一种用于目标检测的位置加权特征金字塔网络

针对传统特征金字塔网络的融合方式会导致混叠效应、高级语义信息被稀释和低级空间结构信息局限访问的问题,提出一种新的位置加权特征金字塔网络。首先设计了一个位置加权模块,从不同等级的特征图的所有通道中学习得到位置权重并赋给各等级特征图实现位置加权,进而引导融合过程;然后引入了一个金字塔池化模块,提取包含特征图不同大小区域的上下文信息的多尺度特征,并与位置加权模块相结合。实验表明,提出的位置加权特征金字塔网络相比于传统特征金字塔网络对不同类型的目标检测网络的检测精度皆有提升效果。

基于卷积块注意力模块和双向特征金字塔网络的接触网支持装置检测方法研究

接触网支持装置是接触网悬挂状态检测监测图像分析的关键对象,对支持装置零部件的检测定位是实现缺陷自动分析的基础。针对接触网支持装置零部件种类多、尺寸差异大、存在遮挡、部分零部件相似度高等问题,提出一种融合卷积块注意力模块(convolutional block attention module,CBAM)和双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)的接触网支持装置检测方法。在YOLO v5s网络模型基础上,该方法通过CBAM增强接触网支持装置的特征提取,结合BiFPN,实现不同零部件分辨率特征图的融合。利用4C装置获得的图像数据集,开展验证试验。试验结果表明,相对YOLO v5s网络模型,融合CBAM和BiFPN的接触网支持装置检测方法,网络平均精度mAP@0.5提高2.12%;能显著提升小目标检测效果,提高定位的准确性和稳定性,对接触网状态的智能分析有重要意义。

基于双向特征金字塔和残差网络的危化品运输车辆检测

危化品运输车辆的主要特征是车顶的危险标志和车牌下的危险品标志,这对于大多数目标检测算法来说检测起来比较困难.为了在提高检测精度的同时加快检测速度,本文提出了一种融合残差网络和双向特征金字塔网络的危化品车辆检测算法.首先通过对高速公路监控视频进行截取,制作危化品车辆数据集,然后通过残差网络进行特征提取,在本文中,使用循环残差模块替换残差块的中间卷积层.接下来通过双向特征金字塔网络进行特征融合,最后通过预测网络得到预测结果.在测试集上进行性能验证,结果显示本文模型的各项指标整体上均要优于其他网络,其中检测精度达到0.961,每秒可以检测43.5张图片,整体性能表现优异,达到了检测精度和速度的均衡.

基于渐进式嵌套特征的融合网络

显著目标检测是指通过引入人类视觉注意力机制,使计算机能检测视觉场景中人们最感兴趣的区域或对象.针对显著性目标检测中存在检测边缘不清晰、检测目标不完整及小目标漏检的问题,文中提出基于渐进式嵌套特征的融合网络.网络采用渐进式压缩模块,将较深层特征不断向下传递融合,在降低模型参数量的同时也充分利用高级语义信息.先设计加权特征融合模块,将编码器的多尺度特征聚合成可访问高级信息和低级信息的特征图.再将聚合的特征分配到其它层,充分获取图像上下文信息及关注图像中的小目标对象.同时引入非对称卷积模块,进一步提高检测准确性.在6个公开数据集上的实验表明文中网络取得较优的检测效果.

具有双向增强特征结构的U型肺结节分割网络

在CT影像中精准而有效地分割出肺部结节是肺癌早期诊断的关键。然而,肺结节形态的多样性以及周围环境的复杂性,都给肺结节分割的鲁棒性带来了巨大的挑战。为提高CT影像中肺结节分割的准确性,提出了Bi EFP-UNet(bidirectional enhanced feature pyramid UNet)肺结节分割网络。该结构采用端到端的深度学习方法来解决肺结节的分割任务,通过在原始U-Net网络的编码器和解码器结构之间集成一个双向增强型特征金字塔网络(bidirectional enhanced feature pyramid network,Bi EFPN),加强网络对特征的传递与利用;利用Mish激活函数提高分割效率,并消除原始U-Net网络梯度消失的问题。在肺结节公开数据集LUNA16上的实验结果表明,Bi EFP-UNet网络的Dice相似系数(DSC)可达88.32%,其中,Bi EFPN结构带来的提升为5.25个百分点,Mish激活函数带来的提升为1.21个百分点;与原始U-Net网络相比,Bi EFP-UNet网络的DSC提升了6.46个百分点,能有效解决原始U-Net网络对小目标结节分割性能差、梯度消失的问题。

基于YOLOv5s和超声图像的儿童肠套叠特征检测模型

为帮助医生快速寻找到儿童腹部超声中肠套叠的病变特征并实现肠套叠超声诊后数据的快速质检,文章将目标检测算法应用于儿童腹部超声图像检测肠套叠“同心圆”征.首先探索了基于YOLOv5s的儿童肠套叠检测模型,发现该模型检测肠套叠“同心圆”征的精确度、召回率、F 1分数、mAP@0.5、FPS以及参数量等方面均优于Faster RCNN.进一步,为解决肉眼难以观察的“同心圆”征的检测问题,使用双向特征金字塔网络,并将注意力机制加入YOLOv5s网络,形成基于YOLOv5s_BiFPN_SE框架的儿童肠套叠“同心圆”征检测模型.该模型检测的精确率、召回率、F 1分数、mAP@0.5分别达到了91.33%、90.73%、91.03%、88.77%,性能更优于YOLOv5s.

融合BiFPN与YOLO v5网络的工厂火灾检测

针对工厂火灾检测中存在环境复杂、目标密集、火焰初期目标较小、样本像素较低以及火焰边界特征不明显等问题,提出一种基于改进YOLO v5的工厂火灾检测算法Bi-YOLO v5。该方法通过融合加权双向特征金字塔(BiFPN)来增强特征信息;通过锚框参数优化增强了网络的泛化能力;通过损失函数改进提升了网络的收敛速度。实验结果表明,相比YOLO v5算法Bi-YOLO v5模型的准确率和平均精度分别提高了2.2%和1.7%,并且每帧推理时间降低到了27 ms,达到了在复杂的工厂环境下对火灾检测的要求。

基于注意力机制金字塔网络的麦穗检测方法

为了准确预测小麦产量,提出了一种基于特征金字塔网络改进的小麦穗部检测方法。针对检测结果中存在的误检或漏检等问题,本文首先在原始特征提取网络的编码和解码区域分别引入通道注意力机制和空间注意力机制,以增加对麦穗空间信息和语义信息的提取,有效提升网络对遮挡麦穗的检测性能;其次对原始区域建议网络的输入进行改进,设计了一种加权区域建议网络,在通道级别上将高层具有强语义信息的低分辨率特征图融合在一起,经过一系列的全连接层和激活函数生成对应维度的概率后,对底层高分辨率特征图进行加权以增强有用的信息通道,为难以检测的较小麦穗生成更精确的检测框。关于实地采集的灌浆期麦穗图像的实验结果表明,本文方法明显改善了对遮挡麦穗和较小麦穗的检测效果,其检测精确度、召回率和平均精度分别达到80.53%、87.12%和88.53%。通过对公开ACID数据集上不同时期麦穗检测结果的对比分析,进一步验证了本文方法的有效性。

基于BiFPN改进的深度学习口罩人脸检测方法

准确检测人员是否佩戴口罩对于保证食品生产环境的卫生、预防疾病的传播等具有重要意义。文章改进了YOLOv5算法的网络结构,首先基于双向特征金字塔网络(BiFPN)改进了YOLOv5网络的颈部(Neck)结构,然后使用K-means聚类算法对数据集进行聚类分析,提出YOLOv5_BM口罩人脸检测算法。在自制人脸口罩数据集上的测试结果表明,YOLOv5_BM算法的平均精度高达95.3%,相比YOLOv5网络提升了3.8%。在公开数据集上与其他经典的目标检测算法相比,YOLOv5_BM算法在性能方面也取得了提升,相比SSD算法,YOLOv5_BM算法的平均精度提高了4.4%;相比YOLOv3算法,YOLOv5_BM算法的平均精度提高了2.9%。

基于特征加权的深度学习Android恶意检测系统研究

当前Android系统恶意应用程序数量增长迅猛,然而传统检测系统无法对其进行快速有效检测,移动终端安全性面临严重威胁。提出一种将特征加权与双向长短期记忆(Bi-LSTM)神经网络深度学习算法相结合的恶意检测系统。采用静态分析方法从恶意与良性应用程序中提取不同类型行为特征,利用特征加权方法消除噪声与不相关因素后构建特征向量,使用Bi-LSTM深度学习算法优化行为特征参数,并设计恶意与良性应用程序分类模型,建立特征加权与深度学习算法相结合的恶意应用程序检测系统。实验结果表明,与支持向量机、RNN等传统检测系统相比,该系统对恶意应用程序具有较高的检测精度与准确率。

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测(NILM)技术为需求侧管理提供了技术支撑,而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络(CNN)存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性,并通过双向金字塔一维卷积提取负荷信号的高级与低级特征,以对负荷特征进行全面利用,从而实现对未知负荷信号进行识别的目的。实验结果表明,基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%,且具有良好的泛化能力,可有效实现负荷辨识。

基于CA-BIFPN的交通标志检测模型

正确、快速的交通标志检测可为自动驾驶领域的环境感知提供重要信息.针对目前交通标志检测识别率低及多种交通标志检测存在的误检漏检等问题,提出一种协调注意力-双向特征金字塔网络(coordinate attention-bidirectional feature pyramid network,CA-BIFPN)交通标志检测模型.该模型将YOLOv5(you only look once version 5)模型和协调注意力(coordinate attention,CA)机制相结合,引入双向特征金字塔网络(bidirectional feature pyramid network,BIFPN),通过跳连特征融合提高模型的多尺度语义特征利用效率,在提高小目标物体检测效率的同时,也使交通标志的检测精度得到提高.以交通标志数据集TT100K为测试对象进行实验验证,结果表明,与SSD(single shot multibox detector)模型和YOLOv5模型相比,CABIFPN交通标志检测模型的检测准确率分别提高4.5%和1.3%,验证模型有效.

基于加权损失函数的多尺度对抗网络图像语义分割算法

针对现有的语义分割算法存在分割结果空间不一致的问题,提出一种基于加权损失函数的多尺度对抗网络语义分割算法。在DeepLab v3基本框架的基础上,引入Pix2pix网络作为生成对抗网络模型,实现多尺度对抗网络语义分割。同时,为增加模型的泛化能力与训练精度,提出将传统的多分类交叉熵损失函数与生成器输出的内容损失函数和鉴别器输出的对抗损失函数相结合,构建加权损失函数。大量定性定量实验结果表明,该算法能够识别并分割细小的物体,其语义分割性能超过现有的深度网络,在保证语义分割空间一致性的同时提高了分割效率。

基于Darknet23和特征融合的交通标志检测方法

道路交通标志检测是智能交通的重要环节之一,针对交通标志检测存在背景复杂、目标较小、检测速度慢等问题,选取工业界青睐的YOLOv3模型提出一种改进的检测方法。利用双向特征金字塔结构实现图像低、中、高层特征语意信息的双向融合,提升低层预测目标的分类和高层预测目标的定位能力;将原模型的主干特征提取网络进行改进,提出Darknet23网络,以提高网络的提取能力和减少计算量;根据目标形状的特点,使用K-means聚类算法得到用于训练合适的锚点框,并在边框回归中引入灵活性更强的Lα-CIOU损失函数,使网络朝着预测框与真实框重叠度较高的方向去优化。实验结果表明,该方法在CCTSDB数据集上mAP@0.75达到86.10%、mAP@0.5:0.05:0.95达到70.017%,相比原网络分别提升10.17%和5.656%,参数量减少3 622 091,速度提升8.27 f/s,且优于SSD和Faster RCNN等主流的检测网络。

基于ECA和BIFPN的低照度环境下的行人目标检测算法

针对在低照度环境下多尺度行人目标检测准确率低的问题,本文提出了一种基于改进YOLOv5s的行人目标检测模型BE-YOLOv5s。首先,在YOLOv5s的主干网络中融入ECA通道注意力机制,突出目标特征同时抑制低照度环境的干扰;其次,引入加权双向特征金字塔BIFPN,增强特征融合,提升行人检测精度;最后,采用可见光图像和红外图像这两组数据进行对比研究。实验结果表明,改进后的BE-YOLOv5s模型在两种数据集上的平均精度均值mAP均有所提升,同时保持了原算法的高实时性。

融合CA-BiFPN的轻量化人体姿态估计算法

针对现有的基于热力图的人体姿态估计网络模型复杂度高、算力需求大、不易部署至嵌入式平台和无人机移动平台等问题,提出了一种基于YOLOv5s6-Pose-ti-lite不使用热力图的轻量化人体姿态估计网络模型。通过将主干网络替换为GhostNet网络,旨在以更少的计算资源输出更有效的特征信息,提升网络检测速度,缓解网络冗余的问题;在主干网络中结合轻量化的坐标注意力CA模块,将图片的人体关键点位置信息聚集到通道上,增强特征提取能力;引入加权双向特征金字塔网络,提升模型的特征融合能力,平衡不同尺度的特征信息;最后将CIoU损失函数替换为Wise-Io U(WIo U),进一步提升模型对人体关键点回归的性能。结果表明,在COCO2017人体关键点数据集上,优化后的网络模型参数量降低26.2%,计算量降低30.0%,平均精确度提升1.7个百分点、平均召回率提升2.7个百分点,能够满足实时性的效果,验证了所提模型的可行性和有效性。

基于注意力机制和跨尺度特征融合的摩托车头盔检测算法

在道路交通摩托车事故中,未佩戴头盔是导致骑乘人员受到致命伤害的主要原因。针对目前头盔检测中由于黑色头发、帽子和头盔的颜色和形状相似存在误检和漏检问题,提出了一种具有三重注意力机制和双向跨尺度特征融合的摩托车头盔检测算法。首先,在YOLOV5s的主干网络中引入三重注意力机制,提取了不同维度之间的语义依赖,消除了通道和权重的间接对应关系,通过关注相似样本的差异从而提升检测精度。其次,采用EIOU边框损失函数优化对遮挡和重叠目标的检测效果。最后,在特征金字塔中采用加权双向特征金字塔网络结构,实现高效的双向跨尺度连接和加权特征融合,增强了网络特征提取能力。实验结果表明,改进算法实现了98.7%的mAP@0.5、94.0%的mAP@0.5:0.95,与原算法相比,改进算法的mAP@0.5提升了3.9%以及mAP@0.5:0.95提升了7.6%,具有更高的精度和更强的泛化能力。

基于改进YOLOv5s的轻量级绝缘子缺失检测

针对现有绝缘子缺失检测模型计算复杂度高和小目标难以检测等问题,提出一种基于改进的YOLOv5s轻量级检测模型。首先,移除主干网络中的C3模块来减少模型的参数量。其次,在多尺度特征融合网络中引入卷积块注意力机制来提高复杂背景下模型的特征提取能力。同时,采用加权双向特征金字塔网络结构对特征进行双向跨尺度加权融合,提升网络在遮挡物、相似目标干扰下目标的检测性能。最后,选用SIoU损失函数提升网络的收敛速度和检测精度。实验结果表明,所提模型的平均精准率为96.8%,浮点运算数为2.8 GFLOPS,而原始YOLOv5s在保证97.4%的平均精准率下的浮点运算数为16.3 GFLOPS。相较于原始模型,所提模型对小目标、遮挡目标以及模糊等场景有着较强的鲁棒性,且在保证近似检测精度的同时极大减少了计算量。

基于改进YOLOv5的安全帽检测算法

为了解决建筑工地、隧道、煤矿等施工场景中现有安全帽检测算法对于小目标、密集目标以及复杂环境下的检测精度低的问题,设计实现了一种基于YOLOv5的改进目标检测算法,记为YOLOv5-GBCW.首先使用Ghost卷积对骨干网络进行重构,使得模型的复杂度有了显著降低;其次使用双向特征金字塔网络(BiFPN)加强特征融合,使得算法对小目标准确率提升;引入坐标注意力(Coordinate attention)模块,能够将注意力资源分配给关键区域,从而在复杂环境中降低背景的干扰;最后提出了Beta-WIoU作为边框损失函数,采用动态非单调聚焦机制并引入对锚框特征的计算,提升预测框的准确率,同时加速模型收敛.为了验证算法的可行性,以课题组收集的安全帽数据集为基础,选用了多种经典算法进行对比,并且进行了消融实验,探究各个改进模块的提升效果.实验结果表明:改进算法YOLOv5-GBCW相较于YOLOv5s算法,算法平均精确率(IOU=0.5)提升了5.8%,达到了94.5%,检测速度达到了124.6 FPS(每秒处理帧数),模型更加轻量化,在复杂环境、密集场景和小目标场景下检测能力提升显著,并且同时满足安全帽检测精度和实时性的要求,给复杂施工环境下安全帽检测提供了一种新的方法.

结合主动光源和改进YOLOv5s模型的夜间柑橘检测方法

【目的】解决夜间环境下遮挡和较小柑橘难以准确识别的问题,实现采摘机器人全天候智能化作业。【方法】提出一种结合主动光源的夜间柑橘识别方法。首先,通过分析主动光源下颜色特征不同的夜间柑橘图像,选择最佳的光源色并进行图像采集。然后,提出一种夜间柑橘检测模型BI-YOLOv5s,该模型采用双向特征金字塔网络(Bi-FPN)进行多尺度交叉连接和加权特征融合,提高对遮挡和较小果实的识别能力;引入Coordinate attention(CA)注意力机制模块,进一步加强对目标位置信息的提取;采用融入Transformer结构的C3TR模块,在减少计算量的同时更好地提取全局信息。【结果】本文提出的BI-YOLOv5s模型在测试集上的精准率、召回率、平均准确率分别为93.4%、92.2%和97.1%,相比YOLOv5s模型分别提升了3.2、1.5和2.3个百分点。在所采用的光源色环境下,模型对夜间柑橘识别的正确率为95.3%,相比白光环境下提高了10.4个百分点。【结论】本文提出的方法对夜间环境下遮挡和小目标柑橘的识别具有较高的准确性,可为夜间果蔬智能化采摘的视觉精准识别提供技术支持。