融合特征重组和注意力的小样本战斗部破片群目标检测

战斗部破片群运动参数对弹药毁伤威力评估具有重要的意义。针对破片尺寸较小、背景信息复杂以及破片数据样本少导致的破片检测精度较低的问题,本文提出一种YOLOv5-FD的战斗部破片群目标检测方法。首先,在网络输出端增加微小目标检测层,将原始的三尺度改为四尺度,并在特征融合网络中引入内容感知特征重组(Content Aware ReAssembly of Features,CARAFE)上采样模块替换原有的最近邻插值上采样,减少小目标特征信息损失,提高弱小破片的提取能力。其次,在特征提取网络引入坐标注意力模块(Coordinate Attention,CA),加强对破片特征的提取,弱化背景信息,抑制复杂背景的干扰。最后,在模型训练过程中引入模型不可知元学习方法(Model Agnostic Meta Learning,MAML),达到仅用小样本破片数据集实现较高的检测性能。实验结果表明,YOLOv5-FD破片检测算法在自制破片数据集中,精确率达到了90.5%,召回率达到了85.4%,平均精度mAP_0.5达到了88.2%,与原始YOLOv5s算法相比分别提高了7.1%,7.9%和7.5%,有效提高了破片目标检测准确性。

基于改进混合高斯模型与阴影去除的目标检测

随着计算机视觉和摄像设备的日益普及,目标检测技术已经成为一个重要的研究领域;虽然提出了几种目标检测方法,但由于其适用性与局限性,并不能解决实际复杂场景中的各种挑战;针对传统混合高斯模型对动态背景、光照变化和阴影敏感等问题,提出一种混合高斯模型的改进算法,用于视频中目标检测;该方法首先通过传统混合高斯模型获取当前帧目标的粗略区域;通过将双级学习率和组合权重引入混合高斯模型,从而区分出运动区域与包含动态背景的背景区域;然后进一步利用基于颜色特性与空间连续性的方法去除阴影;最后通过形态学处理提取出准确的运动目标区域;对比实验表明,所提方法不仅能够有效去除动态背景,而且能够有效抑制阴影和光照变化的影响。