基于注意力机制的水下遮挡目标检测算法

针对水下目标检测任务中存在前景遮挡和背景模糊的问题,文中提出一种基于注意力机制的水下目标检测算法。首先采用图像增强算法改善图像质量。然后在非局部神经网络的相似度函数基础上,融合具有逻辑推理能力的级联相似度函数,增强网络对全局上下文特征的表达能力。随后将改进型非局部神经网络与三分支注意力融合,弥补非局部神经网络丢失的通道特征。最后利用空洞卷积模块置换三分支注意力中的池化操作,减少细粒度信息损失。实验表明,该算法在2020年全国水下目标检测大赛提供的数据集上,使基线方法检测精度由65.66%增长至68.55%,证明了所提算法的有效性。

基于注意力机制改进深度神经网络的遮挡目标检测

目标检测是机器视觉领域一个重要的基础性方向,是以标示出图像中感兴趣目标的真实位置为目的的工作,而图像中的部分目标往往处于被遮挡的状态。由于实际环境中目标被遮挡程度和遮挡目标物体性质不同等因素的影响,提高检测被遮挡目标的准确性是一个难点。该文以一步检测法SSD目标检测算法为基础,在部分卷积层结构中添加注意力机制模块CBAM,有目的地关注特征图中的重要信息以较好地检测被遮挡的小目标。还引入Inception-ResNet-v2网络结构改变SSD算法中特征图的生成方式,并嵌入CBAM改进Inception-ResNet-v2的部分结构,更好地提取关键信息以区分被遮挡目标和干扰项。分别从行人和车辆2个不同目标出发,混合开源数据集和自建数据集进行训练,测试结果表明改进后的模型检测被遮挡目标的效果有所提升。

基于CB-CenterNet的自动驾驶遮挡目标检测

针对自动驾驶场景中被遮挡物体的目标检测问题,提出一种基于改进CenterNet(CB-CenterNet)的无锚点端到端目标检测算法.首先在特征提取网络的基础上设计具有增强复合连接模块的差级级联特征融合结构,并在其中的残差块里添加具有通道与空间跨维度交互的注意力模块,以引导网络模型关注被遮挡的目标;其次在分类和回归支路上添加具有可以控制高斯核形状的改进高斯采样模块,以加快网络的训练速度.在BDD100K数据集上的测试结果表明:改进的CenterNet与三种主流检测算法进行对比,平均精确率均值(mAP)提升2.8%~17.8%,与CenterNet相比mAP提升4.9%,训练速度提升31.1%.

基于多因素贝叶斯的遮挡目标检测

复杂场景中的遮挡现象会造成目标外观信息损失,致使检测过程中容易出现目标遗漏。通过分析目标表示对特定布局的依赖性,提出一种基于多因素贝叶斯的遮挡目标检测方法。首先,使用部件模型提供目标局部区域的候选提议,然后,根据空间布局关系估计部件的可见性概率,并同时考虑目标部件的外观特征和形变位置,最后,构建基于外观、形变、可见性因素的贝叶斯模型,并采用最大化曲线下方面积设计目标检测评价函数,完成多因素权重学习。实验结果证明在PASCAL数据集中的有效性,优于目标检测的现有方法。

深度学习应用于遮挡目标检测算法综述

遮挡目标检测长期以来是计算机视觉中的一个难点和研究热点。目前的深度学习基于卷积神经网络,将目标检测任务作为分类任务和回归任务来处理。当目标被遮挡时,遮挡物会混淆目标之间的特征,使得深度网络不能很好地识别和推理,降低检测器在理想场景下的性能。考虑到遮挡在现实中的普遍性,对遮挡目标的有效检测具有重要研究价值。为了进一步促进遮挡目标检测的发展,对基于深度学习的遮挡目标检测算法进行了全面总结,并对已有的遮挡检测算法进行归类、分析、比较。在对目标检测进行简单概述基础上,首先,对遮挡目标检测的相关背景、研究的难点以及遮挡数据集进行了介绍;然后,对遮挡检测优化算法主要按照目标结构、损失函数、非极大值抑制以及部分语义四方面进行归纳分析,在对各种算法之间的联系以及发展脉络进行阐述后,对各种算法性能进行了比较;最后,指出了遮挡目标检测仍面临的困难,并对遮挡目标检测未来的发展方向进行了展望。

一种基于空洞卷积的遮挡目标检测方法

本文提出了一种基于两阶段目标检测的方法,该方法基于FasterR-CNN模型,以ResNet50为主干网络,利用特征金字塔网络融合多个特征层的上下文信息,并在后续特征图的处理过程中加入空洞卷积,以扩大特征图的感受野,增强对遮挡目标的检测。

面向电力系统现场作业的安全风险管控智能检测算法

针对电力现场作业下的安全管控存在场景复杂、目标多样且部分遮挡而导致智能安全监测困难的问题,提出一种基于YOLOv7-Tiny的改进算法。首先,搭建了YOLOv7-Tiny检测网络,并在该算法框架中融合通道重组的注意力机制,从而有效提升通道之间的交互能力,增强复杂场景下目标区域的显著度;其次,在特征融合阶段,构建基于残差跳连的多尺度特征融合结构Res-PANet(Residual Path-Aggregation Network)来有效融合多尺度目标,提升场景中的多目标检测能力;同时,在模型的输出检测头中结合Swin-Transformer模块,提升模型的感受野,增强模型对特征图的全局感知,提高模型在部分遮挡情况下的检测能力;接着,在训练时采取改进的Mosaic数据增强方式,提升小目标的分布数量,达到丰富目标场景、提高模型泛化能力的目的;最后,以电力人员安全帽及安全服的穿戴、电力围栏以及电力警示牌为安全作业的监测对象进行改进算法的验证,同时采取基于Score-CAM的热力图分析进一步验证模型改进的有效性。实验结果表明:融合改进模型的平均检测精度达90.1%,图像检测速度为46帧/s,在嵌入式硬件Jetson NX上测试推理延时为75 ms,能有效满足电力安全现场检测精度和检测速度的要求。

应对遮挡问题对DeepSORT进行轨迹拟合优化

检测跟踪范式是多目标跟踪的主要研究方向,也是自动驾驶汽车的主要应用框架。完善的检测跟踪范式可以在提高多目标跟踪精度的同时有效降低跟踪框的失真率。然而在现有的先进方法中,这种范式通常会遇到多目标重叠后的ID交换问题,严重影响跟踪精度和轨迹判断。为解决该问题,文中基于经典的DeepSORT算法提出改进方案。首先,在卡尔曼滤波器中添加跟踪框进行置信度的预测和更新,并按降序对更新后的置信度进行排列,在后续匹配中优先匹配预测置信度更高的跟踪目标;然后,比较预测置信度和检测置信度之间的差异,识别出置信度突变的目标,以进行跟踪轨迹的优化和剪枝;最后,使用余弦相似度和交并比(IoU)识别重叠目标,并对重叠目标中置信度最高的目标消失后的轨迹进行多项式轨迹拟合,以纠正错误的ID,完成精确匹配。实证分析结果表明,相比于目前多种先进算法,所提方法的ID交换次数为172,优于其他算法,验证了该算法的可行性和正确性。

改进YOLOv4-tiny网络的狭小空间目标检测方法

针对狭小空间中目标相互遮挡导致轻型检测网络存在大量漏检、分类错误等问题,基于YOLOv4-tiny提出一种自适应非极大抑制(adaptive non-maximum suppression,A-NMS)的多尺度检测方法。在骨干网络引入大尺度特征图优化策略和金字塔池化模型,增强遮挡目标显著区域特征;设计内嵌空间注意力的双路金字塔特征融合网络,提升浅层细节特征与高级语义信息的融合能力;提出区域目标密度与边界框中心距离因子相关联的动态NMS阈值设定方法,并在后处理阶段代替传统IoU-NMS算法,进一步减少漏检。实验结果表明,与YOLOv4-tiny算法相比,改进算法在公开数据集PASCAL VOC07+12和自制数据集上mAP值分别提高2.84个百分点和3.06个百分点,FPS保持在87.9,对遮挡目标的检测能力显著提升,满足移动端对狭小复杂场景实时检测的需求。

深度学习行人检测方法综述

行人检测技术在智能交通系统、智能安防监控和智能机器人等领域均表现出了极高的应用价值,已经成为计算机视觉领域的重要研究方向之一。得益于深度学习的飞速发展,基于深度卷积神经网络的通用目标检测模型不断拓展应用到行人检测领域,并取得了良好的性能。但是由于行人目标内在的特殊性和复杂性,特别是考虑到复杂场景下的行人遮挡和尺度变化等问题,基于深度学习的行人检测方法也面临着精度及效率的严峻挑战。本文针对上述问题,以基于深度学习的行人检测技术为研究对象,在充分调研文献的基础上,分别从基于锚点框、基于无锚点框以及通用技术改进(例如损失函数改进、非极大值抑制方法等)3个角度,对行人检测算法进行详细划分,并针对性地选取具有代表性的方法进行详细结合和对比分析。本文总结了当前行人检测领域的通用数据集,从数据构成角度分析各数据集应用场景。同时讨论了各类算法在不同数据集上的性能表现,对比分析各算法在不同数据集中的优劣。最后,对行人检测中待解决的问题与未来的研究方法做出预测和展望。如何缓解遮挡导致的特征缺失问题、如何应对单一视角下尺度变化问题、如何提高检测器效率以及如何有效利用多模态信息提高行人检测精度,均是值得进一步研究的方向。