基于改进YOLOv4的混凝土裂缝检测方法

为了解决深度学习目标检测模型在混凝土裂缝应用上检测精度低、检测速度慢等问题,提出一种基于改进YOLOv4的混凝土裂缝检测方法。首先将YOLOv4的主干特征提取网络替换为轻量级网络Mobilenetv1,并且将YOLOv4加强特征提取网络中的普通标准卷积修改为深度可分离卷积;其次在PANet模块部分添加轻量级注意力模块CBAM(Convolutional Block Attention Module),在控制参数量的基础上提高裂缝目标检测的精度;最后用模拟人类视觉的RFB-s模块代替YOLOv4中的空间金字塔池化模块(Spatial Pyramid Pooling, SPP),扩大感受野,提高检测精度。实验结果表明,与传统YOLOv4相比,本模型的mAP增加三个百分点,参数量减少至14 M,检测速度可达42帧每秒。     

一种改进的YOLOv4-tiny车辆目标检测方法

伴随深度学习的不断发展,深度学习的目标检测方法被广泛应用.基于特征融合的思想,本文提出了一种改进的YOLOv4-tiny目标检测方法,通过添加卷积模块及调整部分超参数对其网络架构进行优化,以实现对道路车辆目标的快速检测、识别和定位.首先为了改善YOLOv4-tiny网络对小目标类型检测精度差的问题,基于特征金字塔网络对...     

改进YOLOv3的船舶检测算法研究

针对当前内河通航情况复杂和船舶目标尺度变化大,船舶目标的检测技术存在准确率低和鲁棒性差的问题,文中提出一种MA-YOLOv3船舶目标检测算法。在DarkNet-53主干网络结构中增添一个浅层检测尺度,并添加8倍上采样使其与最后一层检测尺度进行信息融合,利用8倍和2倍混合上采样的方式使特征信息进一步高效融合,有效地提升小目标的检测效果;然后,构建一种自适应特征处理结构,利用网络的自适应学习能力过滤无用的信息,保留有用的特征,从而减少梯度逆向传播时比例不一致的问题,有效增强网络对多尺度特征的检测效果。在公开的SeaShips船舶数据集上开展实验得出,所提算法检测精度高达95.45%,明显优于SSD、YOLOv3等其他主流的目标检测模型,该方法在船舶目标检测上具有优越性。     

基于改进YOLOv3算法的行人检测研究

YOLOv3算法在单一物体目标检测时使用Darknet53作为主干,网络出现冗余现象,导致参数过多,检测速度变慢,传统的边界框损失函数影响检测定位准确性。针对这一问题,文中提出了改进YOLOv3算法的行人检测方法。通过构造以Darknet19为主干网络多尺度融合的新型网络,加快训练速度和检测速度,还通过引入广义交并比损失函数来提高检测精确度。实验结果表明,在行人检测数据集如INRIA行人数据集中,相比于原始算法,文中所提算法的精确度提高了5%。和Faster R-CNN相比,在保证准确率的情况下,采用文中算法使单张图片的检测速度达到了每张0.015 s。     

改进YOLOv4的车辆图像检测算法研究

针对自动驾驶车辆真实行驶场景下因环境复杂,车辆间目标遮挡、环境背景遮挡等导致的车辆检测误检、漏检和定位不准的问题,本文提出了一个改进YOLOv4模型的车辆检测算法。该算法在YOLOv4网络的Backbone与Neck的通道处以及Neck的上采样与下采样处分别添加7处CBAM注意力机制,以提升网络提取有效特征的能力。并利用k-means聚类算法生成适合数据集的锚框。为检验模型的有效性,对数据集进行重新整理与划分,将与车辆无关的种类删去,将Car、Bus、Truck三类合并为Vehicle一类,随后进行实验,并与当前主流的其他目标检测模型进行对比。实验证明,改进的YOLOv4算法比原算法AP提升了4.8%,准确率提升了4.54%,召回率提高了0.9%,优于大部分主流算法。提出的模型为复杂环境下自动驾驶领域的车辆识别提供了有效方法。     

基于改进YOLOv5的超分辨率和多尺度融合目标检测算法

为了提升目标检测算法在多尺度学习方面的能力,尤其是对小目标的检测能力,本文提出了一种基于改进YOLOv5的超分辨率和多尺度融合目标检测算法。首先,该算法使用子像素卷积代替原YOLOv5模型的上采样操作,提高图像的分辨率,并尽可能保留小目标的信息。其次,使用并行快速多尺度融合(parallel fast multi-scale fusion,PFMF)模块实现深层特征和浅层特征的双向融合,将原YOLOv5算法的3尺度预测升级为4尺度预测,以此提高模型多尺度特征学习能力和对小目标的检测效果。实验结果表明,与YOLOv5s相比,改进后的模型在PASCAL VOC数据集中,mAP@0.5提高了2.8个百分点,mAP@0.5∶0.95提高了3.5个百分点;在MS COCO数据集中,mAP@0.5提高了4.3个百分点,mAP@0.5∶0.95提高了5.2个百分点。改进后的 YOLOv5模型在多尺度检测,尤其是小目标的检测效果方面得到了提升,并具有一定的应用价值。     

改进的YOLOv4⁃tiny行人检测算法研究

针对大型行人检测网络由于权重大、检测速度慢等原因无法直接应用到小型设备场景中的问题,提出3种改进YOLOv4?tiny的行人检测识别模型:①YOLOv4?tinye模型,在CSP(Cross Stage Partial Connections)网络中引入改进的ESA_CSP(Enhanced Spatial Atten...     

基于改进YOLOv4的轻量级目标检测算法研究

针对YOLOv4目标检测算法在一些应用场景的参数多、网络复杂、精度低等问题,提出一种改进的轻量级的目标检测算法GD-YOLO.首先,通过使用轻量级网络GhostNet替换掉YOLOv4的主干特征提取网络CSPDarknet,GhostNet网络极大降低了算法的参数量及计算量,使得算法更加轻量化;其次,提出双重注意力机制(DATM),其不仅增强模型对空间和通道上的特征进行加强,而且其结构参数量小,使用在对主干网络提取出来的三个有效特征层添加双重注意力机制,让模型对特征提取更加有效;最后,新增ACON激活函数代替原有的GhostNet网络中的ReLU激活函数,进一步提高算法检测精度.在VOC2007+2012数据集上的实验结果表明,GD-YOLO算法的平均准确率(mAP)达到84.28%,与YOLOv4算法相比提升了4个百分点,与YOLOv5算法相比低了大约1个百分点;从模型参数量方面,与YOLOv4算法相比减少了11 M,与YOLOv5相比减少3 M.所提GD-YOLO算法相对于YOLOv4不仅减少了模型参数量,而且也保存了较高的平均准确率,表明该算法是更具有轻量化及高准确率的.     

基于YOLOv4和HOG的闭环检测算法

传统的视觉SLAM闭环检测算法大多采用手工设计的图像特征,适用于室内静态场景但在复杂场景下的准确性不高.为此,在卷积自编码器网络模型基础之上设计了一种新颖的闭环检测算法.首先针对场景中可能会出现的动态物体干扰,使用重训练的YOLOv4目标检测算法对原始图像进行动态物体去除.此外,利用定向梯度直方图(HOG)提供的几何信...     

基于改进YOLOv4的红外行人车辆检测算法

智能设备对行人和车辆的目标检测对于建设智慧城市有着重要的意义。随着红外技术的发展和普及,红外成像科技具有强抗干扰和全天候的特性,被越来越多地用于解决可见光受限环境带来的问题。论文提出了一种改进YOLOv4深度学习算法对红外图像下的行人车辆进行检测。改进的YOLOv4算法加入了CA注意力机制模块,将位置信息嵌入到通道注意中,增强了对感兴趣区域的表示。此外还设计了CSP2-DBL模块,替换了原本简单的卷积模块叠加,对高分辨率特征性信息的做出了弥补。为了进一步提高网络计算速度,减少计算量,针对红外图像特性,对Head部分进行了裁剪。实验结果表明改进后的模型在FLIR红外数据集上较YOLOv4模型在mAP上提高了0.85个百分点,检测速度提升了2 f/s。     

基于改进YOLOv4的遥感图像目标检测

针对遥感图像在复杂背景下因特征提取和表达能力不足而存在漏检和检测效果不佳的问题,提出一种优化特征提取网络的YOLOv4算法模型。该改进模型引入了一种新的Dense-PANet结构以获取更高的分辨率特征,并通过在特征提取网络中嵌入注意力机制以适应遥感图像因视野范围大而导致复杂背景下小目标漏检和检测效果不佳的问题。为了证明本文所提方法的有效性,针对DIOR遥感数据源进行了对比实验,结果表明,本文算法平均准确率(mean average precision,mAP)为86.55%,相比原算法提高了2.52%,较YOLOv3、RetinaNet提高了6.58%、14.09%,验证了所改进算法的有效性。     

改进的YOLOv4红外图像行人检测算法

在夜视红外行人检测的定位任务中,样本取样机器处于高点俯拍,使得所拍摄到的行人目标体积较小.此外,行人时刻处于活动状态,与摄像头的距离不同,导致检测时同类目标在图中的大小有一定的差异.基于YOLOv4算法,本文提出了一种改进的YOLOv4红外行人检测算法,对YOLOv4的网络结构进行了优化.采用形变卷积为核心组件,构建形变特征提取模块提升对于目标特征提取的有效性;针对形变卷积对特征提取网络模块进行优化.结果表明,改进后的算法在整体鲁棒性、召回率、F1-Score等评价指标方面均优于其它算法.     

基于YOLOv4目标检测算法的轻量化网络设计

目标检测是计算机视觉领域的一个重要研究方向,在交通监控、人机交互等方面都有着广泛的应用.目前,基于深度学习的YOLOv4检测网络与传统目标检测相比,其检测精度虽然有所提高,但存在网络参数量大、对计算机硬件要求较高等问题.针对于此,本文对YOLOv4网络进行了改进,即采用MobileNetv2与YOLOv4的主干特征提取...     

基于改进YOLOv4的车型检测算法研究

针对车型检测任务中存在错检、漏检的问题,提出一种改进YOLOv4的车型检测算法。首先,使用CBAM-DenseNet-BC网络代替原始特征提取网络CSPDarKNet53,加强网络对车型重要特征信息的提取能力,从而提高特征信息的利用率;然后将SPPNet替换成ASPPNet,增大网络感受野的同时减少网络计算量,并使得特征图分辨率的降低速度变缓;其次,为加快模型推理速度,将原始算法检测模块中负责检测小目标的分支裁剪;最后,为检测车型类别信息的同时关注其位置信息,在检测模块YOLO-Head之前添加CBAM模块。实验结果表明改进后的算法的mAP值为95.22%,比原始算法提高了1.93%。改进后的算法能够有效地检测出车型,准确率相对于其它算法有所提高。     

基于改进YOLOv3的单阶段目标检测算法

针对目标检测领域对高检测精度和高检测速度共存的需求,提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO),该算法首先引入空间注意力机制,利用多尺度最大池化层增大感受野范围;然后采用跨阶段局部连接结构和直通层优化主干网络结构,改善计算效率;最后在多尺度检测结构中增加自下而上的路径,并使用拼接操作进行横向连...     

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。     

一种基于改进YOLOv7的无人机多目标光学检测方法

为解决由于空中多目标及其多尺度特征导致的目标检测召回率低、精确度低等问题,提出了一种基于YOLOv7改进的无人机多目标光学检测方法。针对无人机蜂群目标,使用K-means算法对自制的多尺度无人机数据集（Multi Scale Drone Dataset,MSDD）优化聚类,对原有YOLOv7锚框进行增改;在特征融合网络部分加深网络层数,使更深层的特征与浅表特征进一步融合,增强小尺度目标的特征表达能力;在网络预测部分增加一个极小目标预测头,有效增强多尺度、多目标的检测性能。较原YOLOv7算法,改进算法在自制数据集上mAP达到75.69%,提升了6.25%,对于多尺度特征的无人机多目标检测具有更好检测效果。