基于YOLO的轻量红外图像行人检测方法

红外图像中行人的快速检测一直是计算机视觉领域的热点和难点。针对红外图像行人目标检测算法检测速度和检测精度难以平衡,算法模型体积较大,在中低性能设备中难以部署和实时运行的问题,提出了一种基于YOLO算法的轻量红外图像行人检测方法。在分析了MobileNet-v3等轻量网络在YOLO-v3算法上的性能和特点之后,该方法提出了引入注意力机制的轻量特征提取网络(CSPmini-a)、特征融合模块和解耦检测端分类回归结构三种改进措施,在满足网络模型轻量的情况下保证了一定的检测精度。实验表明,该方法有效的实现了红外图像行人目标检测的准确性和快速性。

基于注意力机制改进的轻量级目标检测算法

针对通用的目标检测算法在检测生活场景下的多类目标时检测精度低、速度较慢的问题,提出了一种基于注意力机制改进的轻量级目标检测算法YOLOv4s。该算法以CSPDarknet53-s作为主干特征提取网络提取图像特征,通过注意力模块进行特征选择,再利用特征金字塔网络对特征进行融合,最后通过检测头分别处理特征融合后的两个输出,进而提高对生活场景下多类目标检测的能力。实验结果表明:相比改进前的算法,YOLOv4s算法在PASCAL VOC数据集上的平均均值精度(mAP)及MS COCO数据集上的平均精度(AP)都有一定程度的提升;相较于轻量级算法Efficientdet,YOLOv4s算法在MS COCO数据集上的AP也有一定提高,并且实现了有效的显著目标检测。

基于非局部感知网络的运动目标跟踪方法

针对跟踪运动目标过程中网络对目标被遮挡或目标周围存在干扰物敏感,从而导致不可靠的响应位置和错误跟踪框的问题,提出一种基于深度学习的免锚框孪生卷积网络跟踪方法。首先,通过非局部感知网络来学习目标引导的特征权重,该权重用于细化目标模板分支和搜索分支的深度特征,以监督的方式利用两个分支特征的远程依赖性,从而有效抑制噪声干扰。其次,进一步开发一个包围框感知块将多维回归特征与跟踪质量相关联,这个模块加强目标模板分支和搜索分支之间的相互作用,提高网络定位准确性。在标准数据集上的实验结果表明,所提方法能实时跟踪目标,并在准确度上获得提升。