基于感知增强无锚框网络的遥感图像目标检测

遥感图像目标成像尺度和方向多变导致现有目标检测算法往往存在较多的误检和漏检现象,针对这一问题,提出一种感知增强无锚框网络下的遥感目标检测方法。首先,构建高层特征增强模块并将其融入特征金字塔顶层网络中,通过在深层网络挖掘更多的语义信息,增强高层网络对待检测目标的特征描述力。进一步,构建多尺度目标感知增强模块,通过引入多分支空洞卷积结构,在不同特征层中增强网络模型对不同尺度大小目标的感知力。最后,基于无锚框网络框架,利用区域分配因子和距离向量确定目标中心点位置,实现遥感图像定向目标检测。所提方法在遥感目标检测数据集DIOR-R和HRSC2016上的平均准确率达到71.4%和96.7%。定性和定量的对比实验结果证明所提方法具有良好的有效性,对不同尺度和成像方向下的不同种类遥感目标均能实现更加准确的检测。

多分支无锚框网络密集行人检测算法

针对街道等多人流量场景图像中人员密集、姿态变化多、人体遮挡严重造成的行人检测漏检问题,提出一种多分支无锚框网络(MBAN)行人检测方法。首先,在检测模型主干网络后加入多分支网络结构用以检测行人的多个关键区域局部特征;然后,设计了关键区域之间的距离损失函数引导分支网络对行人的局部检测位置进行差异化学习,接下来为了提高分支网络对行人局部特征空间信息的理解能力,在Resnet50网络尾部加入四个上采样块构成沙漏结构(Hourglass);最后,设计了一种局部特征选择网络自适应抑制多分支输出的非最优值,消除预测时的冗余特征框。实验结果表明MBAN方法对多人流量场景行人检测的mAP值、F1值、Prec和Recall分别达到85.22%,0.87,80.07%和94.39%,证明该方法对密集人群检测能力较强,与其他行人检测算法相比有较高的召回率。

基于无锚框检测网络的茶叶嫩芽识别方法研究

利用机器学习方法进行茶叶嫩芽识别有助于茶叶生产的全程智能化.目前的嫩芽识别方法依赖复杂的预处理,导致嫩芽识别效率普遍不高.基于无锚框检测网络CenterNet,提出了一种无需预处理的高速茶叶嫩芽识别方法.针对CenterNet特征提取网络规模过大、识别速度过低的问题,将其特征提取网络替换为ResNet-50.利用改进后的CenterNet模型识别茶叶的一芽、一芽一叶和一芽二叶部分,得到模型的精确度为83.1%,召回率为85.4%,mAP为87.7%,识别效果优于同类无预处理识别方法.

基于卷积注意力模块和无锚框检测网络的行人跟踪算法

针对多目标跟踪过程中遮挡严重时的目标身份切换、跟踪轨迹中断等问题,该文提出一种基于卷积注意力模块(CBAM)和无锚框(anchor-free)检测网络的行人跟踪算法。首先,在高分辨率特征提取网络HrnetV2的基础上,对stem阶段引入注意力机制,以提取更具表达力的特征,从而加强对重识别分支的训练;其次,为了提高算法的运算速度,使检测和重识别分支共享特征权重且并行运行,同时减少头网络的卷积通道数以降低参数运算量;最后,设定合适的参数对网络进行充分的训练,并使用多个测试集对算法进行测试。实验结果表明,该文算法相较于FairMOT在2DMOT15,MOT17,MOT20数据集上的精确度分别提升1.1%,1.1%,0.2%,速度分别提升0.82,0.88,0.41 fps;相较于其他几种主流算法拥有最少的目标身份切换次数。该文算法能够更好地适用于遮挡严重的场景,实时性也有所提高。

一种无锚框结构的多尺度火灾检测算法

针对复杂背景下多尺度火焰的检测精度低且容易发生误报等问题,提出了一种无锚框结构的新型火灾检测算法。该算法取消了锚框的预设置,采用逐点预测的方式减少网络的超参数,从而有效地减轻了人工先验知识的影响;引入BFP模块优化特征融合,通过对层间信息的整合有效利用了特征的全局信息,增强了多尺度特征的表达能力;设置融合因子控制层间信息传递,在保证特征信息充分融合的同时减弱高层特征的影响,提升了浅层特征对于小目标的学习能力;设计动态采样方式调整训练过程,采用中心采样和置信度原则提升样本点质量,强化了网络对火焰特征的学习效果。在自建数据集上该算法的检测精度达到了96.9%,在公开数据集上也有较好的检测效果。实验结果表明,该算法检测精度高,抗干扰能力强,对于复杂背景下的多尺度火焰具有较好的检测效果,能够较好抑制误报情况的发生,满足实际火灾检测任务的需要。

红外弱光下多特征融合与注意力增强铁路异物检测

针对红外弱光环境下铁路异物检测时存在目标特征提取不充分、检测精度及实时性低的问题,在CenterNet目标检测模型的基础上,提出了一种红外弱光下多特征融合与注意力增强的无锚框异物检测深度学习模型。在红外目标多尺度特征提取的基础上,引入自适应特征融合(ASFF)模块,充分利用目标高层语义与底层细粒度特征信息,提升红外目标特征提取能力。通过提出的空洞卷积增强注意力模块(Dilated-CBAM)进行关键特征提取,扩大注意力模块感受野范围,克服了原始CenterNet卷积块感受野映射区域变窄、无法检测弱小目标的问题,提升了无锚框网络的检测精度。使用Smooth L1损失函数进行训练,克服了L1损失函数在网络训练过程收敛速度慢及训练不稳定解的问题。通过铁路红外数据集及现场实验测试,结果表明:所提方法较原始CenterNet模型平均检测精度提高了8.03%,检测框置信度提升了31.23%,平均检测速率是Faster R-CNN模型的9.6倍,所提方法在红外弱光环境下能够更加快速准确地检测出铁路异物,主客观评价均优于对比方法。

基于改进CenterNet的椎间盘图像检测算法研究

针对椎间盘图像灰度值较高及成像图具有不均匀性导致的空间信息难捕捉、特征缺乏语义信息等问题,以磁共振腰椎T2矢状位的椎间盘识别为目标,本文提出一种基于改进CenterNet模型的椎间盘检测算法TCA_CenterNet(top coordinate attention CenterNet),首先在主干特征提取网络顶层(Top)加入坐标注意力机制(coordinate attention,CA),加强网络对椎间盘的关注度,增强模型对目标位置的敏感性;其次采用深浅层特征融合,增强CenterNet提取有效特征的能力,并通过数据增强提高模型的泛化性能。实验结果表明,模型最终的平均精度均值(mean average precision,mAP)达到81.15%,平均帧率为14.2 frame/s,与其他对比算法相比,该改进算法具有更好的准确性与鲁棒性。