基于自适应空间融合的遥感图像目标检测器

随着遥感技术的蓬勃发展,日益庞大的遥感数据使得传统的图像处理手段已经不足以满足需求,因此,将深度学习目标检测技术应用于遥感领域成为了最优解决方案。然而,由于遥感图像小目标排列密集、尺度变化剧烈,使得直接将适用于自然场景的目标检测算法迁移到遥感领域的效果不佳。本文选择YOLOX为基础网络进行改进,在特征提取网络后加入自适应空间特征融合结构,将深层特征信息与浅层特征信息融合,提升小目标的识别率。此外,本研究对样本标签匹配策略进行了优化,以解决高长宽比类目标物体角度偏移敏感的问题,并通过修改损失函数降低正负样本不平衡问题带来的影响。我们在遥感图像数据集DOTA上进行训练和测试,实验结果表明,改进的YOLOX算法检测效果更好,mAP达到了79.07%,比YOLOX提高了2.75%。另外,在HRSC2016数据集上也进行了实验,实验证明了模型具有优秀的鲁棒性。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

基于多尺度渐进式特征融合的伪装目标检测

伪装目标检测任务中目标和所处环境具有极大的相似性,只通过简单的特征提取容易使得重要信息丢失,此外,直接聚合不同层特征会引入噪声,导致预测不准确。针对这些问题,本文提出一种基于多尺度渐进式特征融合的伪装目标检测网络。该网络采用金字塔视觉Transformer作为骨干网络提取多尺度特征,利用可变形注意力对提取的多尺度特征增强,以突出伪装目标的边界;然后通过渐进式特征融合模块递增式融合相邻层特征,积累难以分辨但有效的信息,避免非相邻层之间较大语义差距;在融合过程中引入自适应空间融合操作,以减少在同一空间位置发生信息冲突问题;最终输出预测结果,实现伪装目标检测。模型在COD10K和CAMO组成的训练集上进行训练,实验结果表明本文方法与其他方法相比具有较明显优势。

基于自适应空间特征融合的YOLOv5安全帽检测系统设计

在施工现场正确佩戴安全帽能有效地防止和减轻施工人员遭受头部伤害。目前在施工现场对安全帽佩戴的监管主要依赖人工,存在效率低且耗费人力的问题。对此,设计了基于改进YOLOv5的智能安防监控系统,实现安全帽佩戴检测和人员管理等功能。首先,使用改进的YOLOv5网络模型实现安全帽佩戴检测,通过自适应空间特征融合网络学习权重参数来决定输入特征图中各像素点的激活与抑制,充分利用不同尺度特征图在不同空间位置像素点的贡献度,以更好地适应不同尺度的目标检测任务。其次,使用百度智能云进行人脸识别,获取违规人员信息以生成违规通报,并上传到微信小程序,将违规行为记录存档,实现安全生产智能化管理。实验结果表明,相比原始YOLOv5,改进的YOLOv5在安全帽检测任务上的平均准确率提升0.5%。

基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法

针对硬币表面缺陷较小、形状多变且易与背景混淆而不易检出的问题,改进YOLOv3算法并提出基于可变形卷积和自适应空间特征融合的硬币表面缺陷检测算法DCA-YOLO。首先,由于缺陷形状的多变设计了3种在主干网络中不同位置添加可变形卷积模块的网络结构,通过卷积学习偏移量和调节参数来提高缺陷的提取能力;然后,使用自适应空间特征融合网络学习权重参数来调整不同尺度特征图中各像素点的贡献度以更好地适应不同尺度的目标;最后,改进先验锚框比例,动态调节类别权重,优化并对比网络性能,从而提出在主干网络输出特征进行多尺度融合的上采样前增加可变形卷积的模型网络。实验结果表明,在硬币缺陷数据集上,DCA-YOLO算法检测平均精度均值(mAP)接近于Faster-RCNN,达到了92.8%;而相较于YOLOv3,所提算法的检测速度基本持平,在检测mAP上提高了3.3个百分点,F1分数提升了3.2个百分点。

融合滑动注意力机制的钢带缺陷检测算法

针对工业钢带表面缺陷检测存在的小目标识别率差、检测精度低等问题,提出一种融合滑动注意力机制的钢带缺陷检测算法。首先,构建融合滑动注意力主干网络,建模局部自注意力机制全局上下文;其次,提出基于内容重组的上采样算子,通过模型感受野的提升捕获目标周围特征信息;最后,通过可自适应学习的参数引导特征融合模块,抑制模型在训练过程中由于梯度反传而导致的不一致性。工业钢带数据集NEU-DET上的实验结果表明,所提检测算法能够在牺牲较少检测速度的情况下,提升均值平均精度至83.2%.

融合YOLOv5与ASFF算法的海产品目标检测算法研究

针对水下目标检测识别精度低的问题,提出了一种基于改进YOLOv5的水下目标检测方法。通过对比多个注意力机制模块,在YOLOv5骨干网络引入了全局注意力机制模块,增强了特征提取,提高了采集特征的能力,并在YOLOv5模型上融合了自适应空间特征融合算法,实现底层特征与顶层特征融合。验证结果表明,所提算法的识别精度优于原始的YOLOv5算法,平均精度提升了8.5%,检测速度为76帧/秒。

基于加强特征融合的轻量化船舶目标检测

针对基于深度学习的海上船舶目标检测任务中存在检测网络复杂且参数量大、检测实时性差的问题,提出一种加强特征融合的轻量化YOLOv4算法——MA-YOLOv4.首先使用MobileNetv3替换主干网络,引入新的激活函数SiLU并使用深度可分离卷积代替普通3×3卷积降低网络参数量;其次加入自适应空间特征融合模块加强特征融合;最后使用MDK-means聚类算法得到适用于船舶目标的锚框,用Ship7000数据集进行训练和评估.实验结果表明,改进算法与YOLOv4相比,模型参数量降低82%,mAP提高2.57%,FPS提高30帧/s,能实现对海上船舶的高精度实时检测.

基于多尺度特征融合的轻量级异常行为检测模型

针对数据量复杂的视频监控场景下现有的异常行为检测模型对小目标异常行为的准确率不高、计算量复杂的问题,本文提出一种基于多尺度特征融合的轻量级异常行为检测模型。首先将YoloV4主干网络替换为MobileNet网络,有效减少模型的参数总量与计算量;其次在MobileNet的逆残差结构中嵌入自注意力机制加强获取全局语义信息的能力;接着使用自适应空间特征融合结构ASFF(Adaptively Spatial Feature Fusion)优化PANet(Path Aggregation Network)网络结构,使模型获得不同尺度特征数据的权重融合,进一步有效利用浅层特征和深层特征,提高对小尺度目标异常行为的检测精度。实验结果证明,文章提出的模型检测在小目标上平均精度均值达到了85.35%,更适合于视频监控场景下的异常行为检测。

多尺度特征自适应融合的轻量化织物瑕疵检测

织物瑕疵检测是纺织行业保证产品质量的重要环节,针对织物瑕疵检测中存在小目标瑕疵检测困难、不同种类瑕疵长宽比差异大、对实时性要求高等问题,提出一种新的轻量化织物瑕疵检测算法。以YOLOv4网络为基础,使用轻量化网络MobileNetv2为主干网络,有效减少模型参数总量与运算量,以满足实时性需求。在MobileNetv2的逆残差结构中加入CoordAttention注意力模块,将空间精确位置信息嵌入到通道注意力中,增强网络聚焦小目标特征的能力。使用自适应空间特征融合(ASFF)网络改进路径聚合网络(PANet),使模型通过学习获得多尺度特征图的融合权重,从而充分利用浅层特征与深层特征,提高算法对小目标瑕疵的检测精度。采用K-means++算法确定先验框尺寸,并用Focal Loss函数修改模型损失函数,降低正、负样本不平衡对检测结果的影响,解决不同种类瑕疵长宽比差异大及类别不平衡的问题。实验结果表明,相较于YOLOv4算法,所提算法的平均精度均值提高了2.3个百分点,检测速度提升了12 frame/s,能较好地应用于织物瑕疵检测。

基于事件帧与RGB帧融合的水下透明生物检测实验方案设计

为了提高水下透明生物的检测精度,在图像预处理方面,提出用事件相机转化得到的事件帧与RGB帧进行图像的像素级融合,以便加强水下透明生物的边缘特征。在检测方面,提出用改进的YOLOX算法进行水下透明生物检测,改进内容包括:添加自适应空间特征融合模块进行加权融合,充分利用不同尺度之间的特征;使用Focal loss函数,缓解数据集中类别不均衡问题;使用α-iou函数进行更准确的边界框回归,提高定位的准确率。实验结果表明,与传统的YOLOX算法相比,该文提出的算法的mAP提高了2.58%,与Faster R-CNN、SSD等算法相比也有较大提升,证明了该文改进YOLOX算法的有效性与优越性。

基于注意力机制与特征融合的航拍图像小目标检测算法

针对无人机航拍图像背景复杂、目标密集且小目标较多等问题,提出一种基于注意力机制与特征融合的航拍图像小目标检测算法。首先在主干网络部分嵌入多头自注意力机制(MHSA),有效整合全局特征信息;然后添加小目标检测层与BiFPN结构,避免检测小目标时尺度不一导致语义丢失,加深浅层语义与深层语义结合,并在特征金字塔网络输出端后引入自适应空间特征融合(ASFF)模块,提高特征尺度不变性,改善不同尺度特征图的检测精度;其次在特征融合网络中添加CA注意力机制,避免背景信息的干扰;最后使用损失函数MPDIoU,提高收敛速度和回归精度。在VisDrone2019-DET数据集上进行实验,与YOLOv5s相比,改进后算法的mAP提高了7.8%,对小目标检测任务具有较好的检测效果。

基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法

在复杂道路场景中检测车辆、行人、自行车等目标时,存在因多尺度目标及部分遮挡易造成漏检及误检等情况,提出一种基于改进YOLOv5s的面向自动驾驶场景的道路目标检测算法。首先,利用深度可分离卷积替换部分普通卷积,减少模型的参数量以提升检测速度。其次,在特征融合网络中引入基于感受野模块(receptive field block,RFB)改进的RFB-s,通过模仿人类视觉感知,增强特征图的有效感受野区域,提高网络特征表达能力及对目标特征的可辨识性。最后,使用自适应空间特征融合(adaptively spatial feature fusion,ASFF)方式以提升PANet对多尺度特征融合的效果。实验结果表明,在PASCAL VOC数据集上,所提算法检测平均精度均值相较于YOLOv5s提高1.71个百分点,达到84.01%,在满足自动驾驶汽车实时性要求的前提下,在一定程度上减少目标检测时的误检及漏检情况,有效提升模型在复杂驾驶场景下的检测性能。

基于改进YOLOv5的无人机影像道路裂缝检测方法

道路裂缝的出现对道路使用寿命和人车安全带来明显影响,需及时检测出道路裂缝。针对无人机影像中裂缝目标小、图像背景复杂导致检测精度低等问题,本文以无人机采集裂缝图像作为研究数据,提出了一种改进YOLOv5模型的深度学习道路裂缝检测方法。在YOLOv5模型骨干网络中分别加入CBAM、SimAM、CA注意力机制,提高模型对裂缝的识别能力及检测精度,通过消融试验进行对比分析,同时在YOLOv5模型上融入自适应空间特征融合算法,改善裂缝特征提取能力。研究表明,改进后的YOLOv5网络模型相比于原模型,精度得到明显提高,均值平均精度(mAP)提升20.6%,在保证准确性的同时有效提高了检测精度,可为道路裂缝检测提供新的方法。

基于改进PointPillars的3D目标检测算法

针对自动驾驶场景下远距离及遮挡目标识别问题,对PointPillars算法进行了改进。引入了并行的空间注意力和通道注意力机制,增强了目标的位置信息及有用特征通道权重,提高了远距离目标的检测精度。在2D CNN骨干网络中引入了自适应空间特征融合模块,解决了特征拼接的信息丢失问题,提高了遮挡目标的检测精度。基于KITTI数据集在3种不同场景难度下分别对SECOND、PointPillars、改进PointPillars这3种算法进行了定量分析验证,并将改进的PointPillars算法进行可视化分析。定量分析表明,改进PointPillars算法在鸟瞰图模式下目标检测精度最大提升2.75%;在三维模式下目标检测精度最大提升2.93%;在AOS模式下目标检测精度最大提升4.05%,可视化结果表明改进的PointPillars算法能有效检测远距离及遮挡目标。

MEAS-YOLO:改进YOLOv5的水下目标智能检测算法

针对水下光学图像目标检测中图像背景复杂、各尺度目标共存且分布广泛的问题,本文提出一种水下目标检测模型MEAS-YOLO。首先,采用Mosaic和Mixup算法实现训练样本数据增强,提高模型的泛化能力;其次,将高效多尺度注意力机制EMA与YOLOv5网络中的骨干层融合,提高模型的特征提取能力;同时,引入自适应空间特征融合ASFF结构,使模型充分融合不同尺度的特征。最后采用SIoU损失函数,进一步提高检测精度。实验结果表明,本模型在全国水下机器人大赛URPC2020数据集上mAP达到86.4%,较改进前提升2.1%。本模型具有较高检测精度和小模型参量,可为水下目标高效检测提供技术支撑。

一种用于可见光通信信号调制格式识别的改进YOLOv5s算法

针对可见光通信信号在传输中易受信道环境和背景噪声干扰等因素影响调制格式识别精度的问题,提出一种用于可见光通信信号调制格式识别的改进YOLOv5s(You Only Look Once)算法。首先,通过YOLOv5s算法网络输入端引入Mixup数据增强方式,将其与原网络中的Mosaic数据增强方式相结合,提升网络的鲁棒性,并增强算法在不同调制格式信号间的泛化能力;其次,将自适应空间特征融合(ASFF)引入到Neck网络中,充分提取不同层次的特征,提高检测精度。实验结果表明,在混合信噪比条件下,所提改进算法的平均精度均值(mAP)达到了0.903,比原始YOLOv5s算法提升了0.7%,且在信噪比为20 dB时mAP高达0.993。

基于多尺度特征的货运列车风管与折角塞门检测

针对小尺寸列车风管与折角塞门的检测问题,提出一种多尺度特征增强的YOLOv5s检测算法。首先在主干网络Backbone增加了一个大尺寸特征图输出分支,使用C2f(CSP bottleneck with 2 convolution and forward)模块丰富新增特征图的梯度流信息;然后在Neck部分使用自适应空间特征融合增强特征金字塔模型FPN (Feature Pyramid Network)的多尺度特征融合能力,并使用路径聚合模型PAN(Path Aggregation Network)提高目标定位能力;检测头Head拥有4种尺度的特征图,其中新增特征图的尺寸最大,用于增强小尺寸目标的检测能力。实验结果表明,多尺度特征增强的YOLOv5s比原来的YOLOv5s在平均精度mAP(mean Average Precision)上提升了1.5%,优于其他检测器,提升了小尺寸风管和折角塞门的检测能力。

高性能YOLOv5:面向嵌入式平台高性能目标检测算法研究

针对目前深度学习单阶段检测算法综合性能不平衡以及在嵌入式设备难以部署等问题,该文提出一种面向嵌入式平台的高性能目标检测算法。基于只看1次5代(YOLOv5)网络,改进算法首先在主干网络部分采用设计的空间颈块代替原有的焦点模块,结合改进的混洗网络2代替换原有的跨级局部暗网络,减小空间金字塔池化(SPP)的内核尺寸,实现了主干网络的轻量化。其次,颈部采用了基于路径聚合网络(PAN)设计的增强型路径聚合网络(EPAN),增加了P6大目标输出层,提高了网络的特征提取能力。然后,检测头部分采用以自适应空间特征融合(ASFF)为基础设计的自适应空洞空间特征融合(A-ASFF)来替代原有的检测头,解决了物体尺度变化问题,在少量增加额外开销情况下大幅提升检测精度。最后,函数部分采用高效交并比(EIoU)代替完整交并比(CIoU)损失函数,采用S型加权线性单元(SiLU)代替HardSwish激活函数,提升了模型的综合性能。实验结果表明,与YOLOv5-S相比,该文提出的同版本算法在mAP@.5,mAP@.5:.95上分别提高了4.6%和6.3%,参数量降低了43.5%,计算复杂度降低了12.0%,在Jetson Nano平台上使用原模型和TensorRT加速模型进行速度评估,分别减少了8.1%和9.8%的推理延迟。该文所提算法的综合指标超越了众多优秀的目标检测网络,对嵌入式平台更为友好,具有实际应用意义。

改进YOLOX的弱光线道路交通标志检测

针对弱光线环境下道路交通标志检测精度不高、漏检、错检等情况,提出了一种改进YOLOX的融合检测算法。该算法引入轻量级Mobile Vi T Block模块,将CNN和Transformer结合,提高了网络对物体局部和全局特征的学习能力;通过添加自适应特征融合金字塔ASFF,对有效特征层进行加权融合,加快了网络训练收敛速度;并采用Focal Loss替换二元交叉熵损失函数,用以解决因样本少导致分类不准确的问题。实验结果表明,相较于YOLOX算法,改进YOLOX算法mAP值提升了2.89%,参数量减少了6.23 M,可视化实验进一步验证了所提算法可以提高检测精度,有效避免因弱光线导致的漏检、错检现象。