基于锚框稀疏图像金字塔的MTCNN人脸检测方法

针对MTCNN 3层级联网络结构中P-Net和R-Net耗时较多的问题,提出一种改进的MTCNN人脸检测方法。采用锚框的思路增加生成框的密度,减少图像金字塔层数,构建基于锚框的稀疏图像金字塔,提高P-Net检测速度;采用深度可分离卷积的思路来改进R-Net网络结构,去掉池化层,修改前2个卷积层的步幅,修改第3个卷积层为可分离卷积,降低R-Net模型的参数计算量,提高R-Net检测速度;在P-Net检测前进行一次中值滤波,以减少图像中的噪点,降低P-Net误检率。实验结果表明:改进MTCNN在检测精度略有提升的情况下,在Windows和Android平台上的检测速度均可提升近一倍,在工业界有重要的应用价值。

利用改进特征金字塔模型的SAR图像多目标船舶检测

深度学习模型中的特征金字塔网络(Feature Pyramid Network,FPN)常被用作合成孔径雷达(Synthetic Aperture Radar,SAR)图像中多目标船舶的检测。针对复杂场景下多目标船舶检测问题,提出了一种基于改进锚点框的FPN模型。首先将特征金字塔模型嵌入传统的RPN(Region Proposal Network)并映射成新的特征空间用于目标检测,然后利用基于形状相似度距离(Shape Similar Distance,SSD)度量的Kmeans聚类算法优化FPN的初始锚点框,并使用SAR船舶数据集测试。实验结果表明,所提算法目标检测精确率达到98.62%,在复杂场景下与YOLO、Faster RCNN、FPN based on VGG/ResNet等模型进行对比,模型准确率提高,整体性能更好。

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。