基于域适应与类别对比的夜间目标检测方法

夜间目标检测任务中,目标能见度低,难以对图像数据进行大量标注,导致使用监督方法进行大规模数据训练的困难,而当使用较小规模标注数据训练时监督方法容易产生过拟合,预测准确性差。针对这些问题,本文提出一种无监督域适应夜间目标检测模型,使用有标注白昼图像和无标注夜间图像训练。模型使用了昼夜图像增强方法,减小昼夜域间隙并提升夜间训练数据的复杂性以丰富特征学习;将多尺度通道注意力引入Faster-RCNN模型,提升感知多尺度特征的能力;使用类别对比学习方法获得具有鉴别性和域间不变性的类别特征。在城市交通数据集BDD100K和SODA10M上进行的实验表明,本文方法性能优于常用的域适应目标检测方法。

基于YOLOv5的UAV夜间目标检测技术研究

针对无人机(UAV)夜间目标检测技术准确率较低的问题,对现有夜间目标检测方法和YOLOv5算法进行简要介绍,提出了基于YOLOv5算法的夜间目标检测技术。通过在原YOLOv5网络中加入改进的Retinex算法对原网络进行动态增强,在模型训练过程中,将Focus层替换成CBS层,改善模型训练效果,并利用改进算法对UAV夜间目标检测性能进行仿真。结果表明,改进的YOLOv5算法在查准率和查全率方面分别比原YOLOv5算法提高了11.22%和5.32%,有效提升了UAV夜间目标检测能力。

改进YOLOX的夜间安全帽检测算法

安全帽检测是保障建筑施工现场安全的一个有效手段。为保证暗光条件下图像分辨度,塔机吊钩摄像头夜间经常需采集灰度图像。由于摄像头晃动和人员走动,安全帽目标区域还经常会出现模糊现象。为解决模糊灰度图像中目标特征丢失所导致的检测精度下降问题,以YOLOX为基准模型,提出一种用于夜间安全帽检测的特征增强和回归权重自适应YOLOX(feature enhancement and regression weight adaptive,FERWA-YOLOX)算法。算法在输入层增加了融合不同大小感受野的多尺度残差(multi-scale residuals,MSR)模块,在同层网络中融合更多局部特征,降低目标局部模糊带来的影响;在解耦头的分类分支增加并行池化通道注意力(parallel pooling channel attention,PPCA)模块,弥补因目标颜色特征丢失所导致的网络分类能力的下降;设计了一种带双惩罚项的损失函数(double penalty items-Siou,DPI-Siou),自适应地降低形状固定目标的形状损失和模糊目标在回归时的权重,提高网络的检测精度。实验结果表明,FERWA-YOLOX较原YOLOX算法,mAP提升了4.88个百分点,参数量仅提升0.5 MB,且满足夜间实时检测需求。