面向遥感目标检测的无锚框Transformer算法

遥感图像目标具有多方向排布、小且密集等特性,使基于深度学习的旋转目标检测算法存在检测精度不佳的问题.针对这一问题,本文提出了一种面向遥感目标检测的无锚框Transformer算法.首先,采用层次化Transformer采集不同分辨率的特征信息以扩大特征信息的采集范围.其次,构建一种新的前馈网络(Spacial-FeedForward Neural network,SFFN).SFFN将3×3深度可分离卷积的局部空间特性和多层感知机(MultiLayer Perceptron,MLP)的全局通道特性融合在一起,以解决前馈网络(Feed Forward Neural network,FFN)在局部空间建模上的不足.最后,基于SFFN架构搭建了无锚框检测器,将预测框回归问题分为水平框与旋转框,缓解了旋转框的损失不连续性问题.在DOTA数据集上的测试结果表明,此方法的平均精度达到了75.83%,同时在NWPU VHR-10数据集上5类小目标检测结果达到了92.47%,在遥感目标检测精度上更具竞争力.

无锚框目标检测模型特征任务不对齐研究

通常的目标检测模型由分类任务和回归任务构成。由于不同的任务驱动因素,模型中头部对应的这两个任务分支网络对来自同一输入图片、同一个实例的特征具有不同的敏感性。这就造成了检测模型对于相同位置的特征、分类效果和回归效果相差巨大的问题,也就是任务特征不对齐的问题。但是通用的目标检测后处理办法,仅以分类分数作为非极大抑制过程的标准,带来了大量回归质量较差、但置信度很高的检测结果。对现代化的无锚框网络展开不对齐问题的研究分析,将问题进一步拆解为尺度层级上的不对齐和空间位置上的不对齐。提出了参数量代价最小的解决方案:使用可变形卷积模块对检测模型头部网络的感受野进行微调,使用考虑样本点对齐效果的标签分配机制进行对齐样本点的挖掘,创新性地解决了上述两个子问题。进一步的详细实验和对比分析证明了该工作的有效性和实用性,以及对不同特征提取骨干网络的鲁棒性。

边缘场景下基于多维损失优化超分辨率网络的天气图像检测算法

在边缘场景下,气象图像采集模型大多部署在算力较低的移动端或边缘设备上,造成观测图像分辨率较低,给天气现象检测带来困难,且传统FSRNet生成的图像存在伪影、模糊等问题,因此需要优化天气图像超分辨率网络,提高图像的分辨率.基于无锚检测器,提出以观测要素为点的检测方案,不需要手动设置锚框,使检测模型轻量且高效.通过引入热图损失、目标注意力损失和对抗性损失等多维损失函数,对粗糙SR网络进行优化,使低分辨率图像完成递进式训练.优化骨干网络ShuffleNetV2,使检测模型更加轻量化,提高超分辨率天气图像检测的性能.实验结果证明,此天气图像超分辨率重建模型可以生成质量更高、细节更加清晰的目标观测图像,更加轻量的检测模型适用于非约束场景,在FDDB上的平均精度值(AverP)达到97.7%,优于其他先进模型.

FCOSR:一种无锚框的SAR图像任意朝向船舶目标检测网络

以FCOS为代表的无锚框网络避免了预设锚框带来的超参设定问题,然而其水平框的输出结果无法指示任意朝向下SAR船舶目标的精确边界和朝向。针对此问题,该文提出了一种名为FCOSR的检测算法。首先在FCOS回归分支中添加角度参量使其输出旋转框结果。其次,引入基于可形变卷积的9点特征参与船舶置信度和边界框残差值的预测来降低陆地虚警并提升边界框回归精度。最后,在训练阶段使用旋转自适应样本选择策略为每个船舶样本分配合适的正样本点,实现网络检测精度的提高。相较于FCOS以及目前已公开发表的锚框旋转检测网络,该网络在SSDD+和HRSID数据集上表现出更快的检测速率和更高的检测精度,mAP分别为91.7%和84.3%,影像切片平均检测时间仅需33 ms。

非约束环境下的实时人脸检测方法

在不受限制的场景下,人脸检测大多部署在移动端或者边缘设备上,这些设备计算能力低且内存较小。使用无锚检测思想,基于CenterNet无锚检测器,提出以人脸为点的检测方法。不需要人工预先设置锚框,也不需要使用非极大值抑制来后处理,模型变得简单且高效。模型的骨干网络使用改进的ShuffleNetV2,轻量级网络保证了模型参数少,性能高效,可以部署在边缘设备或者移动设备上。使用人脸检测数据集WIDERFACE来训练网络模型,这个是数据集包含了多种环境下的不同尺度大小的人脸,适用于非约束环境下人脸检测。此方法在FDDB上实现了超高精度(平均精度值(AP)为97.6%),实现了速度和精度的平衡。