基于改进的单次多盒检测器室内人数检测

室内人数检测是解决公共资源合理分配和利用问题的关键。针对室内人群分布复杂且存在相互遮挡,而传统图像处理算法的准确率较低的问题,使用单次多盒检测器(single shot multibox detector, SSD)结合MobileNetV2与SENet的深度学习目标检测方法,对室内环境下的人进行识别。在微软开源数据集(common object in context, COCO)的基础上,采集室内真实图像制作数据集,进行不同IOU阈值、不同拍摄角度条件下的实验,并部署到计算环境为搭载神经元计算棒(neural compute stick,NCS2)的树莓派。实验表明,改进SSD目标检测模型在IOU阈值为0.4下,平均准确率和召回率较高,分别为97.91%和90.72%,在此计算环境下检测速度可达8帧/s,模型具有良好准确率和实时性。

基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用

针对合成孔径雷达(SAR)图像舰船目标检测领域舰船数据获取成本较高、数据集稀少的问题,提出一种基于像素对像素(pix2pix)生成式对抗网络(GAN)的数据增广技术。制作一个用于pix2pix GAN的数据集,通过对GAN网络的训练和测试得到800张新的SAR舰船样本,并对生成的典型样本进行了客观评价;针对传统SAR舰船目标检测算法鲁棒性差、易受斑点噪声影响的缺点,提出一种基于改进单次多盒检测器(SSD)的SAR舰船检测算法,通过在SSD加入Inception模块增强其对多尺寸目标适应性,提高检测器性能;将pix2pix GAN生成的SAR舰船数据进行标注后加入改进的SSD中,在SAR舰船检测数据集上进行大量对比实验。实验结果表明:当将生成的样本加入原SSD后,检测精度比原SSD检测算法提高了4. 3%;当将生成的样本加入改进的SSD后,检测精度相比改进的SSD提高了1. 9%;检测器中没有加入生成样本的情况下,改进SSD算法相比原SSD检测算法,检测精度提升了4. 7%.

基于深度卷积神经网络的SAR舰船目标检测

针对传统合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测算法检测精度易受斑点噪声影响,且只能提取底层特征及其泛化性较差的问题,提出了一种基于深度卷积神经网络的SAR图像舰船目标检测算法。首先将目前先进的单次多盒检测器(single shot multibox detector,SSD)检测算法应用到SAR图像舰船目标检测领域,指出了其在该领域存在的局限性,在此基础上提出了基于SSD的新的检测方法,包括融合上下文信息,迁移模型学习,在公开的SSDD数据集上进行了训练和测试,对实验结果进行了对比分析,实验结果表明,相比于原始的SSD检测算法,所提出的方法不仅提高了目标检测精度,同时也保证了算法的检测效率。

基于SSD的交流电磁场缺陷智能识别方法

针对传统交流电磁场检测技术中缺陷识别困难、智能化程度不高等问题,提出一种基于单次多盒检测器(SSD)的交流电磁场缺陷智能识别方法。首先通过仿真建立不同类型的缺陷可视化成像数据库,使用数据增强算法对数据库进行扩充,提高数据库的泛化能力;然后基于SSD算法建立交流电磁场缺陷智能识别方法,为缺陷智能评估与缺陷判定奠定基础;最后利用不同类型缺陷检测试验验证了该方法的缺陷识别效果。试验结果表明,基于SSD的交流电磁场缺陷智能识别方法能够正确识别不同类型缺陷,识别准确率达98%,检出缺陷的置信度均在90%以上,可为结构物缺陷的智能识别与智能评估提供方法支撑。

基于特征增强的SAR图像舰船小目标检测算法

针对合成孔径雷达(SAR)图像中小目标舰船检测困难的问题,提出基于单次多盒检测器的一种特征增强小目标检测算法.首先提出一种混合多特征提取模块,采用并行的普通卷积、不同空洞率的空洞卷积以及非对称卷积形成与舰船目标相匹配的感受野,以提高浅层网络对复杂形状小目标的特征提取能力;然后提出一种邻近多特征融合模块,将特征信息进行更科学的深层次融合,对小目标特征进一步增强;最后根据SAR图像单通道的特性,缩减特征提取网络VGG-16的冗余特征通道.在公开的SSDD数据集上与其他检测算法进行对比实验,实验结果表明,所提出方法将平均精确度提升至93.44%,检测速度提升至41.8FPS,参数量减少为18.74 M,综合性能优于其他检测算法.