基于深度学习的目标检测算法概述

基于深度学习的目标检测技术以其速度快,精度高而得到广泛应用。目标检测算法经过迭代发展已经形成成熟的one-stage算法与two-stage算法。两类算法原理不同,特点各异。着重介绍了两类算法的经典算法案例,在研究分析两类算法的同时分别剖析了其发展历程以及改进措施,对每类算法进行纵向对比。两类算法都在向着高精度,高速度的方向发展,one-stage算法检测速度快,但two-stage算法精度高。

基于锚框的深度学习物体目标检测算法概览

将深度学习方法结合进目标检测算法突破了传统算法的性能瓶颈,成为计算机视觉领域一个热门的研究课题.本文对当下最流行的基于深度学习物体目标检测算法进行深入研究,得出一个整体认识,为目标检测应用系统开发的先进性与高效性提供有益的理论指导.沿着时间顺序梳理了深度卷积神经网络进入物体目标检测算法的发展过程,按照两阶段和一阶段实现对主要的算法划分两大类别;同时,参考是否采用锚框又分为基于锚框和非锚框的两种方式.围绕发展更成熟的基于锚框的检测系统详细探讨了算法的实现原理,并指出当前物体目标检测系统面临的难点问题和关键技术.最后,对物体目标检测算法发展的方向进行了展望.

目标检测强化上下文模型

强化上下文模型中的强化上下文模块(ECM)利用双空洞卷积结构,在节省参数量的同时,通过扩大有效感受野来强化浅层上下文信息,并在较少破坏原始SSD网络的基础上灵活作用于网络中浅预测层,形成强化上下文模型网络(ECMNet).当输入图像大小为300×300时,在PASCAL VOC2007测试集上,ECMNet获得的均值平均精度为80.52%,在1080Ti上的速度为73.5帧/s.实验结果表明,ECMNet能有效强化上下文信息,并在参数量、速度和精度上达到较优权衡,优于许多先进的目标检测器.

基于蒸馏响应的类增量少样本遥感目标检测研究

近年来,少样本遥感目标检测越来越受到人们的关注,其目的是使目标检测器仅用少量标记的遥感图像样本就能检测到新的目标类别。但主流的少样本遥感目标检测器在学习新类知识的时候,必需要有基类样本的辅助。而在现实世界中,目标类别往往是不断变化的,且环境也在不断变换。这种目标动态性给传统的少样本目标检测方法带来了巨大的障碍,因为它们严重依赖基类样本来学习新类别,这就使这些少样本遥感目标检测器无法无限制的对新类别进行学习,而且随着学习的类别数不断增多,在内存使用量、存储用量和计算量上都将产生严重负担。本研究从实际角度出发,提出了基于蒸馏响应的类增量遥感少样本目标检测算法(Class-incremental Few-Shot Object Detection with Distillation Response inremote sensing images,DR-CFSOD),以实现在不需要基类数据辅助的情况下,利用新类数据独自完成学习任务。此外,本文所研究的算法为了缓解增量学习场景中经常发生的灾难性遗忘问题,通过提取从以前的类中学习到的知识,保留了模型的基类判别能力。为了验证所提方法的有效性,在两个不同的遥感图像数据集上进行了广泛的实验,结果表明,DR-CFSOD比基线方法具有更好的性能。

基于YOLOv8的轴承故障图像识别方法

由于长时间运行和外部环境等因素的影响,轴承往往容易发生各种故障,如磨损、裂纹和松动等。传统的轴承故障检测方法往往依赖于人工目测或简单的图像处理技术,存在识别速度慢、准确率低等问题,无法满足工业生产中对实时性和精确性的要求。深度学习技术在目标检测技术领域取得了巨大的进展,基于YOLOv8模型并引入全注意力机制(GAM),提出一种新的轴承故障图像识别方法。在西储大学轴承数据集上进行损失函数的消融实验,并与YOLOv8、SSD模型和Faster-RCNN模型进行比较实验,验证了所使用YOLOv8的高效检测性能。

基于FCOS和ResNet50-FL的吊弦不受力识别方法

由受电弓长期运行引起的激励和振动不可避免地导致吊弦不受力,影响接触悬挂的结构高度和接触线高度,导致受电弓的受流质量下降。针对接触网吊弦不受力缺陷问题,提出一种基于深度学习的吊弦不受力识别方法,该方法采用全卷积一阶段目标检测器(FCOS)定位吊弦区域,采用添加焦点损失的ResNet50分类网络(ResNet50-FL)对吊弦不受力状态进行识别。在高速铁路接触网图像数据集上的对比实验表明,该方法能够更加准确地识别出吊弦不受力缺陷,具有较好的适应性和鲁棒性。

基于点云的轻量化目标检测算法CYM-Net

目标检测在机器人、自动驾驶等实际应用领域中具有广泛的应用。在这些场景下,目标检测任务需要在资源有限的平台上实时执行,对目标检测算法的参数量和检测速度有着较高的要求,因此需要实现目标检测算法的轻量化和高效化。然而传统的卷积神经网络(convolutional neural networks,CNNs)由于网络结构复杂、对算力要求较高,难以满足移动端的应用需求。为解决以上问题,本文提出了一种基于点云数据的一阶段轻量化目标检测算法CYM-Net模型。该模型融合了MobileNetV3的bneck模块设计思想和YOLOv4目标检测思想,并对特征金字塔进行了改进,从而显著减少了模型的参数量。本文在KITTI数据集上对CYM-Net模型进行了训练和验证。实验结果表明,CYM-Net模型在鸟瞰图和3D检测两个任务上均展现出更优异的性能,并且其检测速度也优于其他方法。通过本研究,本文为机器人、自动驾驶等领域的目标检测问题提供了一种高效轻量化的解决方案。

自监督E-Swin的输电线路金具检测

目的输电线路金具种类繁多、用处多样,与导线和杆塔安全密切相关。评估金具运行状态并实现故障诊断,需对输电线路金具目标进行精确定位和识别,然而随着无人机巡检采集的数据逐渐增多,将全部数据进行人工标注愈发困难。针对无标注数据无法有效利用的问题,提出一种基于自监督E-Swin Transformer(efficient shifted win⁃dows Transformer)的输电线路金具检测模型,充分利用无标注数据提高检测精度。方法首先,为了减少自注意力的计算量、提高模型计算效率,对Swin Transformer自注意力计算进行优化,提出一种高效的主干网络E-Swin。然后,为了利用无标注金具数据加强特征提取效果,针对E-Swin设计轻量化的自监督方法,并进行预训练。最后,为了提高检测定位精度,采用一种添加额外分支的检测头,并结合预训练之后的主干网络构建检测模型,利用少量有标注的数据进行微调训练,得到最终检测结果。结果实验结果表明,在输电线路金具数据集上,本文模型的各目标平均检测精确度(AP50)为88.6%,相比传统检测模型提高了10%左右。结论本文改进主干网络的自注意力计算,并采用自监督学习,使模型高效提取特征,实现无标注数据的有效利用,构建的金具检测模型为解决输电线路金具检测的数据利用问题提供了新思路。

基于空间特征选择的水下目标检测方法

针对传统目标检测方法在水下识别任务中误检率较高的问题,基于一阶段全卷积检测器(FCOS)引入多尺度特征选择及中心边界特征选择,实现高精度水下目标检测。模型中的自适应加权融合特征金字塔通过设置可学习权重加权融合所有的特征层级,实现多尺度空间特征选择。此外,为了处理检测中分类和回归任务之间的特征耦合问题,并分离不同任务之间的共享特征,设计了基于空间特征解耦的检测头,实现了中心和边界区域的特征选择。实验中,针对水下数据集URPC2018和UWD2021进行性能测试,并与先进的目标检测方法进行对比。大量的实验结果表明,基于空间特征选择的FCOS模型在水下检测任务中展现出优异的性能,在URPC2018和UWD2021上的类平均精度(mean Average Precision,mAP)分别为82.7%和83.3%。