改进U型网络的路面缺陷图像分割算法

针对路面缺陷图像存在对比低以及其复杂的拓扑结构,现提出的大部分分割算法,在捕获感受野和提取路面缺陷特征时还存在很大的不足。因此本文提出改进U-Net的路面缺陷图像分割算法。首先,在经典的U-Net的卷积块中提出SN-Disout残差块,增强模型对过拟合的鲁棒性;其次,在编码器与解码器之间引入循环十字交叉模块,增强模型在特征图中不同位置之间捕获特征的能力,对缺陷的边界进行更准确的建模;最后,在解码器中引入空间通道挤压与激励模块,这使得网络能够更加专注于重要的特征,同时减少不相关或噪声特征的依赖;并将位置感知多头注意力加入模型的颈处,进一步有助于模型更好地理解和利用输入数据的内在关系,从而提高模型的性能和表现能力,并且使用混合损失函数Dice+BCE取代单一的损失函数。该算法在Crack500图像数据集上的交并比与F1分别达到了60.13%和75.22%,均超过U-Net、DeepLabV3+、PSPNet、TransU-Net、UNet++等主流语义分割网络。实验结果表明,该算法能有效改善网络的预测精度与细小目标的分割结果,在保证分割精度的情况下也满足了实时性的要求。

改进YOLOv8的航拍图像小目标检测算法

针对在航拍图像检测任务中,物体和整体图像尺寸都比较小,尺度特征不一和细节信息不清晰,会造成漏检和误检等问题,提出了一种改进小目标检测算法CA-YOLOv8。设计了一种通道特征部分卷积模块CFPConv(chan-nel feature partial convolution),基于此重新构造了C2f中的Bottleneck结构,命名为CFP_C2f,从而替换YOLOv8头部和颈部的部分C2f模块,增强有效通道特征权值,提升多尺度细节特征的获取能力。嵌入一种用以提升上下文聚合能力的模块CAM(context aggregated module),优化特征通道的响应,强化对深层特征的细节感知能力。添加NWD损失函数,将其与CIoU结合作为定位回归损失函数,降低位置偏差的敏感性。充分运用多重注意力机制的优势,把原有检测头替换为DyHead(dynamic head)。在VisDrone2019数据集的实验中,改进的算法较YOLOv8s原模型参数量降低了33.3%,检测精度mAP50值和mAP50:95分别提升了8.7和5.7个百分点,表现出良好的性能,验证了其有效性。