YOLOv7的实时遥感图像舰船目标旋转检测算法分析

阐述一种用于检测遥感图像中带有旋转角度舰船的YOLOv7算法,在YOLOv7的基础上加入角度分量信息检测舰船旋转角度,在特征提取部分加入NAM注意力模块以保证不损失速度的前提下提高对大尺度遥感图像中检测目标的准确度。探讨在异构AI计算环境中,通过自建遥感舰船图像数据集,完成训练和推理验证。

输电线路机械外破隐患目标旋转检测方法

在输电线路机械外破视频监控中,使用水平矩形框式目标检测测得的线路净距与实际差异较大,容易发生错预警的情况。为此提出了一种基于YOLOv5s的机械外破隐患目标检测算法,首先使用长边表示法和环形标签实现目标框的旋转,把回归问题转为分类问题来解决角度周期性对训练的影响;然后引入高效的多尺度特征融合(CReToNext)模块和全维动态卷积(ODConv)模块增强网络对多尺度特征和全局特征的融合能力;最后使用长距离注意力机制增强廉价操作(GhostNetV2)模块减轻改进所带来参数量增加的影响。实验结果表明,所提出的算法在自制数据集上的平均精度均值(mAP)为97.3%,较仅添加角度检测分支的YOLOv5s基础网络提升2.2%,能够准确的识别机械外破目标,并能实现角度检测,可以与距离检测相结合实现更为精准的预警方式。

探索性因素分析、目标旋转与因素结构的一致性

在因素结构水平上评估跨群体的一致性是在心理学研究中常常遇见的一个问题,对此问题的解答,可以选择探索性因素分析→目标旋转→一致性评估这一途径。本文首先介绍正交目标旋转的简单原理,然后介绍其在心理研究中的应用以及相关软件和程序。目标旋转之后,结构一致性的量化可以采用一致性系数等指标,这些指标可采用一定的实证分布、近似处理或经验标准进行统计检验。之后采用一项实证数据,演示探索性因素分析、目标旋转以及结构一致性的评估方法。

红外目标旋转模拟器校准方法的研究设想

文章简要介绍了红外目标旋转模拟器的结构组成、工作原理,给出了红外目标旋转模拟器的目标温度、平均角速度、角速度波动的校准方法,该校准方法能为光电设备的量值溯源提供解决方案。

不规则目标旋转状态对激光烧蚀驱动冲量的影响

激光烧蚀驱动技术是最有前途的空间碎片主动移除技术之一,但是在其移除过程中碎片的旋转状态会对激光驱动效果产生很大的影响,是该技术研究中需要解决的一个问题。通过理论计算分析了激光脉冲连续驱动旋转平板目标的冲量规律,及脉冲频率和目标旋转角速度对其的影响。并通过目标表面三角化三维重构计算的方法分析了不同脉冲频率和目标旋转角速度下,圆柱体、长方体、圆锥等典型外形目标和不规则目标自身旋转对激光脉冲连续辐照驱动产生冲量的影响规律。结果表明,目标自身旋转会使得脉冲激光连续作用的驱动效果随脉冲次数增多产生周期性变化,其大小和周期性变化规律受自转速度、脉冲频率及自身外形特点的影响;通过激光辐照策略的合理选择,可最小化甚至消除旋转对激光脉冲连续作用产生冲量方向的影响。

YOLOv5-LR:一种遥感影像旋转目标检测模型

真实遥感图像中,目标呈现任意方向分布的特点,原始YOLOv5网络存在难以准确表达目标的位置和范围、以及检测速度一般的问题。针对上述问题,提出一种遥感影像旋转目标检测模型YOLOv5-Left-Rotation,首先利用Transformer自注意力机制,让模型更加注意感兴趣的目标,并且在图像预处理过程中采用Mosaic数据增强,对后处理过程使用改进后的非极大值抑制算法Non-Maximum Suppression。其次,引入角度损失函数,增加网络的输出维度,得到旋转矩形的预测框。最后,在网络模型的浅层阶段,增加滑动窗口分支,来提高大尺寸遥感稀疏目标的检测效率。实验数据集为自制飞机数据集CASIA-plane78和公开的舰船数据集HRSC2016,结果表明,改进旋转目标检测算法相比于原始YOLOv5网络的平均精度提升了3.175%,在吉林一号某星推扫出的大尺寸多光谱影像中推理速度提升了13.6%,能够尽可能地减少冗余背景信息,更加准确检测出光学遥感图像中排列密集、分布无规律的感兴趣目标的区域。

基于改进YOLOv5_OBB的中华绒螯蟹旋转目标检测

【目的】提出一种基于改进YOLOv5_OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5_OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5_OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。

基于改进YOLOv8的船舰遥感图像旋转目标检测算法

针对船舰遥感目标图像检测中存在的小目标检测困难,船舰形状各异以及传统水平边界框对于高长宽比的目标所框选冗余信息较多的问题,提出了一种基于改进YOLOv8的船舰遥感图像旋转目标检测算法。通过改进主干网络中的卷积结构,缓解了由于跨步卷积所导致的细粒度信息丢失的问题,对于小目标检测的精度有所提升;将C2f中的部分卷积模块替换为DCNv3可变形卷积,使其可以更好提取不规则物体的特征信息,提高模型的非线性建模能力;在颈部网络中融入主干网络中的浅层特征信息,缓解了经多次卷积操作所导致的细节信息丢失的问题,提升了模型对小目标物体的检测能力。实验结果表明,改进后的算法在ShipRSImageNet数据集上的检测精度(mAP50)达到了84.317%,较基准模型提升了4.054%,在HRSC2016数据集上达到了93.235%,较基准模型提升了1.555%,在少量增加模型参数量的情况下取得了较高的检测性能,很好地平衡了模型的效率和性能。

基于深度学习的遥感图像旋转目标检测研究综述

由于遥感图像中的目标具有方向任意、分布密集和尺度差异大等特点,使得遥感图像目标检测成为一个颇具挑战性的难题。针对该难题,系统梳理了近三年来深度学习遥感图像旋转目标检测的相关工作。首先介绍旋转框的表示方法及其特点;然后按照特征提取网络、旋转锚框和候选框生成、标签分配及采样策略、损失函数四个方面对当前遥感图像旋转目标检测的现有方法进行分析;再对常用的遥感图像旋转目标数据集进行介绍,对比分析不同算法的性能;最后对遥感图像旋转目标检测进行了展望。

深度学习的遥感图像旋转目标检测综述

遥感图像中目标具有方向任意性和排列紧密性的特点,在检测任务中使用倾斜边界框可以更加精确定位和分离目标。目前遥感图像旋转目标检测已经广泛应用于民用和军事国防领域,具有重要的研究意义和应用价值,已逐步成为研究热点。鉴于此,对遥感图像中旋转目标检测方法进行了系统性总结。首先,介绍了三种常用的倾斜边界框的表示形式。其次,重点阐述全监督学习下的特征错位、边界不连续、度量值与损失不一致性、旋转目标定位四个挑战。然后,根据不同的动机和改进策略,详细阐述了每种方法的核心思想及其优缺点,归纳出旋转目标检测方法框架。接着,列举了旋转目标检测在遥感领域常用数据集,给出了经典方法在不同数据集上的实验结果,并对不同方法的性能进行了评估。最后,结合深度学习应用于遥感图像旋转目标检测任务中存在的挑战,对该方向的未来发展趋势进行了展望。

基于虚拟数据和旋转目标检测分析的大豆豆荚表型参数测量方法

为解决传统大豆考种过程中人工测量大豆豆荚表型参数耗时费力的问题以及现有的自动化测量方式存在的人工数据标注需求量大、环境适应能力弱、计算代价高等问题,本研究提出一种基于虚拟数据集生成和旋转目标检测分析的豆荚关键表型参数自动化测量方法,重点关注荚长和荚宽的测量。该方法基于YOLOv7-tiny提出一种改进的豆荚检测模型(CSL-YOLOv7-tiny),通过引入环形平滑标签使模型获得对旋转目标的检测能力,提升对无序摆放的狭长豆荚目标检测的质量。为避免人工标注训练数据,采用虚拟图像生成方法得到含标注信息的虚拟豆荚数据集和虚拟硬币与豆荚混合数据集。利用迁移学习策略,将模型从虚拟豆荚数据集迁移至虚拟硬币与豆荚混合数据集,积累模型对豆荚特征的提取能力。设计一种基于K-均值聚类的后处理方法,对检测到的旋转边界框进行分析,得到荚长和荚宽,以减少拍摄环境差异带来的测量误差。试验结果表明,在无任何训练数据标注的条件下,使用虚拟图像训练的CSL-YOLOv7-tiny对硬币和豆荚目标检测的最优mAP_(0.50)和mAP_(0.50∶0.95)分别达到了99.3%和78.0%,其模型大小和推理时间分别仅为12.92 MB和12.5 ms,荚长和荚宽测量的决定系数(R^(2))分别达到了0.94和0.86,与实际测量均值分别仅相差0.42 mm和0.02 mm。此外,通过对本研究提出的方法进行对比分析,验证了其在模型训练、轻量化部署以及不同考种环境适应能力上的优势。研究结果可为大豆豆荚表型参数的自动化、智能化测量系统的研发提供参考,为加速优质高产大豆的选育进程提供支撑。

基于YOLOv8L遥感图像旋转目标检测

针对遥感图像复杂背景下的目标(如船舶、飞机等)具有朝向任意、尺度变化较大、数量多、目标排列密集等特点,提出一种基于改进YOLOv8L的旋转目标检测算法,用带有角度的旋转框能够更加精确定位目标。首先,在网络Head部分增加解耦角度预测头,预测目标的角度信息;其次,融合坐标注意力机制模块提高模型抑制噪声的能力;最后,在Neck部分引入自适应空间特征融合模块,抑制不同尺度特征图之间融合特征信息时的不一致性,保留有效的信息并进行融合。实验结果表明,所提算法在DOTA数据集上的检测精度达到了73.85%,较原有YOLOv8L模型提升了3.53%。

基于改进YOLOv7的光学遥感图像船舶旋转目标检测

针对在遥感图像复杂背景下船舶目标尺度变化大以及方向任意的特点,提出一种基于YOLOv7改进的光学遥感图像船舶旋转目标检测算法.在骨干网络中融入全局注意力机制(GAM),使模型在复杂背景中更加关注船舶对象;在颈部加入自适应空间特征融合模块(ASFF),消除了特征金字塔内部特征信息不一致的问题;针对船舶比例细长且方向任意的特点,加入了高斯建模表示的旋转框检测,提高了定位精度并保留了船舶目标方向信息.结果表明:改进的算法在保证检测速度的同时,在HRSC2016数据集取得了90.73%的检测精度,检测效果也有所提升.

基于不确定性感知旋转目标检测的二次接线质检

变电站二次接线质检旨在检查端子排上预设的接线编号与二次线缆线帽序号是否匹配。由于二次接线线帽尺寸小、分布密集且朝向各异的特点,传统的水平目标检测算法在该任务上表现不佳,而图像采集过程中的视觉畸变和噪声干扰则加剧了二次接线难例样本的误检。为此,提出一种不确定性感知的实时旋转目标检测算法(Uncertainty-aware Real-time Oriented Object Detection,UROD)并将其应用于变电站二次接线可信质检。具体地,基于YOLOv8算法引入角度回归分支以实现旋转目标检测功能,并对其边界框回归和分类分支分别进行高斯分布建模,UROD能在输出目标检测结果的同时,伴随输出衡量检测结果的不确定性度量,而该不确定性度量又可应用于融合标识有序领域先验的接线成对匹配策略,从而实现二次接线难例样本的拒识。公开数据集DOTAv1与基于真实场景构建的二次接线数据集上的实验结果表明,相比于基线方法YOLOv8,UROD算法较大幅度提升了二次接线质检的精度;而相比于传统的旋转目标检测算法,UROD算法则不仅提升了检测速度,而且能够基于其所感知的不确定性度量对难例样本进行拒识。

基于高斯分布损失的遥感图像旋转目标检测

针对遥感图像目标检测物体长宽比例大、方向任意等特点,一般检测器存在检测精度不高的问题,提出一种基于YOLOv5的遥感图像旋转目标检测,使用旋转回归损失KLD Loss,把旋转矩形包络框转换为高斯分布,提供了更加准确的回归预测,避免了边界问题。实现结果表明,所提算法在DOTA数据集检测精度(mAP50)达到了77.97%,相比基础模型YOLOv5m提升了5.75个百分点。实验证明该算法在高精度的遥感图像旋转目标检测的有效性。

基于旋转去噪Transformer的遥感图像目标端到端检测

提出一种基于旋转去噪Transformer的遥感图像旋转目标端到端检测方法。首先,针对遥感图像滑窗切片时存在目标切断影响网络学习的问题,提出基于密集栅格的遥感图像数据增强方法,提升网络对不完整目标的预测能力。其次,提出旋转去噪Transformer架构的端到端检测网络,采用PVTv2提取多尺度特征,通过Transformer编码器对特征进行聚合与增强,利用Transformer解码器对目标解码,通过分类头和回归头直接实现旋转目标预测,即端到端检测。最后,提出旋转对比去噪学习方法,将去噪学习用于旋转目标检测,加速网络收敛。在2023全国大数据与计算智能挑战赛数据集上,所提方法的m AP达到了98.38%。

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。

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。

基于单级特征金字塔的图像旋转目标检测

遥感图像的目标检测任务是遥感应用领域的一个研究热点,一直受到广泛的关注。随着遥感图像分辨率的提高,遥感图像中目标的多方向性、目标大纵横比等特点更加明显,这对于已有的方法是一个挑战。针对以上问题,提出了基于单级特征金字塔的图像旋转目标检测模型。设计了单级特征金字塔结构,并结合膨胀卷积组获得目标的多尺度特征;使用分类方法处理旋转框的角度信息,结合DETR的集合预测思想,构造新的边界框回归损失,实现无锚框旋转目标检测;为了减少模型计算量并加快收敛速度,在解码器的交叉注意力上加入权重约束,将全局注意力计算限制在局部范围内。在DOTA数据集上的实验证明,该方法在提升模型检测性能的同时,有效地解决了DETR模型收敛速度慢的问题。

基于旋转目标检测的指针式仪表示数识别方法

针对目前指针式仪表示数识别方法实用性差、累计误差大的问题,提出了一种基于旋转目标检测网络的指针式仪表示数识别方法。首先,改进网络模型YOLOv5s,生成旋转目标检测网络,同时,引入密集编码标签,解决旋转目标检测中存在的边界问题,并向模型中引入注意力模块,提升模型获取目标特征的能力;其次,利用网络输出的位置与角度信息对表盘进行倾斜校正和刻度点筛选,省去了对表盘指针进行直线检测的时间;最后,利用角度法完成仪表示数读取。实验证明,该方法读数误差较小,具有一定的抗干扰能力,进一步提高了示数读取的速度和精度。