改进YOLOv5的无人机航拍图像密集小目标检测算法

无人机航拍图像中小目标实例多、尺寸变化剧烈且存在密集遮挡等问题,为解决现有目标检测算法难以检测到航拍图像中的小目标物体,提出了一种针对密集小目标的RDS-YOLOv5检测算法。在YOLOv5的三个检测层上新增一个小目标检测层,以保留更丰富的特征信息,增强网络对小目标特征的提取能力,并改善误检漏检情况;为了提高网络的多尺度特征表征能力以及抑制冲突的产生,设计了具有等级制的残差结构的多尺度特征提取模块C3Res2Block;使用解耦检测头Decoupled Head避免不同任务之间的差异所带来的预测偏差,提升了模型的定位精度和检测精度;采用软化非极大值抑制Soft NMS算法对候选框的置信度进行优化,提高模型对密集小目标的检测精度。通过VisDrone数据集的实验结果表明,与基准模型YOLOv5相比,RDS-YOLOv5在mAP0.5上提升了12.9个百分点,mAP0.5:0.95上提升了10.6个百分点,与目前主流的目标检测算法相比也取得更优的检测精度,能够有效完成无人机航拍图像的密集小目标检测任务。

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks,R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid,RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。

基于改进RetinaNet-GHM算法的钢板表面缺陷检测

针对传统钢板表面缺陷检测方法效果差、缺陷定位不准确等问题,提出一种基于改进RetinaNet-GHM的深度学习检测算法。首先,引入路径聚合特征金字塔网络融合浅层和深层语义信息,提升网络对小目标的检测效果;然后,使用GHMC和GHMR损失函数对缺陷进行分类和定位;最后,引入高斯形式的软化非极大值抑制算法,提高检测精度。实验结果表明,改进的RetinaNet-GHM算法的平均精度均值为76.7%,裂纹、夹杂、斑块、麻点、压入氧化铁皮以及划痕六类缺陷的平均精度分别为45.2%、88.2%、94.2%、86.1%、65.1%和87.4%。通过与其他经典算法相比,改进的RetinaNet-GHM算法具有较好的检测效果.

基于改进DenseNet的水果小目标检测

针对自然环境中小目标水果的检测精度普遍较低的问题,提出基于DenseNet改进的水果目标检测框架.构建以DenseNet为核心的多尺度特征提取模块,在DenseNet不同层级的稠密块中建立特征金字塔结构,加强网络层特征复用.结合低层特征的高分辨率和高层特征的高语义性,实现准确定位和预测小目标水果存在的目的.引入软阈值非极大值抑制(Soft-NMS)算法,改善簇状果实结构中检测框被误剔除的情况.与常用的Faster R-CNN网络相比,所提出的框架在苹果、芒果和杏3个数据集中的平均检测速度大于40 FPS,F1值分别为0.920、0.928、0.831,实现了检测效率及精度的提升.

基于改进R-FCN的车辆目标检测方法

针对传统方法对实际环境中车辆检测精度不高的问题,提出基于深度学习中R-FCN模型进行车辆检测的方法。基于全卷积网络,结合多尺度训练使模型能够学习到不同尺寸车辆的抽象特征,在训练过程中引入可变形网络提高模型对目标变换的自适应能力,使用软化非极大值抑制的方法减少复杂环境中目标的漏检率。利用Udacity数据集进行训练和测试,实验结果表明,提出方法与R-FCN模型相比,检测的平均准确度提高了4.3%,对实际场景下的车辆有着良好的检测效果,网络具有一定的鲁棒性。

基于DeR-FCN模型的车辆检测算法

针对复杂城市环境下天气、光照、目标尺度以及车辆之间的遮挡等因素影响带来的车辆检测精度较差问题,提出一种改进区域全卷积网络的车辆检测算法(DeR-FCN)。通过特征级联的方式,跨层连接融合车辆底层细节特征和高层语义特征;使用维度分解区域提议网络,获得更加精准的区域候选框;在预测阶段采用软化非极大值抑制的方法,输出更加准确的检测结果。为验证算法的有效性,在KITTI和PASCAL VOC数据集,使用DeR-FCN算法和常用的车辆检测算法进行对比实验,实验结果表明,DeR-FCN算法的检测精度高于其它方法。

基于改进的Faster R-CNN目标检测算法

目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。