基于改进PointPillars的目标检测算法研究

针对PointPillars主干网络提取特征不精细、小目标特征丢失的问题,提出一种改进PointPillars的目标检测算法FOPointPillars。首先,引入全维度动态卷积(Omni-dimensional Dynamic Convolution,ODConv)代替普通卷积对伪图像进行特征提取,增强特征提取能力;之后,引入特征金字塔结构(Feature Pyramid Network,FPN),将提取的特征多尺度融合,获取小目标精确的语义信息;然后,在KITTI公共数据集中进行训练与测试;最后,将该网络部署到自研小车上。实验结果表明,在鸟瞰图(Bird’s Eye View,BEV)、3D空间和平均方向相似性(Average Orientation Similarity,AOS)上,FOPointPillars检测算法的mAP分别达到70.51%、64.31%、71.64%,相比原网络PointPillars分别提升1.65%、0.74%、2.18%。该方法对障碍物的检测功能可辅助无人驾驶小车对环境进行感知。

基于YOLOv5的森林火灾人员救援识别算法

针对森林火灾救援场景存在小目标实例多、人像重叠、类内个体差异小等特点,造成了救援目标识别漏检误检率高等问题。因此,提出一种基于YOLOv5的森林火灾人员救援识别算法,以提高目标检测精确度。通过将标准卷积模块改进为全维度动态卷积模块,增强目标区域的信息提取能力。同时,增加微小目标尺度预测结构,提高微小目标的识别准确性。林火人员救援数据集的实验结果表明,该方法可使模型平均精确度达到77.7%,较原YOLOv5s提高了2.4%,可有效检测森林火灾场景的人员目标,稳定提升模型的泛化性能。

基于改进YOLOv7的交通标志检测算法

随着智能驾驶系统飞速发展,交通标志检测技术受到广泛关注。针对交通标志在图像中像素面积小、分辨率低、背景复杂等问题,提出了一种基于改进YOLOv7的交通标志检测算法。首先,构建增强特征提取模块。采用残差瓶颈结构和全维度动态卷积层优化特征提取网络中可拓展高效层聚合网络结构,不仅提高了特征提取网络聚焦小目标交通标志关键特征的能力,而且还避免了特征丢失。其次,在特征融合网络中嵌入轻量型混合注意力模块,过滤小目标交通标志周围复杂背景噪声,使网络的颈部更好地融合浅层细节信息和深层语义信息,增强多尺度特征融合效果。最后,解耦网络检测头使用两条享有不同参数的独立分支分别完成小目标交通标志分类和回归任务,提高分类回归准确度。在TT100K交通标志检测数据集上进行了实验评估,结果表明:相较于基线YOLOv7算法,改进算法的小目标精度提高了1.9%、小目标召回率提高了3.1%、mAP值提高了2.6%;同时,改进算法检测速度为57.1帧/s,满足实时检测的要求。

自然环境下基于改进的YOLOv8s的脐橙检测方法

近年来,基于深度学习的目标检测算法发展极为迅速。YOLOv8s能够兼顾检测精度和速度,有利于脐橙智能化采摘的实现。本文分别从数据集扩充和YOLOv8s模型改进两方面提高脐橙的检测精度。数据集扩充方面,对晴天采集的脐橙图像进行加雨和加雾扩充,提高模型在复杂环境下的检测能力。模型改进方面,先将YOLOv8s颈部的特征融合改进为权重化的融合,以突出重要的特征;然后将YOLOv8s原浅层处的检测头更换至更浅层,以检测出因遮挡严重而表现为小的目标;最后,将YOLOv8s主干网络的第二个卷积改进为全维度动态卷积,以在卷积的空间、输入通道、输出通道和整个卷积核四个维度上关注重要特征。实验结果表明,与未对数据集扩充且采用原始YOLOv8s模型的方法相比,本文方法获得的精确率、召回率和平均精确率均值都得到大幅度提升。

基于改进YOLOv7算法的井场作业安全检测方法研究

针对油井场作业中因监管效率低下导致的安全事故问题,提出了一种改进的YOLOv7算法来检测井场作业人员不安全行为。首先,将YOLOv7模型颈部中的原金字塔池化模块替换为空洞空间金字塔池化(ASPP)模块,ASPP采用多个并行的空洞卷积分支,每个分支具有不同的采样率,从而获得不同尺度的感受野,提高了模型对多尺度特征信息的捕获能力;其次将YOLOv7模型检测头中的普通卷积替换为全维度动态卷积,从4个维度来学习卷积核内部的注意力值,从而获得全维度的卷积核权重,增强了模型对关键特征的关注度。最后,与原YOLOv7模型进行实验对比。结果表明,改进后的模型平均精度均值提高了5.58%。与其他目标检测模型相比,检测性能有显著提升。

结合自注意力与卷积的胸部X光片疾病分类研究

胸部X光片可用于诊断多种胸部疾病。由于胸部疾病特征复杂多样,现有的胸部X光片疾病分类算法难以学习胸部疾病复杂的鉴别表征以及未关注不同疾病之间的相关性信息。针对以上问题,提出一种结合自注意力与卷积的疾病分类算法,该算法采用全维度动态卷积替换残差网络的标准卷积,从而提高网络对多尺度信息的特征提取能力。此外,在卷积神经网络中引入自注意力模块,可以提供捕获多种疾病之间相关性的全局感受野。最后,提出高效的双路注意力,使神经网络更加关注病灶区域、自动捕捉病变位置变化。在ChestX-ray14数据集上,对所提模型进行评估,实验结果表明:所提算法对14种胸部疾病的平均受试者工作特性曲线下的面积(AUC)达到0.839,检测结果与目前其他7种先进算法相比在准确率和效率上有所提升。