基于反馈机制与空洞卷积的道路小目标检测网络

随着卷积神经网络与特征金字塔的发展,目标检测在大、中目标上取得了突破,但对于小目标存在漏检、检测精度低等问题。在YOLOv4算法的基础上进行改进,提出YOLOv4-RF算法,进一步提高模型对小目标的检测性能。使用空洞卷积替换YOLOv4中Neck部分的池化金字塔,在网络更深处减少语义丢失的同时获得更大的感受野。在此基础上,对主干网络进行轻量化并增加特征金字塔到主干网络的反馈机制,对来自浅层与深层融合的特征再次处理,保留更多小目标的特征信息,提高网络分类和定位的有效性。鉴于小目标物体属于困难检测样本,引入Focal Loss损失函数,增大困难样本的损失权重,形成YOLOv4-RF算法。在KITTI数据集上的实验数据表明,YOLOv4-RF在各个类别上的检测精度均高于YOLOv4,并在模型缩小138 MB的基础上提高了1.4%的平均精度均值(MAP@0.5)。

基于图像深度学习的调制识别算法

针对现阶段基于深度学习的调制识别算法中出现的检测效率低下的问题,提出一种高效的调制识别算法—RadioFSDet(Radio Frequency Spectrum Detection)检测算法.RadioFSDet算法利用信号在频谱图上的特征差异,使用目标检测算法YOLOv4检测频谱图上的调制信号.相较于主流的基于深度学习的调制识别算法,RadioFSDet算法不仅能够在一次模型推理中检测出多个信号的调制类别,还能够大致确定每个信号的中心频率.实验结果表明,RadioFSDet算法对在真实场景下采集的多个超短波全频段中的AM、FM、GSM和QPSK信号均实现良好的检测,平均检测精度达到71%,同时在公开数据集RadioML2016的实验中,RadioFSDet算法对信噪比在0~18dB下的AM、FM和QPSK信号实现87%的平均检测精度.此外,为了进一步加快RadioFSDet算法的检测速度,本文结合计算机视觉领域的最新研究成果,提出一种高效的轻量级检测网络RadioFSNet,该网络的参数量不仅由原来的6400万下降至220万,而且模型的检测精度不会下降.实验结果表明,在超短波全频段的数据集中,RadioFSNet的检测速度达到77FPS,平均每秒钟检测231个信号,大幅度提高模型的检测效率.