基于改进YOLOv4的低慢小无人机实时探测算法（英文）

针对低慢小无人机探测任务中精度不高、在嵌入式平台上部署实时性能差的问题,提出了一种基于改进YOLOv4的小型无人机目标检测算法。通过增加浅层特征图、改进锚框、增强小目标,提高网络对小目标的检测性能,通过稀疏训练和模型修剪,大大缩短了模型运行时间。在1080Ti上平均精度（mAP）达到85.8%,帧率(FPS)达75 frame/s,实现了网络轻量化。该模型部署在Xavier边缘计算平台上,可实现60 frame/s的无人机目标检测速度。实验结果表明：与YOLOv4和YOLOv4-tiny相比,该算法实现了运行速度和检测精度的平衡,能够有效解决嵌入式平台上的无人机目标检测问题。     

基于YOLOv5s模型的光纤振动传感事件精准检测研究

通过将双马赫-曾德尔干涉仪（DMZI）分布式光纤振动传感系统和四旋翼无人机（UAV）监测系统融合,设计了一种基于YOLOv5s模型的多类别光纤振动传感事件精准检测方案。首先,通过地面站QGroundcontrol将DMZI与UAV进行联动控制。其次,将二维振动信号时频谱与无人机捕捉的对应原始图像共同送入YOLOv5s卷积神经网络模型进行识别检测。最后,为验证所提精准检测方案的有效性和可行性,对5种常见的传感模式进行实际应用环境下的实验测试与分析。实验结果表明,所提出的精准定位检测方案对5种传感模式的平均精度均值（mAP）可达96.6%,并且其平均识别检测时间可控制在5 ms内。     

基于改进YOLOv5的无人机检测方法

针对小尺寸无人机目标检测精度低,且深层网络的参数量大、内存占用高等问题,提出一种基于改进YOLOv5的无人机检测方法。首先,调整了YOLOv5多尺度预测层的个数,裁剪掉冗余网络层,有效减少网络参数量,提高无人机检测速度;其次,通过在特征提取阶段引入多个不同采样率的空洞卷积,增强小目标的多尺度细节特征提取能力;最后,在多尺度特征融合阶段引入注意力机制,将深层特征进行通道加权后再与浅层特征进行高效融合,增强小目标特征表达能力。实验表明,改进的YOLOv5模型在自制数据集上mAP达到了99.02%,对于小尺寸的无人机目标,具有更好的检测效果。相较于改进前网络,检测速度提高了10.3%,内存开销节约了65%,降低了对设备计算和存储能力的要求,更加有利于无人机检测系统的工程部署和实际应用。     

基于YOLOv4-tiny的遥感图像飞机目标检测技术研究

针对传统遥感图像飞机目标检测算法在复杂背景下存在检测准确度和检测召回率较低的问题,基于深度学习中YOLOv4-tiny提出一种遥感图像飞机目标检测算法.根据YOLOv3和YOLOv4的网络结构对YOLOv4-tiny的网络结构进行改进,将原算法中的CSP特征提取网络强化,使其特征提取能力增加;使用Mish激活函数替换原...     

基于YOLOv4的目标检测优化方法

针对YOLOv4目标检测网络结构复杂,参数量以及计算量大等问题,提出了一种轻量化目标检测算法（YOLOv4-GC）。首先,使用ghostnet结构替换原始YOLOv4的主干网络,降低了获取冗余特征图像的计算量,在SPP与PANet模块中使用深度可分离卷积,使模型的计算量和参数量比原始YOLOv4分别降低82%和80%;再结合PyConv多尺度卷积设计出Py-PANet金字塔结构,提高了模型对于图像特征的提取和融合能力。在Pascal VOC数据集上的实验结果表明,在保证模型精度的情况下模型的参数量和计算量相比原始有明显降低。     

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。     

基于改进YOLOv3网络的无人车夜间环境感知

环境感知是无人车夜间行驶中的一项关键任务，提出一种改进的YOLOv3网络，以实现夜间对无人车获取的红外图像中行人、车辆的检测，将判断周边车辆的行驶方向问题转化为预测车辆位置的角度大小问题，并与深度估计信息进行融合对周边车辆行驶的距离和速度作出判断，从而实现夜间无人车对周边车辆行驶意图的感知。该网络具有端到端的优点，能实现整张图像作为网络的输入，直接在输出层回归检测目标的边界框位置、所属的类别和车辆的角度预测结果，并和深度估计信息融合得到周边车辆的距离和速度信息。实验结果表明，使用改进的YOLOv3网络对夜间无人车获取的红外图像进行目标检测的时间为0.04 s/帧，角度和速度预测效果较好，准确性和实时性达到了实际应用要求。     

应用于地面战场目标的点云检测算法研究

地面战场上目标检测是精准跟踪以及准确打击的前提,在现代无人化陆战中起着至关重要的作用。传统的图像检测方法受到光照,天气等条件制约,利用激光雷达技术进行3D目标检测能够显著改善车体的感知能力。针对应用于陆战无人车的检测任务,提出了一种基于卷积神经网络的3D点云检测算法,通过优化VoxelNet的体素化和特征融合模块设计了一组端对端的高效网络,并改进了一种基于距离的非极大值抑制策略。实验表明原始VoxelNet在自建数据集上车辆目标AP值为78.53%,而改进后的网络性能达84.11%,对未来军事领域的三维目标检测任务具有参考价值。     

基于无监督域适应的低空海面红外目标检测

提出一种基于无监督域适应的低空海面红外目标检测方法.首先利用图像翻译网络将源域图像翻译为目标域图像并共享标签.其次在YOLOv5s目标检测网络中使用梯度反转层优化网络提取特征的域间适应性.此外利用最大均值差异损失进一步缩小从网络中提取的不同红外探测器图像的特征分布.最后采用AdamW异步更新优化算法进一步提高模型在训练...     

基于双模态融合网络的目标检测算法

针对红外图像和可见光图像的融合目标检测问题,提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后,利用设计的红外编码器提取红外图像空间特征信息;通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征,通过精确的位置信息对通道关系进行编码;最后,采用提出的门控融合网络自适应调节两路特征的权重分配,实现跨模态特征融合。在KAIST行人数据集上,与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比,所提算法检测精度分别提升15.1%和2.8%;与基准算法YOLOv5-s相比,检测精度分别提升14.7%和3%;同时,检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上,所提算法的检测精度和速度也同样具有明显优势。此外,该算法还能对单独输入的可见光或红外图像进行目标检测,且检测性能与基准算法相比有明显提升。     

基于伪模态转换的红外目标融合检测算法

为提高红外图像目标检测的精度和实时性,提出一种基于伪模态转换的红外目标融合检测算法.首先,利用双循环的生成对抗网络无需训练图像场景匹配的优势,获取红外图像所对应的伪可见光图像;然后,构建残差网络对双模态图像进行特征提取,并采取add叠加方式对特征向量进行融合,利用可见光图像丰富的语义信息来弥补红外图像目标信息的缺失,从而提高检测精度;最后,考虑到目标检测效率问题,采用YOLOv3单阶段检测网络对双模态目标进行三个尺度的预测,并利用逻辑回归模型对目标进行分类.实验结果表明,该算法能够有效地提高目标检测准确率.     

融合多异构滤波器的轻型弱小目标检测网络

针对红外图像信息维度单一且弱小目标因特征不明显而难以检测的问题,将不同结构的多滤波器融入YOLOv5n网络,根据增强弱小目标和抑制背景干扰的不同特性分别选择三个异构滤波器作用于网络的多通道输入图像,从而丰富原始图像的信息维度,有效提升后端网络对复杂背景下弱小目标的适应能力;通过添加注意力模块、采用小锚框策略、裁剪网络深层分支等改进措施,在增强YOLOv5n网络弱小目标检测能力的同时,进一步减少了计算和存储资源需求。实验结果表明,所提出的算法能够有效检测红外复杂背景中的弱小目标,同时占用存储和计算资源更少,为算法部署在资源受限的嵌入式设备上提供了基础。     

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。     

水热法制备Mo1-XWXS2合金材料及晶体结构的研究

提出一种基于无监督域适应的低空海面红外目标检测方法。首先利用图像翻译网络将源域图像翻译为目标域图像并共享标签。其次在YOLOv5s目标检测网络中使用梯度反转层优化网络提取特征的域间适应性。此外利用最大均值差异损失进一步缩小从网络中提取的不同红外探测器图像的特征分布。最后采用AdamW异步更新优化算法进一步提高模型在训练过程中的稳定性与检测精度。将所提方法在不同红外探测器采集的低空海面红外船只与无人机数据集中进行实验。实验结果表明,相较于传统有监督学习方法,所提方法有效降低了人工标注成本,且源域检测精度提高6.56个百分点,目标域检测精度提高2.62个百分点,有效提升目标检测模型在不同红外探测器间的泛化能力。     

多特征尺度融合改进Faster-RCNN视网膜微动脉瘤自动检测算法

视网膜微动脉瘤的检测对于早期发现糖尿病视网膜病变等重要疾病至关重要,但该病灶尺寸相对较小,属于眼底图像中的微小目标,现有的微动脉瘤检测算法难以实现该病灶的精准检测,为此提出了基于多特征尺度融合的改进Faster-RCNN微动脉瘤自动检测算法。该算法在Faster-RCNN网络模型的基础上,首先采用多特征尺度融合对特征提取网络与RPN结构进行改进以提高网络对于微小目标特征的利用;然后,通过感兴趣区域齐平池化以消除感兴趣区域池化过程中引入的量化误差;最后,通过对损失函数中的smooth L1损失函数进行重新设计得到平衡L1损失函数以实现损失函数优化,从而有效降低大梯度难学样本与小梯度易学样本间的不平衡问题,进而使得模型能够得到更好地训练。针对眼底图像中微动脉瘤的自动检测,将优化后的Faster-RCNN网络模型在Kaggle数据集上进行训练及测试,并与其他方法进行对比。实验结果表明,与其他各种结构的Faster-RCNN网络模型相比,所提出的基于多特征尺度融合的改进Faster-RCNN算法能显著提高检测结果（F-score与原始FasterRCNN相比提升了9.36%）;与其他网络模型以...     

基于热图像的种蛋气室变化监测算法

种蛋气室的大小是监测种蛋孵化过程的重要指标之一。根据种蛋的热力学结构,种蛋在孵化过程中,包裹气室部分蛋壳会与其他部分蛋壳产生温差,从而可通过热红外图像进行观察。针对在种蛋孵化过程中,人工照蛋检测气室效率低的问题,探索设计了一种基于热图像的种蛋气室变化俯视监测算法。监测种蛋气室热图像的算法主要包括种蛋目标检测,种蛋图像分割和种蛋气室面积计算3个部分,其中种蛋的目标检测采用Faster-RCNN算法实现;种蛋图像分割采用BP神经网络算法实现;种蛋气室面积是在种蛋图像分割的基础上进行计算。使用孵化5天及以上的种蛋作为研究对象,并拍取种蛋的热图像进行试验。试验结果表明：种蛋热图像的目标检测的平均精度（mAP）为99.85%,拥有较好的检测效果。使用BP网络对种蛋进行图像分割。BP神经网络经过调参后,其网络最佳的结构为三层隐藏层,每个隐藏层拥有1 000个神经元,最优初始学习率为0.000 1,最优最大迭代次数为500。以F1-measure作为分割效果的评价指标,BP神经网络的图像分割总体结果为87.02%,Otsu算法的总体结果为65.25%。其中只有一个蛋的情况下,BP神经网络的分割结果为87.17%,Otsu算法的结果为68.86%。存在其他种蛋的干扰条件下,BP神经网络的分割结果为86.94%,Otsu算法的结果为61.64%,BP神经网络的分割效果优于Otsu分割算法,BP神经网络拥有更强的抗干扰能力。最后提取了孵化5～19 d种蛋的气室变化,通过观察种蛋气室大小曲线来监测种蛋的孵化情况,可看出随着天数的增加,气室有着明显变大的趋势。人工测量法与热红外测量法比较结果说明两者相关性为0.934 3,拥有较好的相关性。基于热图像的种蛋气室变化监测算法可在实际生产中实现种蛋的识别与气室大小的快速监测,为实现监测种蛋孵化的自动化提供了技术参考。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

基于级联神经网络的实用型三维复合不变性多目标识别

以三 飞机模型作为待识别目标,模型真实场景,对用于多目标分类识别的级联神经网络重新进行了研究。实验发现畜产品上降的主要原因是实际采集的目标发生的复杂畸变与计算机模拟产生的效果并不一样。用采集得到的目标图像作为训练样本,对网络重新构造和训练,取得了好的实验结果。分析了其中涉及到目标定位、图像分割等图像预处理问题,提出了一种基于二值图像开矿学腐蚀运算的快速目标检测位法,可快速有效地对目标进行检测定 。     

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。     

视频监控下利用改进型YOLOv3的弱监督式异常行为检测

为了对监控视频中的异常行为进行准确高效地检测,提出了一种利用改进型YOLOv3的弱监督式异常行为检测。采用多尺度融合的方式改进YOLOv3网络,利用改进型YOLOv3完成视频中的目标检测,提高计算效率与方法的通用性;利用光流可有效捕捉运动信息这一特性,提出大尺度光流直方图描述符(LSOFH)描述目标行为,以更好地提取异常行为特征;训练最小二乘支持向量机(LSSVM),用于识别监控视频中的异常行为。基于MATLAB仿真平台对所提方法进行实验论证,结果表明,相比于其他方法,所提方法在UCSD数据集、UMN数据集和地铁出口数据集上的表现最佳,曲线下面积(AUC)最大、等错误率(EER)最小且检测率最高,具有较好的应用前景。