针对多尺度目标的轻量级红外目标检测算法

针对现有基于深度学习的红外目标检测算法参数量大、复杂度较高、对多尺度目标检测性能较差等问题,提出了一种针对多尺度目标的轻量级红外目标检测算法。算法以YOLOv3为基础,采用MobileNet V2轻量级骨干网络、设计改进的简化空间金字塔结构（simSPP）、Anchor Free机制、解耦头和简化正负样本分配策略（Sim OTA）分别对Backbone、Neck和Head进行优化,最终得到模型大小为6.25 M,浮点运算量2.14 GFLOPs的LMD-YOLOv3轻量级检测算法。在构建的MTS-UAV数据集上m AP达到90.5%,在RTX2080Ti显卡上FPS达到99,与YOLOv3相比m AP提升了2.60%,模型大小为YOLOv3的1/10。     

基于滑窗对比度的多源融合目标恒虚警检测方法

随着空天地跨域协同技术的快速发展,多基地雷达利用其构型的特殊性,可实现目标的多视角融合探测,从而改善检测信噪比,然而现有的恒虚警检测算法尚未提出适用于多站构型下的融合检测理论。文中提出一种基于滑窗对比度的多源融合目标恒虚警检测方法。首先,利用地面直角坐标系网格与多站距离环的映射关系,指出多站融合图像中目标区域与背景单元的特征分布差异。其次,通过构建指数型似然比融合检测量,有效增加了目标分辨单元和背景单元的对比度。最后,根据系统虚警指标要求,推导了基于指数型似然比二阶统计量的恒虚警检测门限,在保证虚警性能前提下给出了多站构型目标恒虚警融合检测理论。所提算法充分挖掘了多站融合图像中目标能量的分布特征,为多源融合目标增强检测提供了一种有效途径,仿真结果验证了所提算法的有效性。     

基于快速多尺度估计的重新检测目标跟踪算法

为了解决跟踪过程中的漂移问题,本文提出了一种基于快速多尺度估计的重新检测目标跟踪算法。在跟踪过程中,跟踪器通过目标的最大响应值确定目标的位置,并且通过一个新的自适应检测指标检测当前位置的可靠性.不同于其他检测指标的是,新的检测指标减少了对最大响应值的依赖.若检测出当前帧的位置不可靠,我们的方法可以通过Edge boxes方法产生一系列的目标候选框,并通过非极大值抑制方法和欧几里德度量方法选出最优目标位置.此外,我们提出了自适应更新的方法来减少由于跟踪失败导致的误差.实验结果表明,本文提出的算法在精确度和成功率方面都有很好的效果.     

基于多尺度局部极值和边缘检测的目标性算法

目标性作为目标检测的预处理算法,用于高效提取少量可靠的目标潜在区域,可替代针对复杂特征的多尺度滑动窗的分析方式,达到提升目标检测效率的目的。该文提出了一种基于多尺度局部极值和边缘检测的目标性算法。首先,基于原始图像的多尺度梯度特征,在不同尺度下利用均值滤波得到梯度强度的局部极值,并在原始图像上还原出初始目标潜在区域;然后,通过提取图像的边缘特征,计算初始目标潜在区域的目标性得分值;最后,对得分值进行尺度加权,并结合非极大值剔除冗余区域,最终输出少量可靠的目标潜在区域。通过PASCAL VOC和ILSVRC2014数据库的实验对比,该算法给定1000个候选区时在PASCAL VOC和ILSVRC2014分别达到97%和98%以上的召回率,同时有效地提升了首框召回率。      

一种实时多尺度目标检测识别算法

无人机目标检测与识别任务中,目标随着飞行高度的改变尺寸发生显著变化。常规目标检测模型中,获取的小目标细节信息有限,检测精度较低;而适用于小目标的实时检测模型往往容易丢失大目标的背景信息,降低大目标的检测精度。针对以上多尺度目标检测识别任务难点,提出一种基于改进特征金字塔网络(Feature Pyramid Network, FPN)结构的实时多尺度目标检测识别模型。该模型通过增加特征金字塔层级覆盖更广的目标尺度,获取更为丰富的目标信息;同时,利用跨连接增加不同尺度特征融合的多样性,降低特征传导距离,保留更加完整的尺度特征来提高模型检测识别多尺度目标的性能。通过实验发现,相比于原始网络结构和相同特征层级的四层特征金字塔结构,加入改进特征金字塔结构的多尺度目标检测模型识别性能得到了提升。     

一种基于多尺度点状目标建模的检测算法

为了解决点状小目标传统建模检测算法易受小目标自身暗淡呈点状的影响，在检测过程中小目标丢失或背景信息被误检成目标的问题，采用一种更加有效的多尺度点状小目标建模算法，对背景和可疑目标进行建模，得到了可疑目标图像。使用一种阈值分割算法，将真实目标从可疑目标中提取出来，进行了理论分析和实验验证。结果表明，该算法在同一数据集下，相对其它算法检测到点状小目标的轨迹更加接近真实轨迹。该研究对提高小目标检测效果的精度是有帮助的。     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

面向无人机航拍图像的多尺度目标检测研究

针对无人机航拍图像背景复杂、小目标占比高且分布不均导致的现有算法精度不佳等问题,提出了一种面向无人机航拍图像的多尺度目标检测网络VTO-YOLOv8。首先,采用WIoU v3作为边界框回归损失函数,并使用明智的梯度分配策略,这一策略将使网络更加关注普通质量样本,从而提高其定位能力;其次,设计四层T-BiFPN结构,加强浅层特征和深层特征的融合;此外,设计C2f-DBB多分支模块,在不增加计算量的前提下,提升检测性能;同时,使用聚焦调制模块,加强不同尺度信息的交互。实验结果表明,网络在Visdrone2019数据集上相较基准模型在mAP50和mAP指标上分别提高了9.0%和5.9%,同时参数降低了22.6%,可更好地应用于无人机航拍目标检测中。     

基于多尺度屋顶状边缘的目标检测

本文利用小波为工具提出了在多尺度检测图象中屋顶边缘的方法，导出了该处屋顶边缘的最大曲率及其方向的计算公式；并将其结合人脸的特点用以在较复杂背景的图象中确定人脸及其器官（如眼睛）的位置和进行初步的分割，此方法在实验中取得了良好的效果。     

SAR图像局部窗口K-分布目标检测算法

该文分析了双参数CFAR算法和K-分布CFAR算法的特点,将双参数CFAR算法局部窗口的概念应用到K-分布CFAR检测中,适应了SAR图像海面背景复杂且局域性强的情况,获得了较好的检测效果。     

基于局部多尺度低秩分解的红外小目标检测算法

针对红外低秩块模型计算复杂度大,容易误判等不足,提出了一种更加有效的红外小目标局部多尺度低秩分解检测算法。该算法首先利用非下采样金字塔变换对红外小目标图像做多尺度分解;接着,将分解出的高频子带进行融合,通过融合后的高频信息提取出目标感兴趣区域;最后,利用红外小目标背景的非局部自相关性质对感兴趣区域进行分块,并对各块进行重新排列构成一个新的矩阵;最后,对该矩阵做低秩分解,提取出红外小目标。实验结果表明,与其他低秩分解类方法相比,所提出算法速度更快,提取效果更好,是一种性能优越的方法。     

基于多尺度变换的电磁感应加热快速算法

为了解决电磁感应加热仿真中因目标体积太大或者太小、时间长而难以仿真的问题,介绍了一种对空间和时间进行多尺度变换的快速计算方法。通过有限元方法仿真计算和对比验证,尺度变换后所得结果与变换之前吻合良好,能够减少大物体建模仿真的运算数据量。当时间尺度分别缩小10倍和100倍时,计算所需的时间分别减少了81.7%和91.8%。     

空域加权局部对比度的红外小目标检测算法

针对传统局部对比度算法在强杂波背景下,容易引入虚警目标的不足,提出了一种空域加权局部对比度的红外小目标检测算法。首先,利用具有中心激励和侧向抑制性的二维高斯差分滤波器,抑制了原始图像大部分的背景杂波,以提高图像的信噪比;然后,利用目标均值与邻域的中值的比值进行局部对比度测量,再用目标各区域的灰度均值差加权局部对比度,生成目标显著图;最后,对显著图进行自适应阈值分割,检测出真实目标。实验结果表明,与其他几种检测方法对比,该算法不仅具有较高的信躁比增益和背景抑制因子,还具有较高的检测率和较低的虚警率,是一种有效的红外小目标检测方法。     

一种基于多尺度实例学习的视频事件检测算法

现有的大多数视频事件检测方法首先从视频帧或视频快照中提取特征,然后对特征进行量化和汇集,进而为整个视频生成一个向量表示.最后的汇集步骤虽然简单高效,但是可能丢失时间局部信息,而这些信息对于确定长视频中事件发生的位置具有重要作用,从而削弱了事件检测的准确性.为此,本文首先将每个视频表示为多个“实例”,并将其定义为不同时间间隔的视频段.然后,针对每个视频的正实例比例已知和未知两种情况,提出基于多尺度实例学习的检测算法,在将实例标签看成隐藏潜在变量的同时推断出实例标签以及实例尺度的事件检测模型.最后,利用大规模视频事件数据集进行了全面的仿真实验,结果证明了本文算法具有显著的性能提升.此外,算法还可以确定视频中导致正检测的时间段的位置,进而对检测结果做出解释.     

边缘信息引导多级尺度特征融合的显著性目标检测方法

针对基于FCN和U型网络架构的深度学习显著性目标检测方法提取的显著性图存在边界不清晰和结构不完整的问题,文中提出了一种基于边缘信息引导多级尺度特征融合网络(EGMFNet)。EGMFNet使用多通道融合残差块(RCFBlock)以嵌套的U型网络架构作为主干模型。同时,在网络的较低层级引入具有边缘信息引导的全局空间注意力模块(EGSAM)以增强空间特征及边缘特征。此外,在损失函数中引入了图像边界损失,用于提升显著性图的质量并在学习过程中保留更加清晰的边界。在四个基准数据集上进行实验,实验结果表明,文中方法的F值较典型方法提升1.5%、2.7%、1.8%和1.6%,验证了EGMFNet网络模型的有效性。     

基于多尺度信息处理和Gabor初始化的图像显著性对象检测

基于全卷积网络的图像显著性检测获得了广泛的关 注,并取得了令人瞩目的检测性能 。然而,该类型神经网络依然存在许多问题,如高复杂网络导致难以训练、显著性对象边缘 结果不准确等。针对这些问题,本文提出基于Gabor初始化的卷积神经网络。该网络主要特 点包括:1) 利用Gabor特征初始化卷积神经网络,提高神经网络训练效率; 2) 构建多尺 度 桥接模块,有效衔接编码和解码阶段,进而提高显著性检测结果; 3) 提出加权交叉熵损失 函数,提高训练效果。实验结果表明,本文提出的神经网络在三个不同的数据集上均显示出 优异的显著性对象检测性能。     

基于预测和加权匹配的目标快速定位方法

基于模板匹配算法,提出了一种适用于高速流水线检测的目标定位改进算法。该算法利用已知目标位置预测未知被测物体,并用加权模板匹配实现精确定位。首先对运动的物方空间进行标定使得连续采集的图片有连续统一的坐标系,从而实现图像间物体位置预测。同时,提出一种对模板不同特征区域加权的方法,在不影响算法复杂度的前提下,正确选择权值,能使目标物体区域内的匹配相似度有更好的显著度和单调性。实验结果表明,结合预测位置和加权求相似度的模板匹配具有更高的快速性和鲁棒性。     

基于空间-通道注意力的改进SSD目标检测算法

目标检测的任务是精确识别,有效定位出图像中目标物体,且预定义其类别.针对主流目标检测(single shot multibox detector,SSD)算法存在小目标检测准确度不高,检测效率较低等问题,提出一种基于空间-通道注意力机制的SSD目标检测算法(spatial and channel single shot...