融合显示视觉中心与注意力机制的水下目标检测算法

针对水下海洋生物检测任务存在的目标间相互遮挡、对细长型目标检测精度低、小目标众多等问题,提出一种基于YOLOv5的水下目标检测算法。该算法通过引入可变形卷积、空洞卷积和注意力机制来重新设计主干网络,增强特征提取能力,解决目标间相互遮挡和对细长型目标检测精度低的问题;同时,提出加权显示视觉中心特征金字塔模块,解决特征融合不充分问题,降低小目标漏检率;并调整YOLOv5算法的网络结构,增加融合注意力机制的小目标检测层,提升对小目标物体的检测能力。实验结果表明:改进后的YOLOv5算法在URPC数据集上的平均精度均值达87.8%,较原始YOLOv5算法提高了5.3百分点;同时检测速度保持在34 frame/s;在水下目标检测任务中能够有效提高精确度,降低漏检率和错检率。

融合自适应卷积神经网络的SAR图像舰船目标检测方法

合成孔径雷达(Synthetic Aperture Radar,SAR)舰船目标检测是微波遥感的重要应用,然而随着海面尤其是近海背景越来越复杂,同时舰船尺寸大小不一,导致检测算法性能下降,出现漏检、错检等问题,严重影响目标的检测效果。针对上述问题,本文提出一种复杂场景下的融合自适应卷积神经网络的SAR图像舰船检测方法。首先,为了提高主干网络的特征提取能力,设计了一种用于特征提取的自适应全方位动态高效聚合网络(Omni-Dimensional Dynamic and Efficient Layer Attention Network,OD-ELAN)模块。该模块是在高效注意网络(Efficient Layer Attention Network,ELAN)中融合了动态卷积,使得自适应OD-ELAN模块能够输入特征的不同动态调整卷积核的权重。其次,为了提高网络对目标的定位能力,在头部网络中使用显示视觉中心机制(Explicit Visual Center,EVC)来加强网络在空间上对不同区域的感知能力,使网络能够更加灵活地适应不同尺寸、比例和位置的特征。然后对头部网络结构进行设计,在降低网络的计算量的同时保持网络检测的准确性。最后,使用平滑交并集(Smoothde Intersection over Union,SIOU)损失函数衡量预测边界框与真实边界框之间的重叠程度,提升网络对检测目标的定位能力。为了验证自适应卷积神经网络的有效性,使用SAR船舶检测数据集(SAR Ship Detection Dataset,SSDD)和高分辨率SAR图像数据集(High Resolution SAR Images Dataset,HRSID)进行消融实验和对比实验。消融实验结果中显示本文网络每次改进后的检测效果都有所提升。改进后的网络对SSDD数据集舰船目标检测的平均精度提升了7.81%,准确率提升了4.95%,召回率提升了11.8%。对HRSID数据集舰船目标检测的平均精度提升了10.6%,准确率提升了10.03%,召回率提升了11.84%。实验结果表明,在对小目标和复杂背景下的舰船目标检测时,改进后的算法显著减少了误检和漏检的情况。

基于旋转框表示的光学遥感图像目标检测

旋转目标检测是遥感图像智能解译的关键步骤,然而遥感图像背景复杂、目标方向具有任意性、尺度差异大,实现准确的旋转目标检测有一定的困难。提出的ERDet结合显示视觉中心,提取遥感图像的全局信息与局部信息,结合自适应阈值样本选择的水平目标检测算法和长边定义法,预测遥感图像目标的类别、位置和旋转角度。在DOTA-v1.0数据集上的实验表明,该方法能够对不同尺度和方向的目标进行准确提取,实现了对遥感目标的精准检测。