轻量级红外目标检测算法研究

针对红外图像分辨率差、对比度低、信噪比低、视觉效果模糊等检测难点,提出一种基于YOLOv5的轻量化红外目标检测(Lightweight Infrared Target Detector-YOLO,LITD-YOLO)算法。LITD-YOLO算法重新设计网络结构,针对红外目标成像特征,将特征提取网络与特征融合网络结构重构。提高小感受野权重,重建浅层特征和深层特征之间的多尺度融合关系,提高浅层网络语义信息表征能力权重,增强对红外小目标的检测能力。引入Varifocal loss以实现交并比感知分类评分(Intersection over Union-Aware Classification Score, IACS)回归,使模型对密集目标的检测能力进一步加强。使用SIoU作为边框损失函数,用于提升预测框的准确度,同时加速模型收敛。实验结果表明,在FLIR和OSU数据集下模型检测精度分别提高至88.5%、99.7%,模型体积仅3.9 MB,参数量和算法复杂度大幅降低;与主流算法相比,LITD-YOLO在各项指标上均取得了不错的进步,在检测精度、模型体积和推理速度等方面具有先进性,能满足对红外目标的高质量检测。

交通标志的检测与识别方法研究综述

交通标志的检测与识别是当今目标检测领域一项较为关键的技术,在智能交通系统和辅助驾驶技术中发挥着重要作用。对交通标志检测与识别领域早期的传统方法和现阶段较流行的深度学习方法分别做了阐述和分析,相较于传统的交通检测和交通识别方法,基于深度学习的方法更能兼顾准确性和实时性,对于遮挡、光线变化、目标太小等情况有很好的鲁棒性。最后总结了国内外常用的交通标志数据集,并对深度学习方法在该领域的发展进行了展望。

基于轻量级算法的水上垃圾小目标检测研究

针对水上漂浮垃圾检测中微小目标物体数量占比高、检测画面易受到水面波动和岸边环境反光等多重因素的干扰、检测模型庞大的参数量和计算量对终端的部署的设备性能要求高等问题,拟提出一种轻量化、高精度、实时性的检测模型LS-YOLO。首先,该算法利用HS-FPN金字塔网络设计构造YOLOv8的Neck网络结构,构建的网络结构牺牲小部分精度,显著降低了模型的参数数量和计算复杂度。其次,通过引入CAA上下文锚定注意机制改进HS-FPN,捕获远程上下文信息来回升检测精度。然后通过更换损失函数为具有动态聚焦机制的Wise-IoUv3,大幅提升检测效果,增加模型鲁棒性。最后,使用LAMP剪枝技术对模型进行剪枝,减小模型的参数量和计算量。实验结果表明,改进后的LS-YOLO相比基准模型mAP50提升了0.9%,回归率提升了3.2%,参数量降至基准模型的19.83%,计算量降至基线的44.44%,模型大小降至基线的22.22%。经过优化后的检测算法不仅显著提升了检测性能与特征提取的精准度,同时也便于在资源受限的硬件平台上的部署操作。

低空轻量级红外弱小目标检测算法

精准的红外弱小目标检测是实时监控、追踪、制导的关键;红外弱小目标存在检测难度高、误检高、漏检严重的问题。为了提高红外弱小目标检测算法的实时性和检测精度,提出了一种超轻量红外弱小目标检测算法SL-YOLO。首先,重设计下采样方案,针对红外图像特征信息调节网络架构,解决红外弱小目标特征梯度降低和特征消失问题;然后设计网络模型剪枝算法,实现剪枝算法与网络结构的融合,去除冗余参数,实现检测速度的提高;最后设计Varifocal-SIoU损失函数,在均衡正负样本与重叠损失的同时,对正样本进行加权处理,解决背景干扰问题。实验结果表明,在SIRST和IDSAT数据集下检测精度分别提高至96.4%、98.1%,模型体积和计算量可压缩至190 kB、0.9 GFLOPs,推理速度降至3 ms以下。与主流算法进行对比,改进后算法在检测精度、模型体积、计算量等方面均取得了不错的成绩。能够满足实时性检测需求。

基于YOLOv5s的航拍小目标检测改进算法研究

针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision,mAP)达到了39.01%,相比YOLOv5s提高了6.26%。

结合Transformer和动态特征融合的低照度目标检测

针对现有低照度目标检测算法模型参数量与计算量大、检测实时性差、难以应用于移动设备等问题,提出一种基于YOLOv8的改进轻量模型DarkYOLOv8的低照度目标检测方法。使用MobileNet v2替换YOLOv8的主干网络,增加模型的特征提取能力;使用Transformer注意力机制,获取图像的全局信息,并且基于目标标记信息作为标签训练Transformer模块参数,增强目标区域内的权重,从而提高模型在低照度条件下提取目标特征的能力;对颈部网络使用动态特征融合注意力模块(dynamic feature fusion attention,DFFA),动态融合浅层和深层特征,同时使用YOLOv8X算法+CBAM对DFFA模块中CBAM空间注意力权重进行监督训练。实验结果表明,在ExDark数据集上,DarkYOLOv8在GFLOPs仅为8.53的情况下mAP50指标达到70.1%,相比YOLOv8n提高了3.9个百分点。

占道经营目标检测算法研究

为辅助城管部门治理占道经营现象,解决传统监管方式效率低的问题,基于固定摄像头与巡查车,结合深度学习的方法,提出了一种改进的YOLOv5s目标检测模型,首先使用SPPCSPC模块替换原SPP模块,增大了感受野,其次采用BiFPN结构,减少了对微小目标以及尺寸差异较大目标存在漏检现象的问题,最后使用SIoU作为定位损失函数,使得预测框的定位与回归更加精准。实验结果表明,改进后的YOLOv5s模型mAP达到了59.70%,比原模型提高了3.02%,具有更好的检测效果,并部署至服务器试运行,提高了城管部门管理占道经营现象的效率。

基于改进YOLOv8的SAR图像飞机目标检测算法

针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题,提出了一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先,针对SAR图像飞机目标较小的特点,剔除大目标检测层,重构特征提取网络和特征融合网络,降低模型计算量。其次,在主干网络引入可变形卷积(Deformable Convolutional Network, DCN),增强特征提取能力;在颈部网络引入全局注意力机制(Global Attention Mechanism, GAM)提高检测精度。最后,采用WIOU(Wise-IoU)损失函数提高收敛速度和回归精度。在SADD数据集(SAR Aircraft Detection Dataset)上实验结果显示,改进算法较原YOLOv8算法模型体积压缩59.66%,参数量降低61.18%,计算量减少18.29%,最高精度提高至98.1%。与其他算法相比,所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量,实现了模型复杂度和检测精度的平衡。

改进YOLOv5的军事飞机检测算法

针对遥感图像中军事飞机目标检测存在的精度低、漏检和虚警率高等问题,提出了一种基于YOLOv5s的轻量化遥感图像军事飞机目标检测算法——YOLO-Military Aircraft Recognition(YOLO-MAR)。提出新的网络结构,完成多尺度感受野权重调整,重设计特征提取网络和特征融合网络,实现小目标特征权重增加,并进行轻量化处理;使用FPGM对重构后的模型进行剪枝,极大地降低了模型的参数量和体积;使用SIoU Loss作为模型的损失函数,使模型的收敛速度加快并提升检测的精度。结果表明,在公开军用飞机数据集MAR20上,YOLO-MAR相比于原YOLOv5s,模型体积降低至3.95 MB,缩小了71.5%,经过剪枝后的模型体积最小可缩减至0.2 MB,模型平均检测精度最高可达91.7%,提高了2.34%,并且在检测效果、模型体积、参数量和计算量等方面具有先进性,能够对军用飞机目标进行高质量实时检测。

基于多模态的谣言检测模型研究综述

在互联网时代,由于言论的高自由度,以及各类互联网平台的监管不到位,就容易滋生大量的谣言。相比传统的文本谣言信息,带有图片、视频等多模态信息更加吸引人的注意,同时也增加了谣言检测的难度。文章对多模态谣言检测模型进行归纳分析,将其分为三类:多模态特征融合、多模态特征对比、多模态特征增强。然后介绍了数据集的处理方法,最后对全文进行总结并提出了多模态谣言检测未来的挑战。

轻量级锻件表面裂纹检测算法

针对复杂场景下缺陷检测算法占用内存大、计算复杂度高和检测速度难以满足实时需求等问题,本文提出一种基于YOLOv8的轻量级锻件缺陷检测算法。首先,采集重卡转向节生产流水线探伤车间的磁粉检测图像,构建锻件表面裂纹数据集;然后,提出轻量化卷积模块GSConvns,以增强特征交互并降低计算量;同时,引入Shape-IOU损失函数,优化训练效果;最后,利用LAMP剪枝策略去除不重要的权重参数,减少模型体积并提高检测速度。实验结果表明,模型的mAP值为83.8%,参数量和计算量分别减少85.05%和80.25%,检测速度从38.7 FPS提升至65.6 FPS,显著优于其他主流算法,更适用于实时检测。在公开数据集上的测试进一步验证了其泛化能力,与基准算法相比,未剪枝的改进算法mAP值提升了2.0%。综上,本文算法能在不显著降低检测精度的前提下,大幅度提升了检测速度和资源利用效率。

轻量化无人机遥感图像小目标检测算法

无人机遥感图像背景环境复杂,检测目标密集。针对无人机遥感图像小目标检测误检率和漏检率高的问题,提出了一种基于YOLOv5的轻量化目标检测算法——LUSS-YOLO。设计了一种新的网络结构——LUSS-YOLO来重构特征提取网络与特征融合网络,使其能够适应无人机遥感目标检测;使用EIoU损失函数,强调高质量样本权重以加速收敛,提高回归精度;使用VariFocal Loss训练算法网络结构,使IACS回归,从而在加速收敛的同时提高精度。实验结果表明,经过模型优化后,算法精度提升了6.4%;模型容量压缩至5.6 MB,相较原模型大幅下降;参数量相比原模型下降74.6%。相较于其他经典算法与先进算法,LUSS-YOLO在各方面表现出色,满足针对无人机遥感小目标的实时检测要求。

多尺度下遥感小目标多头注意力检测

针对地理空间遥感图像中检测目标存在多尺度特性、形态多变以及小目标判别特征过少等造成检测识别精度不高的问题,提出了基于多尺度下遥感小目标多头注意力检测算法YOLO-StrVB。对网络结构进行重构,搭建多尺度网络模型,增加目标检测层,提高特征提取网络下遥感小目标模型不同尺度下的检测能力;加入双向特征金字塔网络(Bi-FPN)进行多尺度特征融合,提高双向跨尺度连接和加权特征融合;在YOLOv5网络末端融合Swin Transformer多头注意力机制块,提升感受野适应目标识别任务的多尺度融合关系,优化主干网络;使用Varifocal loss对网络进行训练,提升遥感密集检测小目标的存在置信度和定位精度,并选用CIoU作为边界框回归的损失函数,提高感知分类得分(IACS)的边框回归精度。通过在遥感目标数据集NWPU VHR-10上的实验验证,对比YOLOv5原模型的mAP提高了3.05个百分点,能有效提高小目标的检测精度,达到了对地理空间遥感图像中小目标检测的鲁棒性。

轻量化SAR图像舰船目标检测算法

精准的舰船目标检测技术能够提升武器装备的全方位感知能力。针对复杂环境下SAR舰船目标检测虚警、漏警问题严重,提出一种基于YOLOv5的轻量化SAR图像舰船目标检测算法3S-YOLO。3S-YOLO首先对网络结构进行重构,调节感受野与多尺度融合关系,实现特征提取网络和特征融合网络轻量化处理;然后,对网络进行剪枝,通过基于几何中值的剪枝算法对网络进行压缩,加快推理速度;最后,使用可变焦损失函数对网络进行训练,使感知分类系数回归。结果表明,算法经过优化后,精度最高可提高至99.1%;经过剪枝后,模型体积大幅下降,可压缩至190 kiB,下降98.6%;算法推理速度提升4倍,推理时间缩短至3 ms以下。相较于当前主流算法,3S-YOLO在各方面均取得了不错的成绩,满足SAR图像实时舰船目标检测。

基于YOLOv5的改进舰船目标检测算法

舰船已经成为海上军事重要的监测目标,针对SAR图像舰船目标检测存在检测效果差、计算量大、泛化能力弱的问题,提出一种基于YOLOv5和Mobilenetv3的轻量化舰船目标检测算法。首先,引入Mobilenetv3主干网络,降低模型计算量与体积,实现模型轻量化处理;然后,引入EIoU损失函数,提高预测框的回归精度和收敛速度;最后,在颈部网络中引入CBAM,在特征融合阶段进行注意力调整,提高模型检测精度与检测效果。在SSDD数据集上的实验结果显示,改进后算法模型体积压缩至原YOLOv5模型的18.32%,训练时间缩短35.22%,参数量减小至原模型的15.94%,计算量减小至原模型的10.76%,平均精度提升至98.3%。实验结果表明,改进后算法在保持高精度检测效果的情况下,大幅降低了参数量和计算量,减小了模型体积,并缩短了训练时间。

基于随机森林SAR图像变化检测方法

训练样本标签的正确选择对合成孔径雷达(Synthetic aperture radar,SAR)图像变化检测任务的准确性至关重要。现有的标签获取方法易受噪声影响,导致产生噪声标签进而影响网络性能。而深度神经网络通常需要大量的样本来训练网络参数,在优化参数方面花费了大量时间,计算复杂度高。为了克服这些问题,提出了一种基于随机森林SAR图像变化检测方法。该方法使用邻域比算子生成差异图,利用阈值法获取初始变化检测结果;接着在初始变化检测结果上利用引导滤波获取目标区域,对目标区域进行预分类,获取可靠样本标签;最后选取随机森林作为分类器,对预分类结果进一步分类。在三组SAR图像数据集上利用三种方法证实了本方法的有效性。

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测算法存在网络复杂度高、计算量大、边缘端部署难度高。提出一种基于YOLOv5的轻量化交通标志目标检测算法。通过增加注意力机制,使用CBAM和CA融合的方式,强化检测模型抗干扰能力;通过FPGM剪枝,对模型进行了压缩,降低计算量、提高推理速度;通过软硬件融合设计,实现YOLOv5s模型与硬件融合,形成一整套完整的移动智能交通标志目标检测系统;结果表明,增加多种注意力机制后,模型精度提高了2.8%。在极限剪枝的情况下,模型仅有0.54 MB。在Jetson Nano(20 W)的环境下,检测速度达21帧/s,满足实时的交通标志检测。

基于深度学习的2D人体姿态估计浅析

近年来,随着深度学习技术的发展,基于深度学习的2D人体姿态估计展现出了极其优异的效果。文章主要对2014年以来基于深度学习的2D人体姿态估计相关内容进行了分析和评述,包括对主流方法的介绍和对数据集评价指标的总结对比,最后还讨论了2D人体姿态估计的未来研究方向。

基于图像超分辨率生成对抗网络的MIMO信道估计方法

在毫米波大规模多输入多输出系统中,针对传统信道估计需要借助信道和噪声的统计特性来提高精度的弊端,提出了一种基于图像超分辨率生成对抗网络的信道估计算法(SRGAN),将信道估计建模为图像超分辨率恢复问题。首先,采取最小二乘算法得到导频位置处的信道信息;其次,通过二维线性插值得到分辨率较低的信道矩阵信息作为所提SRGAN网络的输入;最后,通过训练恢复出真实信道频率响应。仿真实验表明:文中所提信道估计算法的性能较传统信道估计算法有较大的提升,并且恢复的信道更符合真实信道。

高速公路车辆自组网协议的仿真与研究

针对车辆自组织网络中节点之间连接不稳定、传输信息效率低下、能量消耗过大等方面的问题。通过仿真软件OMNET++进行建模与仿真,对城市中行驶的车辆进行建模,模拟高速公路中汽车在相对平稳道路行驶的情况下使用不同路由协议所产生的效果。选取具有代表性的主动式DSDV路由协议和被动式AODV路由协议。结果表明:在高速公路中,车辆正常变道、加速、减速、驶离的情况下主动式DSDV路由协议的能量消耗高于被动式AODV路由协议,在数据传输的延迟方面,DSDV路由协议相对于AODV有着更低的延迟。因此,在VANET网络中主动式路由协议更有优势。