降低模型参数量从而提高检测效率;最后,针对长条形状的铁路目标提取困难问题,在网络结果输出之前引入改进的通道空间注意力机制ICBAM(improved convolutional block attention module) 保留原始特征信息,解决铁路目标特征提取能力差的问题,提高铁路中大尺度目标的检测效率。为验证所提方法的有效性,选取2 048张分辨率为1 920×1 080的某段铁路沿线遥感影像地物样本数据,将其中的铁路、房屋、楼宇建筑、农田和水池作为检测目标进行实验,并与当前流行的目标检测方法进行对比。结果表明,改进方法不仅增强了对小目标地物的检测能力,提高了地物检测精度和速度,而且提高了大尺度目标的检测效率。与YOLOv4算法相比,mAP提高了2.11%,准确率提高了2.93%,召回率提高了3.79%,模型大小减少了8.53%。所提方法为当前应用高速铁路沿线遥感影像地物快速精准检测提供了有效方法。     

面向边缘智能光学感知的航空紧固件旋转检测

针对航空紧固件分拣过程中现有方法存在效率低、成本高、精度差等问题,提出一种面向边缘智能光学感知的旋转目标检测方法。构建一种基于强化语义和优化空间的特征融合机制,有效提升目标检测模型的性能;设计一种空洞幻影模块,减少特征融合网络的参数量,有利于模型在工业场景下的边缘部署;采用高斯类环形平滑标签方法,在模型检测层预测分支上实现旋转目标检测,显著提升模型检测性能,并更有助于工业机器人自动抓取。在权威公开旋转数据集上,检测准确率达到77.16%。最后,在嵌入式智能设备上进行边缘部署并测试,整体准确率达到99.76%,推理速度超过20 FPS (frames per second),满足工业应用的要求。     

基于编码-解码卷积神经网络的遥感图像语义分割

农村地区遥感图像语义分割是进行城乡规划、植被以及农用地检测的基础。农村地区高分辨率遥感图像含有较为复杂的地物信息,对其进行语义分割难度较大。基于此,提出一种改进的对称编码-解码网络结构SegProNet,利用池化索引与卷积融合语义信息及图像特征,通过1×1卷积构建Bottleneck层进一步提取细节、减少参数量,逐步加深过滤器深度以构建端到端的语义分割网络,改进激活函数进一步提升网络性能。实验结果表明,在CCF卫星数据集上,所提方法及经典语义分割网络U-Net、SegNet的准确率分别为98.4%,80.3%,98.1%,所提方法较其他方法更优。     

微小型航天密封圈表面缺陷检测

微小型航天密封圈表面缺陷面积占比小,目前的检测方法检测效率低、结果不稳定,检测速度和检测精度仍有提升空间。针对上述问题,提出两种基于深度学习的密封圈表面缺陷检测算法。在MobileNetv2的反向残差模块中加入多头注意力机制,构建出轻量级主干网络Efficient Model;使用Next Hybrid策略,融合工业级Transformer网络中的多个注意力机制模块,构建出Next Generation Vision Transformer主干网络。在上述两种主干网络中分别加入特征提取网络,设计出Efficient-FPN Model和Transformer-FPN Model检测算法。实验结果表明,Efficient-FPN Model和Transformer-FPN Model检测算法的平均准确率均高于YOLOv5s、YOLOv5x以及YOLOv5z,其中,Transformer-FPN Model模型的平均准确率最高,达到91.4%。Efficient-FPN Model的检测速度在五种模型中最快,达到110.8 frame/s,其平均准确率达到86.1%,也高于其他YOLOv5...