基于深度学习的车载影像交通标志检测方法研究

对车载影像交通标志检测问题进行研究,提出一种基于深度学习的交通标志检测模型。首先在模型骨干网络内设置特征聚焦层以实现输入影像的无损下采样,进而以瓶颈结构搭建特征提取层;然后在特征金字塔中通过多尺度特征融合结构获取并输出3个不同尺寸特征图;最后,通过自适应锚点框机制输出检测结果。实验结果表明:所提出模型在各类别检测精度方面表现一致,在综合检测精度上显著优于对照组模型,能够实时输出检测结果,在高精度地图生产以及无人驾驶领域具有重要应用价值。

一种改进复杂场景下小目标检测模型的方法

复杂场景下小目标检测是目标检测领域的研究难点和热点。传统的two-stage和one-stage检测模型都是通过预先设定锚点框与真实目标框的交并比(intersection over union,IoU)阈值来划分正负样本集,同时这组预定义的固定锚点框还用于获取候选框,进而得到检测结果。然而,在复杂场景下,预先设定的IoU阈值会带来正负样本不均衡问题;针对小尺寸目标(船舶)检测,预定义的锚点框也很难保证覆盖目标的位置和密度,因此限制了检测模型的准确率。为了解决上述问题,提出自适应锚点框(adaptive anchor boxes,AAB)的方法优化目标检测网络,采用基于形状相似度距离的聚类算法生成锚点框,提高目标区域定位技术;采用利用聚类的锚点框计算自适应IoU阈值(adaptive threshold selection,ATS),划分正负样本,保证样本均衡。对复杂场景下的小目标(船舶目标)进行检测,实验结果表明,采用自适应锚点框方法和自适应阈值选择方法的目标检测模型在复杂场景中检测均能提升准确,对比faster R-CNN、FPN、Yolo3和pp-Yolo,融合了上述新方法的模型均提升了检测准确率,分别提升了9.6、2.6、9.8和9.9个百分点。

基于YOLO-v5的星载SAR图像海洋小目标检测

针对星载合成孔径雷达(SAR)图像中的小目标检测,提出了一种基于YOLO-v5的算法。首先根据目标在图像中占比很小的特点,对深度学习网络进行优化;其次通过自适应锚点框算法重新设置锚点框大小,加快模型训练的收敛速度;最后嵌入GDAL模块,使得检测头能够直接读取被检测目标的地理位置信息。实验结果表明本文提出的方法具有较强的泛化能力,能够有效检测出大范围海面上的船舶目标,检测速度较快,漏检率低。