基于转置卷积操作改进的单阶段多边框目标检测方法

针对单阶段多边框目标检测(SSD)模型在以高交并比(Io U)评估平均检测精度(m AP)时出现的精度下降问题,提出一种使用转置卷积操作构建的循环特征聚合模型。该模型以SSD模型为基础,使用Res Net 101作为特征提取网络。首先,利用转置卷积操作扩大网络结构中深层特征图的尺寸,为浅层特征图引入对目标的高层抽象和上下文信息;其次,使用全连接卷积层减少浅层特征图在进行特征聚合时出现偏差的可能性;最后,将浅层特征图与表示了上下文信息的深层特征图拼接,并使用1×1卷积操作恢复通道数。特征聚合过程可以循环进行多次。实验结果表明,使用KITTI数据集,以交并比(Io U)为0. 7评估平均检测精度,与原始SSD模型相比,循环特征聚合模型的检测精度提高了5. 1个百分点;与已有的精度最高Faster R-CNN相比,检测精度提高了2个百分点。循环特征聚合模型能有效提升平均目标检测精度,生成高质量的边界框。

基于单阶段网络模型的目标检测改进算法

针对目前单阶段目标检测算法中存在的误检、漏检以及检测精度不够高等问题,提出一种基于单阶段网络模型的目标检测改进算法。该算法使用深度残差网络对基础网络进行替换,提取更优秀的特征;增加一层用于检测小目标的底层特征图;结合反卷积和特征融合的方法,对提取出的高层特征图与底层特征图进行融合,使新的特征图中包含更丰富的上下文信息;设计更密集的检测框且在每层卷积层后都添加批规范化操作以提升模型训练速度,防止过拟合。仿真实验结果表明,改进算法在PASCAL VOC2007数据集上较原始算法检测精度提升1.3%,检测效果更加准确,同时改进算法显著改善了误检、漏检等问题;但由于网络复杂度过高,导致检测速度有所下降。

特征增强的单阶段遥感图像目标检测模型

随着卷积神经网络的发展,遥感图像目标检测性能提升明显,但场景的复杂性和目标大小、形态的多样性依然对目标检测带来挑战。针对复杂情况下不同大小目标的检测问题进行研究。特征金字塔结构是解决不同大小目标检测的有效方法,但其逐层传递特征的方式可能产生特征丢失问题,故提出跳跃连接特征金字塔模块来增强特征金字塔结构中各层特征的语义和细节信息。同时,使用位置注意力强化目标区域特征是提升目标检出率的有效方法,并有助于复杂场景下目标的检测,但现有的位置注意力往往同时强化了不精确的预测结果,对最终预测结果产生干扰。为此提出基于锚框的位置注意力模块,强化更可能产生精确预测结果的特征区域。将跳跃连接特征金字塔模块和基于锚框的位置注意力模块嵌入到RetinaNet模型中,形成端到端的特征增强的单阶段遥感图像目标检测模型FENet(Feature Enhanced Network)。针对复杂的遥感影像目标检测进行实验,在UCAS-AOD数据集上FENet模型mAP比FAN(Face Attention Network)高1.78%,在RSOD数据集上比FAN模型提升了1.48%,且超越了其他先进模型。此外,FENet在单块Titan X GPU上对800×800图像的测试时间是0.058 s。实验结果表明,与同类模型相比,所提模型增强了目标的特征提取能力,进而提升了检测性能。

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。

基于改进的单高斯模型的运动目标检测方法

对传统的单高斯模型作了一些改进,有效地解决了传统单高斯模型中的拖尾、鬼影问题。对单高斯模型中均值与均方差的更新率的选取提出了一种新方案,能够兼顾高斯模型的收敛性和稳定性。将基于色度畸变与一阶梯度信息的阴影消除方法结合起来,能够很好地消除阴影,使得提取出的运动目标轮廓更为精确。实验结果表明,在室内以及背景较为稳定的室外环境下,基于单高斯模型的运动目标检测方法能够很好地检测出运动目标。

深度学习驱动下的目标检测研究进展综述

近年来,深度学习在GPU高性能计算能力的加持下得到了迅速推广,并在安防、医疗、工业等领域实现了广泛应用。目标检测模型的性能也在稳步提高,从传统的目标检测方法逐渐过渡到基于卷积神经网络(CNN)深度学习的进一步应用,极大地节省了人力物力。通过参考大量文献,按照两阶段脉络梳理了目标检测的发展历程以及近年深度学习在目标检测领域内的研究进展,对比了在不同数据集上模型网络的性能,总结不同方法的优势与不足,并对领域内重要数据集作了归纳,还对目标检测算法的落地效果做了总结,特别是生活与科技中的实际应用(无人驾驶、医学图像、遥感等)。最后,还对深度学习驱动下目标检测在未来研究上的机遇和挑战作了展望。

深度学习中的单阶段小目标检测方法综述

随着深度学习的不断发展,目标检测技术逐步从基于传统的手工检测方法向基于深度神经网络的检测方法转变。在众多基于深度学习的目标检测方法中,基于深度学习的单阶段目标检测方法因其网络结构较简单、运行速度较快以及具有更高的检测效率而被广泛运用。但现有的基于深度学习的单阶段目标检测方法由于小目标物体包含的特征信息较少、分辨率较低、背景信息较复杂、细节信息不明显以及定位精度要求较高等原因,导致在检测过程中对小目标物体的检测效果不理想,使得模型检测精度降低。针对目前基于深度学习的单阶段目标检测方法存在的问题,研究了大量基于深度学习的单阶段小目标检测技术。首先从单阶段目标检测方法的AnchorBox、网络结构、交并比函数以及损失函数等几个方面,系统地总结了针对小目标检测的优化方法;其次列举了常用的小目标检测数据集及其应用领域,并给出在各小目标检测数据集上的检测结果图;最后探讨了基于深度学习的单阶段小目标检测方法的未来研究方向。

基于单高斯背景模型和双差分融合的运动目标检测算法

提出了一种新的运动目标检测算法,实现了只对帧图中感兴趣的运动目标区域进行背景匹配更新,能够较精确地检测出运动目标。该算法首先提出了双差分模型确定运动目标最大分布的可能区域,然后融合单高斯背景模型对此区域进行背景重建,再运用背景差分得到精确前景目标。仿真试验结果表明,该方法降低了运算的复杂程度,提高了检测精度,具有很好的鲁棒性。

基于深度学习的单阶段目标检测算法研究综述

近年来,深度学习技术推动目标检测算法取得了突破式进展。基于深度学习的目标检测算法可分为两阶段检测算法和单阶段检测算法。相比两阶段检测算法,单阶段检测算法的结构简单、计算高效,同时具备不错的检测精度,在实时目标检测领域中具有较高的研究和应用价值。本文首先回顾了单阶段检测算法的发展历史,分析总结了相关算法的优缺点,然后归纳提出了单阶段目标检测算法的通用框架,接着对框架中的特征提取模块和检测器进行了深入分析,指出了其对算法性能的影响,最后对单阶段检测算法的发展趋势进行了展望。

一种改进的基于单高斯模型的红外异常目标检测算法

基于单高斯模型的红外异常目标检测算法是一种常见的能自适应更新背景模型的检测算法。该算法对各个像素的输出响应进行高斯建模,通过设定的阈值确定目标像素点是否为前景像素点,从而达到检测的目的。本文在单高斯模型的基础上,提出一种改进的异常检测算法,该算法利用奈曼-皮尔逊准则选取最佳阈值,克服了根据经验值选取阈值的局限性,为最佳判决阈值的选取奠定了理论基础,使得在虚假率一定的情况下,检测概率达到最高。实验证明,将常见的经验阈值与本文确定阈值进行比较,本文算法确定的阈值检测效果更佳。

基于注意力机制的单阶段目标检测锚点框部件感知特征表达

针对现有单阶段目标检测算法锚点框特征表达不足影响检测精度的问题,提出了一种增强锚点框特征表达的算法,其包含注意力机制模块和部件感知模块.首先,注意力机制模块根据各个锚点框的不同属性自适应地提供不同的特征表达.然后,部件感知模块准确地提取各个锚点框内部的判别性部件特征以作为各个锚点框进行预测所需的特有特征.将所提设计与现有SSD算法结合并在多个公开的目标检测数据集上进行实验,结果表明,所提算法能够显著提高单阶段目标检测算法的精度并维持实时运行速度(14 ms);进一步地,在扩展实验上的结果表明,所提算法也能够改善生成的区域建议框的召回率及两阶段目标检测算法的精度.

基于正负锚点框均衡及特征对齐的单阶段目标检测算法

针对正负例锚点框不均衡将降低基于锚点框的单阶段目标检测算法的检测精度的问题,提出一种包含锚点框提升模块和特征对齐模块来均衡正负例锚点框的算法.首先在锚点框提升模块中预测各个锚点框为正例的可能性,并粗略调整初始锚点框的位置和尺寸;然后在特征对齐模块中为调整后的锚点框提取预测所需的对齐特征;最后检测网络借助锚点框提升模块输出信息,从调整后的锚点框中识别出简单负例锚点框,并在训练阶段忽略其梯度.将文中算法应用于以VGG-16和ResNet-101为特征提取网络的编解码架构中,在目标检测数据集MS COCO和PASCAL VOC上进行实验,结果表明,该算法能够显著改善不均衡问题,提高单阶段目标检测算法的检测精度(MS COCO和PASCAL VOC上的精度分别为42.8%和82.7%),并维持28.6帧/s的实时运行速度.

基于优化预测定位的单阶段目标检测算法

针对单阶段多边框检测(SSD)算法中存在目标定位不准确和小目标检测精度不高的问题,提出基于优化预测定位的单阶段目标检测算法EL-SSD.通过双向加权特征金字塔将原SSD预测特征图特征融合,对输出特征图进行特征位置信息解码后进行特征通道权重再分配,提升了特征语义信息,捕获了跨通道位置信息.通过构建分类置信度及额外的定位置信度级联聚类对预测框进行非极大值抑制,提高在检测阶段对选择目标的定位精度.实验结果表明,EL-SSD算法在PASCAL VOC2007上的平均检测均值达到79.8%,比原SSD算法提高了2.6%.在COCO数据集上的精度达到29.4%,比原SSD算法提高了3.5%,在检测图片上的目标定位效果及小目标检测效果明显优于SSD,适用于需要高定位性能的实时应用场景.

单阶段多框检测器无人机航拍目标识别方法

无人机(UAV)航拍图像视野开阔,图像中的目标较小且边缘模糊,而现有单阶段多框检测器(SSD)目标检测模型难以准确地检测航拍图像中的小目标。为了有效地解决原有模型容易漏检的问题,借鉴特征金字塔网络(FPN)提出了一种基于连续上采样的SSD模型。改进SSD模型将输入图像尺寸调整为320×320,新增Conv3_3特征层,将高层特征进行上采样,并利用特征金字塔结构对VGG16网络前5层特征进行融合,从而增强各个特征层的语义表达能力,同时重新设计先验框的尺寸。在公开航拍数据集UCAS-AOD上训练并验证,实验结果表明,所提改进SSD模型的各类平均精度均值(mAP)达到了94.78%,与现有SSD模型相比,其准确率提升了17.62%,其中飞机类别提升了4.66%,汽车类别提升了34.78%。

基于改进YOLOv3的单阶段目标检测算法

针对目标检测领域对高检测精度和高检测速度共存的需求,提出了一种单阶段目标检测算法即性能平衡的YOLO算法(B-YOLO),该算法首先引入空间注意力机制,利用多尺度最大池化层增大感受野范围;然后采用跨阶段局部连接结构和直通层优化主干网络结构,改善计算效率;最后在多尺度检测结构中增加自下而上的路径,并使用拼接操作进行横向连接,融合深层语义信息和浅层位置信息。实验结果表明,该算法在精度和速度之间取得了较好的平衡。

单阶段法目标检测技术研究

目前,随着目标检测算法取得的重大突破,目标检测技术已经代替了很多枯燥简单的劳动,并且取得了很好的效果。其中主要分为基于备选框并对备选框进行判断的双阶段的目标检测方法,还有一种是把输出框和分类作为一个回归问题的单阶段目标检测方法,总结了单阶段法目标检测的各种特点及优缺点。最后针对不同的算法和改进的方法进行总结。

基于深度学习的单阶段目标检测算法综述

目标检测技术是计算机视觉技术的一个热点研究方向,该技术广泛应用于车辆导航、航空及其他重要领域,发展前景广阔。将深度学习应用到图像目标检测中能够学习到图像的高级特征,弥补传统算法的不足。首先,重点介绍了基于深度学习的单阶段目标检测算法;分析了多种算法的结构和优缺点,然后对各算法做了归纳总结;最后,结合目标检测算法提出未来发展的方向与趋势。

面向Anchor-Based单阶段目标检测算法的精度提升研究

在基于深度学习的目标检测领域,借助图像特征提取技术的进步,可以使用锚框在图像的不同位置生成边框,通过提取边框区域特征进行边框位置回归。在实际训练过程中,发现基于anchor的单阶段检测方法存在精度不足的问题,经过分析总结将问题划分为3类:样本分类不均衡;目标检测多尺度;优化目标与推论不一致。经过研究近年来的相关论文,归纳上述问题的有效解决办法,并且对同一类问题的解决办法进行对比分析,梳理出不同场景下的有效处理策略,同时为优化模型提供一定的解决思路。

改进单高斯模型的视频前景提取与破碎目标合并算法

针对视频背景建模和运动目标检测,本文提出一种基于分块模型更新的单高斯背景建模方法。新方法将视频图像划分为多个区块,并对块内的像素进行统一建模,以替代传统方法中对单像素点的建模。由于块像素的平均更符合高斯分布特性,有利于发挥单高斯建模方法的优势,因此增强了算法应对复杂背景的能力,同时分块建模也有效降低了算法复杂性。针对破碎团块的合并问题,本文提出一种"比对就近"的策略,将相隔距离在设定阈值内的团块合并为一个目标。实验结果验证了本文所提方法的有效性。

基于多通道交叉注意力融合的三维目标检测算法

针对现有单阶段三维目标检测算法对点云下采样特征利用方式单一、特征对长程上下文信息的聚合程度无法满足算法性能提升需求的问题,本文提出了基于多通道交叉注意力融合的单阶段三维目标检测算法。首先,设计通道交叉注意力模块用于融合下采样特征,可基于交叉注意力机制在通道层面上增强多尺度特征对不同感受野下长程空间信息的表达能力;然后,提出级联特征激励模块,结合原始下采样特征对通道交叉注意力加权特征进行级联激励,提升算法对关键空间特征的学习能力。在公共自动驾驶数据集KITTI上进行了大量实验并与主流算法对比,本文算法作为单阶段目标检测算法,在车辆类别3个难度级别上的检测准确率分别为91.34%、79.85%和75.98%,较基线算法分别提升了4.83%、3.26%和3.32%。实验结果证明了本文算法及所提模块在三维目标检测任务上的有效性和先进性。