基于特征增强和样本充分学习的红外飞机检测

针对深度学习单阶段检测算法对红外飞机目标的特征提取能力不足以及样本学习不充分的问题,提出基于特征增强的全局上下文机制(FEGCM)和样本充分学习的目标检测算法。FEGCM可获取包含目标的全局信息与局部信息的特征图,从而提高特征提取网络对目标特征的提取能力。通过在Focal Loss中添加调制因子,在关注难负样本学习的基础上,充分利用包含目标特性的部分易负样本,使得样本充分学习,从而帮助检测算法学习到更有意义的目标特征。实验表明,所提算法在自制红外飞机数据集上的mAP_(50)达到96.9%,能够有效实现红外飞机目标检测。

基于多尺度U-Net与Transformer特征融合的航空遥感图像飞机检测方法

航空遥感图像(ARSI)飞机检测一直是一个重要且具有挑战性的课题。针对现有ARSI飞机检测方法(ARSIAD)检测目标的边缘模糊、小目标的检测精度低、没有充分利用ARSI的全局上下文信息等问题,提出一种基于多尺度U-Net与Transformer(MSU-Trans)特征融合的ARSIAD方法。通过多尺度卷积模块Inception提取ARSI中多样性目标的分类特征,通过Transformer增强模型的全局语义检测性能,通过特征融合模块整合高层和低层特征,得到航空目标图像完整的边缘和纹理特征。该模型结合多尺度U-Net较强的局部特征提取能力和Transformer较强的全局上下文依存关系提取能力,进而提高MSU-Trans的整体检测性能。在ARSI集上的试验表明,与U-Net、多尺度U-Net、注意力U-Nets相比,MSU-Trans具有较高的检测精度,精度超过95%,该方法为ARSIAD提供一定的技术支撑。

基于改进YOLOv8的飞机检测研究

随着无人机技术和航空监控系统的迅速发展,高效准确的飞机检测技术变得日益重要。提出了一种基于改进的YOLOv8模型的飞机检测方法,旨在提高检测的准确性和实时性。首先,引入了反向残差注意力模块(iRMB),通过改进的注意力机制增强模型对飞机特征的学习能力。其次,采用中心化特征金字塔(EVC)模块,优化了特征提取过程,增强了模型对不同尺度飞机的检测能力。此外还采用了改进的距离交并比(MDIoU)作为损失函数,进一步提升了模型的定位精度。在公开数据集Caltech101的飞机类别上的实验结果表明,与现有的飞机检测方法相比,提出的方法在检测精度和召回率方面分别达到98.2%和98.9%,特别是在复杂背景和多尺度目标检测场景中表现更为突出。该研究的成果对于提高航空安全监控系统的效能具有重要意义。

基于稀疏表示的可见光遥感图像飞机检测算法

为解决当前遥感图像飞机检测方法在复杂背景下准确率低,实现旋转不变困难的问题,结合图像稀疏表示原理,提出一种基于稀疏表示的飞机检测算法.该算法首先利用飞机是刚性目标且具有明显几何外观的特点,构建飞机几何原子库;然后建立飞机轮廓几何逼近的最优化方程,在稀疏表示原理框架下,得到飞机轮廓最优的几何部件组合;最后,以星型结构的部件模型为框架,生成待检测图像的目标显著图并根据显著图定位出飞机.实验结果表明,稀疏表示方法能自适应选取飞机部件,部件数目较少且不易受光照、颜色和复杂背景的影响.与现有算法相比,本文算法准确率达90%以上,检测速度有较大的提高.

遥感图像飞机检测新方法——圆周频率滤波法

利用飞机在光学遥感图像中的形状特点和灰度变化特点,本文提出了一种新的飞机目标检测方法一圆周频率滤波法。首先,采用圆周频率滤波器对全图进行滤波,在飞机中心点附近像素通过滤波后幅值通常比其他非飞机区域的幅值大,从而通过保留滤波后幅值大的点作为飞机中心的候选点;然后,通过区域生长式聚类确定最终的飞机位置。本文的方法用于8幅1.0-4.0米分辨率的光学遥感图像的飞机目标提取,总共65架飞机,正确检测出59架,5个虚警。实验证明圆周频率滤波法用于遥感图像的飞机目标检测,是一种即简单又有效的方法。

角点与边缘信息相结合的遥感图像飞机检测新方法

利用遥感图像中飞机目标的边缘特征和角点特征,提出边缘与角点信息相结合的遥感图像飞机检测新方法.首先,进行Canny边缘检测,提取遥感图像中飞机目标边缘信息,并利用OTSU算法二值化处理图像;然后,进行Harris角点检测,找出满足飞机角点分布特征的区域,去除伪目标;最后,进行区域生长式聚类,通过求取类心最终确定飞机位置.对60幅高分辨率遥感图像进行飞机检测测试,正确检测出238架飞机中的220架,漏检18架,48个虚警.实验表明,该方法可以有效解决复杂背景下飞机检测问题,具有良好的检测性能.

基于卷积神经网络的遥感图像飞机检测

提出一种CNN的遥感图像飞机检测的方法。首先获得预训练好的CNN,然后通过参数迁移获得五层卷积层模型参数,接着利用遥感图像对第五层卷积层进行微调获得一个特征提取器。将特征提取器用于提取遥感图像训练集的深度特征,训练可变形部件检测模型。实验表明,提出的方法大大提高了遥感图像飞机目标检测精度,准确率达96%以上。

融合空间注意力与密集连接的遥感影像飞机检测

遥感影像内飞机目标具有尺度小、分布不均、背景复杂等特征,现有方法检测效果不佳。针对此问题,构建了一种基于密集连接机制与空间注意力机制的遥感影像飞机检测模型。首先使用密集连接机制的卷积核与空间注意力模块构成特征提取网络来进行特征捕获,然后通过以浅层特征为基础的特征融合网络获取4个尺度的融合特征图来进行检测输出。在混合数据集上对模型进行训练与测试,并与当前主流检测模型对比。结果表明,本文构建的检测模型在精度方面显著优于对比模型,同时在多种复杂环境下表现出很好的泛化能力,且在实验环境中能够满足实时性的要求。

基于超像素与多尺度残差U⁃Net相结合的遥感图像飞机检测方法

遥感图像中存在飞机很小、角度和位置不确定且背景复杂等问题,从遥感图像中检测飞机是一项重要且具有挑战性的任务,因此,提出一种基于超像素与多尺度残差U⁃Net(Multi⁃scale Residual U⁃Net,MSRU⁃Net)相结合的遥感图像飞机检测方法。首先对遥感图像进行超像素预分割,将位置相邻且像素特征相似的像素点组成若干个超像素,保持图像进一步分割的有效特征;然后构建多尺度残差U⁃Net,学习其多尺度判别特征。与传统的飞机检测方法相比,该方法用少量的超像素代替大量像素表达图像特征,降低了图像分割的复杂度,再利用MSRU⁃Net分割遥感超像素图像,有效检测不同尺度的飞机图像。在公共飞机遥感图像数据集上实验,结果表明,该方法能够有效的检测遥感图像不同尺度的飞机图像,检测精确率达到91.2%。

基于Faster-RCNN的遥感图像飞机检测算法

CCCV2017发布遥感图像飞机数据集,用于评测飞机检测算法.针对该遥感图像数据集中的飞机朝向不确定、图像覆盖范围广、图像背景复杂度高,导致飞机检测难度大、检测算法准确率和算法泛化能力低等问题,提出了基于Faster-RCNN的飞机检测改进算法.首先,通过对图像采用翻转以及角度旋转等方式对数据集进行合理的扩增;然后,在扩增后的数据集上,使用深度残差网络对图像进行特征提取,针对数据集中飞机目标的长宽比特点优化区域建议网络;同时,为了防止训练集中正负样本不均衡,采用在线困难样本挖掘方法对数据进行训练.在CCCV2017数据集上评估表明,改进后的Faster-RCNN算法极大提高了初始的Faster-RCNN算法性能,在测试集上m AP达到了89.93%.在NWPUVHR-10、NWPU-RESISC45、UCAS-AOD遥感图像飞机数据集测试表明,该改进模型同样具有良好的性能,从而验证了该模型具有良好的鲁棒性和泛化能力.

一种基于级联神经网络的飞机检测方法

由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

基于自适应特征融合及多尺度输出的遥感图像飞机检测算法

针对当前YOLOv3算法在遥感图像中复杂场景飞机漏检、误检等问题,提出一种基于自适应特征融合及多尺度输出的遥感图像飞机检测算法.该算法首先使用K-means++代替K-means算法对数据集进行聚类,解决了K-means初始聚类中心不稳定性;然后,在YOLOv3网络基础上增加了一个含有分辨率信息的尺度,更有利于检测小目标飞机;最后,在网络模型四尺度输出前增加了自适应特征融合层,解决了不同尺度的特征融合不充分以及减少或消除反向传导受到负样本的影响.实验结果表明,改进的YOLOv3算法在遥感图像上飞机检测精度达到96.17%,比YOLOv3算法精度提高了2.6%.

基于Faster RCNN以及多部件结合的机场场面静态飞机检测

针对机场场面飞机检测中,由于目标几何轮廓不完整、姿态不一等原因导致的目标检测难度大、准确率低的问题,提出了基于Faster RCNN以及多部件结合的机场场面静态飞机检测方法。首先,使用Faster RCNN框架提取飞机及其部件(包括尾翼、机翼、机身),先降低检测置信度,检测出足够多的部件;然后,再根据飞机与部件的交叠率,判断部件与所属飞机的关系,滤去孤立的飞机目标和部件;最后,调整检测框大小,获得最终的飞机检测框。实验结果表明,所提方法相较于原始的Faster RCNN,对机场场面的飞机识别率提高了9%,对不同姿态,不同场景下的飞机目标检测皆有不错的检测效果,目标识别准确率达90%以上。

SAR-AIRcraft-1.0:高分辨率SAR飞机检测识别数据集

针对合成孔径雷达(SAR)图像中飞机散射点离散以及背景强干扰造成虚警的问题,该文提出了一种结合散射感知的SAR飞机检测识别方法。一方面,通过上下文引导的特征金字塔模块来增强全局信息,减弱复杂场景中强干扰的影响,提高检测识别的准确率。另一方面,利用散射关键点对目标进行定位,设计散射感知检测模块实现对回归框的细化校正,增强目标的定位精度。为了验证方法有效性、同时促进SAR飞机检测识别领域的研究发展,该文制作并公开了一个高分辨率SAR-AIRcraft-1.0数据集。该数据集图像来自高分三号卫星,包含4,368张图片和16,463个飞机目标实例,涵盖A220,A320/321,A330,ARJ21,Boeing737,Boeing787和other共7个类别。该文将提出的方法和常见深度学习算法在构建的数据集上进行实验,实验结果证明了散射感知方法的优异性能,并且形成了该数据集在SAR飞机检测、细粒度识别、检测识别一体化等不同任务中性能指标的基准。

基于卷积神经网络与注意力机制的SAR图像飞机检测

在合成孔径雷达(synthetic aperture radar,SAR)图像应用领域,对SAR图像中飞机目标的检测备受关注。针对现有检测算法模型运算复杂度高、检测性能较低的问题,提出一种基于深度可分离卷积神经网络与注意力机制的SAR图像飞机检测算法。首先使用深度可分离卷积神经网络提取图像特征,同时在网络中引入逆残差块,以有效防止通道数压缩引起的特征信息丢失问题;其次在网络中引入多尺度空洞卷积—空间注意力模块和全局上下文通道注意力模块,通过重新分配显著区域和各特征图更有代表性的权值,以更好地捕捉空间有效信息和通道间语义相关性,提高模型特征表达能力;最后在SAR飞机数据集(SAR aircraft dataset,SAD)上进行对比实验验证。实验结果表明,所提算法具有更好的检测效果,平均准确率达到86.3%,检测速度达到22.4 fps/s。

基于最优区域生成的深度多尺度融合遥感飞机检测方法

遥感图像中典型目标的检测是当前图像处理领域的研究热点,飞机在战场监视、航空管制和交通运输等领域发挥着重要作用。为了提高遥感图像中飞机检测的正确率,提出了一种基于多特征融合的遥感飞机检测方法,将深层特征经过上采样操作后与浅层特征进行融合,解决了遥感飞机目标较小造成的检测困难的问题。首先,对于锚框尺寸和个数由人为确定而造成目标位置检测不准的问题,采用K-均值聚类(K-means)算法对数据集的目标框大小进行聚类分析并获得适合飞机遥感图像的锚框(anchor boxes)个数以及宽高维度;其次,采用上采样的方法扩大感受野,以提高网络对小目标的检测准确率。采用多尺度融合的卷积神经网络,以适应不同尺度目标的检测,最终提出一种基于最优区域生成的深度多尺度融合遥感飞机检测方法。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的检测精度。

基于改进Faster R-CNN的SAR图像飞机检测算法

在合成孔径雷达(SAR)图像分析领域,飞机作为一种重要目标,对其的检测越来越受到重视。针对传统SAR图像飞机检测算法需要人工设计特征且鲁棒性较差的问题,提出了一种基于改进Faster R-CNN的SAR图像飞机检测算法。制作了一个SAR图像飞机数据集(SAD),以Faster R-CNN为检测框架,利用改进k-means算法设计更合理的先验锚点框,以适应飞机目标的形状特点;借鉴inception模块思想,设计多路不同尺寸卷积核以扩展网络宽度,增强对浅层特征的表达;分析残差网络Layer5层的特征输出具有更大的感受野,对其上采样后进行特征融合以利用更多的上下文信息;同时引入Mask R-CNN算法中提出的RoI Align单元,消除特征图与原始图像的映射偏差。实验结果表明:相比原始的Faster R-CNN算法,所提改进的Faster R-CNN算法在SAR图像飞机数据集上平均检测精度提高了7.4%,同时保持了较快的检测速度。

基于轻量级多尺度注意力U-Net的遥感图像飞机检测方法

针对传统U-Net对于目标小、分辨率低和背景复杂的遥感图像的飞机检测率低问题,提出一种轻量级多尺度注意力U-Net模型(LWMSAU-Net)。该模型由相互对应的编码子网络和解码子网络组成,编码子网络采用多尺度模块,在编码和对应的解码模块之间使用残差跳跃连接模块,将图像的浅层特征与深层特征融合,通过增加浅层特征的权重,更多地保留飞机图像的边缘和细微结构特征,最后的编码模块采用残差注意力连接模块,连接编码子网络和解码子网络,加强对小尺度飞机目标的检测。解码路径在每个模块反褶积将特征图的大小乘以2,使特征图的数量减半,并与对称编码路径的特征图相结合。与U-Net相比,LWMSAU-Net的层数减少1,在遥感飞机图像数据集上进行实验,结果表明该方法能够有效检测遥感图像飞机,准确率可达94.72%。

植保无人飞机检测技术的应用与建议

植保无人飞机是农业机械化与信息化融合的典型代表,具有明显的节本增效作用,近年来行业发展迅速,市场需求巨大,成为农业领域关注热点。按照总站党委开展“不忘初心、牢记使命”主题教育安排,为深入查找和推动解决工作中存在的热点难点问题,规范和加快植保无人飞机等新型农机产品推广应用,2019年8月13日至15日,由农业农村部农业机械试验鉴定总站副书记李斯华带队。

基于Ghost-YOLOv5的光学图像飞机目标检测方法

停泊飞机目标检测对机场交通管控、重点军事基地部署掌握、监控敌方实时军事动态等军民领域均具有重要意义。飞机目标检测需要综合考量检测精度与检测速度两个方面,本文将YOLOv5骨干网络中的C3模块和部分卷积模块替换成Ghost Bottleneck,从而将Ghostnet引入YOLOv5s网络中,取得很好的检测效果。在检测精度上,mAP0.5达到了95.34%,mAP0.5-0.95达到了61.6%,网络的精度达到了96.89%,召回率达到了91.42%。在检测速度上,网络的FPS达到了66.67。