基于改进VariFocalNet的微小目标检测

针对航拍场景中包含的目标尺寸小、有效特征信息少的问题,提出一种基于改进的变焦网络VFNet(VariFocalNet)的航拍场景中微小目标检测算法。首先,为增强微小目标的特征表征能力,采用特征提取性能更好的循环层聚合网络(RLANet)代替ResNet作为主干网络;其次,为解决特征金字塔自顶向下融合时顶层特征信息丢失问题,引入特征增强模块(FEM);然后,为解决现有标签分配方法在微小目标标签分配上的样本分布不平衡问题,改进的VFNet采用了基于高斯感受野的标签分配方法;最后,为减小微小目标对位置偏移的敏感性,引入一种边界框回归损失函数Wasserstein损失测量预测边界框高斯分布和真值框高斯分布的相似性。在AI-TOD数据集上的实验结果表明:改进后的VFNet算法的平均精度均值(mAP)达到了14.9%;与改进前的算法相比,在航拍场景下的微小目标上的检测mAP提高了4.7个百分点。

基于奇异值分解的雷达微小目标检测方法

提出了一种强杂波环境下雷达微小目标的检测方法。该方法以奇异值分解理论为基础,利用奇异值一阶、二阶差分谱进行奇异值选择,通过奇异值逆变换将雷达回波信号分解成不同的成份,从而实现杂波抑制和小微目标凸现。试验表明:该方法能有效抑制杂波,平均提升信噪比7 dB左右。

基于深度学习的遥感图像微小目标检测方法研究

遥感图像中含有大量的微小目标,只有准确检测到这些微小目标,才能实现远程目标的识别与跟踪;为了给远程跟踪工作提供有效的辅助工具,以深度学习算法为技术支持,优化设计遥感图像微小目标检测方法;利用硬件设备实时采集包含微小目标的遥感图像,通过几何校正、灰度化转换、噪声抑制、去雾以及图像增强等步骤,完成初始图像的预处理;通过前景与背景图像的分割,选择遥感图像中的待检测目标;构建深度卷积神经网络作为深度学习算法的运行环境,经过前向传播、反向传播提取遥感图像特征;最终,通过特征匹配,得出包含微小目标数量以及位置坐标的检测结果;通过性能测试实验得出结论:与传统遥感图像目标检测方法相比,优化设计方法的查准率和查全率分别提高了6.3%和10.74%,目标位置检测误差得到明显降低,且响应时间缩短了2440 ms,由此证明优化设计方法具有良好的检测性能。

基于多尺度分层残差网络的光学遥感图像微小目标检测

针对光学遥感图像中微小目标空间分辨率低、有效特征不足等问题,在YOLOv5检测算法基础上,提出一种基于多尺度分层残差网络的光学遥感图像微小目标检测方法。设计了一种简单高效的多尺度分层残差特征提取模块,可在更细粒度水平上获得更丰富的感受野,强化神经网络的特征提取能力,进一步提升微小目标特征丰富度。在此基础上,进一步优化损失函数中的定位损失项,通过增加距离惩罚提升检测算法对微小目标的定位能力。在光学遥感微小目标检测数据集AI-TODv2和微小行人检测数据集TinyPerson上开展了系统对比实验,实验结果表明所提出算法相较于基准YOLOv5算法平均精度分别提升了5.5%和1.8%,有效提高了微小目标检测的召回率和准确率。

基于改进YOLOX的微小目标快速检测方法

针对微小目标检测存在准确率低、速度慢等问题,提出了一种基于改进YOLOX的微小目标快速检测方法。改进YOLOX算法中嵌入了一种轻量级的卷积块注意力模块(Convolutional Block Attention Module,CBAM),以帮助算法在大背景中找寻局部密集而微小的潜在目标区域,增强微小目标特征提取能力;使用DIoU损失函数优化收敛速度,提升目标检测的定位能力;在解耦头中引入Focal Loss作为置信度损失函数,缓解难易样本数量的不均衡。结果表明,改进算法在TinyPerson数据集上平均正确率(Average Precision,AP)最高可达52.69%,同时,改进YOLOX-s算法在Tesla P100上分辨率为1 440×928像素的图片检测速度可达35 FPS(Frames Per Second)。

特征金字塔多尺度全卷积目标检测算法

基于区域建议网络构建一种特征金字塔多尺度网络结构,并结合全卷积操作完成微小目标与类别无关目标的检测.为了提升图像中微小目标的检测精度,构建基于侧链接融合的3层金字塔结构网络,充分利用语义级别比较低的图像卷积特征.为了提高类别无关的图像目标检测鲁棒性,提出特定的非极大值抑制算法,在重叠目标过滤时消除冗余目标窗口,并对目标窗口进行位置精修.在PASCAL VOC 2007、PASCAL VOC 2012以及古代绘画数据集上的实验结果表明:所提算法对于微小目标、多尺度目标检测及种类无关的目标检测的检测精度高于已有算法.

基于AIS与机器视觉检测的船桥智能避碰系统

为提高目标识别率,基于自动识别系统(Automatic Identification System,AIS)与机器视觉检测的船桥智能避碰系统,提出针对大背景中微小船舶目标的检测方法,主要包括图像预处理、图像处理和目标识别。试验结果表明:单纯视觉检测目标识别率可达到98.52%,AIS与机器视觉检测设备共同工作情况下识别率可达到100%。研究成果可为船桥智能避碰系统的设计提供一定参考。

基于密集YOLOv3的印刷电路板缺陷识别

对印刷电路板加工过程中微小缺陷的精准检测是保证电子产品质量的前提。由于电路板缺陷的特征尺寸极小,电路复杂,现有的目标检测方法存在很多不足。针对这一问题,在YOLOv3算法的基础,提出了一种用于印刷电路板缺陷检测的密集YOLOv3目标检测算法。首先,用密集连接卷积网络模块代替YOLOv3算法特征提取网络中的部分残差网络单元,增强网络的特征重用;其次,对损失函数加以改进,用预测框和真实值之间的广义交并比来解决交并比为零时无法继续优化的问题。所提出的密集YOLOv3算法在扩充后的印刷电路板缺陷数据集上得到了有效地验证。实验结果表明,与其他识别算法相比,所提算法在识别精度提高的同时,算法尺寸也有所减小。