基于轻量级网络的小目标检测算法

针对YOLOv5算法在检测小目标时存在准确率较低的情况,提出旨在提高小目标检测准确率的轻量级网络KOS-YOLOv5算法。首先采用K-means++聚类技术选择一组合适的锚框尺寸作为模型的先验,对小目标实现更精确的锚框尺寸,使模型能适应不同大小的目标;其次利用简化正负样本分配策略(SimOTA)进行动态样本匹配,更好地优化损失函数;最后将空间上下文金字塔(SCP)模块集成到算法检测层中,促使骨干网络更加关注小目标的特征信息,用以增加目标特征提取能力,提高目标的检测准确率。结果表明,改进后的KOS-YOLOv5算法与传统的YOLOv5模型进行比较,算法在检测精确度(P)方面提高了4%,召回率(R)方面提高了2.4%,平均检测精度(mAP)提高了3.1%,损失函数值(Loss)降低了5%,最终检测精度为95.38%。

融合图像显著性特征的轻量级目标检测算法

针对智能车辆在实际交通环境中面临的目标密集、边缘严重遮挡和前景背景模糊的问题,本文提出了一种融合图像显著性特征的轻量级目标检测算法。首先基于灰度图像提取出显著性特征图,和彩色图像分别输入卷积神经网络。其次采用轻量化模块(ghost model)搭建轻量级融合网络,并使用EIoU优化模型的边框定位损失。在网络后端将非极大值抑制算法进行改进,以此提高网络对同类别遮挡目标的检测准确率。最后在KITTI数据集上进行训练和测试。实验表明,改进后的网络mAP达到92.7%,相比原始网络YOLOv5平均精度提高3.8%,精确率和召回率分别提高3%和6.2%。

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10^(9)次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。

YOLOv4-Tiny的改进轻量级目标检测算法

目标检测是深度学习的重要分支领域,大量的边缘设备需要轻量级的目标检测算法,但现有的轻量级的通用目标检测算法存在检测精度低、检测速度慢的问题。针对这一问题,提出了一种基于注意力机制的YOLOv4-Tiny的改进算法。调整了原有的YOLOv4-Tiny算法的主干网络的结构,引入了ECA注意力机制,使用空洞卷积改进了传统的SPP结构为DC-SPP结构,并提出了CSATT注意力机制,与特征融合网络PAN形成CSATT-PAN的颈部网络,提高了网络的特征融合能力。提出的YOLOv4-CSATT算法和原始YOLOv4-Tiny算法相比,在检测速度基本持平的情况下,对于信息的敏感程度以及分类的准确程度有了明显的提高,在VOC数据集上精度提高了12.3个百分点,在COCO数据集上高出了6.4个百分点。在VOC数据集上,相比Faster RCNN、SSD、Efficientdet-d1、YOLOv3-Tiny、YOLOv4-MobileNetv1、YOLOv4-MobileNetv2、PP-YOLO算法在精度上分别高出3.3、5.5、6.3、17.4、10.3、0.9和0.6个百分点,在召回率上分别高出2.8、7.1、4.2、18.0、12.2、2.1和4.0个百分点,FPS达到94。通过提出CSATT注意力机制提高了模型对于空间的通道信息的捕捉能力,并结合ECA注意力机制和特征融合金字塔算法,提高了模型的特征融合的能力以及目标检测精度。

基于轻量级神经网络的小尾寒羊面部识别

为实现羊只面部身份快速识别,本文以自建数据集为研究对象,提出了一种基于SSD的轻量化检测算法。首先该算法将SSD的主干网络VGG16替换成轻量级神经网络MobileNetv2,构建了一种轻量化混合神经网络模型。其次在特征提取网络参数量为1122×32的bottleneck层前端和72×160的bottleneck层后端分别引入CA、SE、CBAM和ECA注意力机制,实验结果表明72×160的bottleneck层后端引入ECA注意力机制是最优的。最后将smoothL1损失函数替换成BalancedL1损失函数。最优模型(SSD-v2-ECA2-B)模型大小从SSD的132MB减小到56.4MB,平均精度均值为81.16%,平均帧率为64.21帧/s,相较于基础的SSD模型平均精度均值提升了0.94个百分点,模型体积减小了75.6MB,检测速度提高了5.23帧/s。利用相同数据集在不同目标检测模型上进行对比试验,与SSD模型、Faster R-CNN模型、Retinanet模型相比,平均精度均值分别提升了0.36、2.40和0.07个百分点,与改进前的模型相比具有更好的综合性能。改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,为畜牧养殖数字化和智能化提供方法参考,具有较高的应用价值。

基于BP神经网络的目标识别算法和多源感知技术相融合的GIS性能检测方法

针对传统多源感知检测方法在气体绝缘全封闭组合电器(Gas Insulated Switchgear, GIS)作业中性能检测数据准确度不足的问题,设计了一种基于目标识别算法和多源感知技术相融合的GIS性能检测方法。在传统性能检测技术中引入以BP神经网络为核心的目标识别算法,通过BP多层神经网络,实现了高效地数据目标提取,大幅提高了数据检测的准确度。为解决单一传感器不能完整地捕捉复杂环境信息的问题,基于多源感知技术,采用多个传感器对多个数据源进行综合感知,扩展了环境视角与信息维度,实现了对周围环境的全方位监控,使检测系统获得了更为理想的数据检测能力。在实际GIS运行环境中进行实地检测,将所提出的改进多源感知方法与传统多源感知方法进行了实验对比。结果表明,所提方法能够将GIS性能检测的准确度提高至98%以上。

多层卷积网络目标识别算法在烟丝宽度检测中的应用研究

为了提高烟丝宽度检测效率,提出一种多层卷积网络目标识别算法。该算法以YOLOv3为基础结构,通过添加特征层、注意力机制、空间金字塔结构、改进聚类函数和损失函数的方式,实现了对传统识别算法的改进优化。基于多层卷积网络目标识别算法构建烟丝宽度检测模型,通过获取图像中目标烟丝宽度,完成对烟丝宽度的精准检测。烟丝的主客观识别效果与宽度检测结果表明:该算法能够较好地保留烟丝轮廓细节,具有较强的识别能力和较高的检测精度,交并比、精准度、AUC分别达到了0.966、0.969、0.963,且检测最大误差为-0.073 mm,相对误差较低。实验结果证实该算法对烟丝宽度检测具有较高的实用价值,大大提高了检测精度。

基于YLG-CNN网络的目标识别与抓取位姿检测技术

针对现有的抓取位姿检测算法难以实现高精度按类抓取的问题,设计了一种基于深度和语义信息的抓取位姿检测网络YLG-CNN。首先,对抓取检测算法GG-CNN进行改进,在特征提取模块添加残差结构,以融合不同层次的特征,提升检测模型对深度信息的理解能力,在残差结构末端引入CBAM注意力机制,使宜于作为抓取中心的热力像素点获得更高的热力值,得到更为可靠的抓取位姿;其次,通过YOLOv5算法获取待抓取目标的类别,并将其映射到改进GG-CNN所输出的抓取热力图中,为每个抓取点赋予抓取对象的语义信息,实现按类抓取。最后,设计了一套基于机器人操作系统(ROS)的3D视觉智能抓取系统,通过真实抓取实验验证所提方法。实验结果表明,所提的残差注意力抓取网络可抓取精度达到78.2%,较次优算法GGCNN+CBAM提高6.8%,并且YLG-CNN分类抓取网络能够实现高精度的分类抓取,其平均抓取成功率达到78.3%,较于GG-CNN+YOLOv5算法提升了17.1%。

基于YOLO优化的轻量级目标检测网络

目标检测是计算机视觉领域中一个相当活跃的研究领域,通过设计大型的深度卷积神经网络来提高目标检测的精度是一种十分有效的方法,然而目前在内存受限的应用场景中并不支持部署大型目标检测网。针对以上问题,文中提出了一种基于You Only Look Once(YOLO)系列单镜头目标检测网络设计原则的轻量级目标检测网,融合了GhostNet中的Ghost Module模块,并参考了MobileNet-v3中的通道注意力模块SE(Squeeze-and-Excitation),在卷积块中加入更优的ECA(Efficient Channel Attention)模块可以更好地利用可用的网络容量,使得网络在减少体系结构和计算的复杂度以及提升模型性能之间实现强的平衡;并且采用了Distance-IoU loss来解决检测框定位不准的问题,有效地提升了网络的收敛速度。最终模型的参数数量被压缩到了1.54 MB,小于YOLO Nano(即4.0MB),并且在VOC2007测试集上的mAP达到了72.1%,高于现有的YOLO Nano(即69.1%)。

面向陆战场目标识别的轻量级卷积神经网络

在实际陆战场环境中,作战人员无法随身携带GPU等大型计算设备,因此较难计算规模较大的神经网络参数,进而导致目标识别网络无法实时工作。现有的轻量级神经网络虽然解决了实时性的问题,但是不能满足准确率的要求。为此,文中提出了一种基于轻量级卷积神经网络的目标识别算法(E-MobilNet)。为了提升网络学习的效果,以现有深度学习的主要目标检测框架MobileNet-V2为基础,插入一种ELU函数作为激活函数。首先,使用扩张卷积来增加通道数,以获得更多的特征;接着,通过ELU函数激活输出特征,这样可以缓解线性部分的梯度消失,并且使非线性部分对输入变化的噪声更鲁棒;然后,通过残差连接的方式组合高层特征与低层特征的输出;最后,将全局池化的输出结果输入Softmax分类函数。实验数据表明,在同样的测试集和测试环境下,与现在主流的轻量级深度学习目标识别算法相比,E-MobileNet识别的准确率和每秒检测的帧率都有所提升。实验数据充分说明,使用ELU激活函数和全局池化层减少了参数的数量,增强了模型的泛化能力,提升了算法的鲁棒性,在保证神经网络模型轻量级的基础上有效地提高了目标的识别准确率。

基于轻量级网络的装甲目标快速检测

针对战场环境下装甲目标的检测任务,提出一种基于轻量级网络的快速检测方法.首先以轻量级卷积神经网络MobileNet 作为骨架网络,构建一个多尺度的单步检测网络;然后针对装甲目标的尺寸分布情况使用分辨率更高的卷积特征图,并在每个检测单元上新加入一个残差模块,增强了对小尺度目标的检测能力;最后引入focal-loss损失来替代传统的交叉熵损失函数,有效地克服了训练过程中存在的正负样本分布极度不平衡的问题.针对装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的单步检测方法进行了训练和测试,实验结果表明,该方法在检测精度、模型容量以及运行速度上均取得了较好的效果,对于无人机等小型移动侦查平台具备良好的适用性.

增强型轻量级网络的红外小目标检测

当前红外小目标检测方法存在一定的缺陷,如检测精度低,易受外界环境干扰。为了实现高精度红外小目标检测,提出基于增强型轻量级网络的红外小目标智能检测方法。该方法采集红外小目标的红外图像,采用小波变换对红外图像进行预见处理,然后提取红外小目标检测特征,并采用增强型轻量级网络技术实现红外小目标智能检测。经测试分析证明:该方法的红外小目标采集数量正确比重为1左右,受外界环境干扰较小,频谱有效带宽信号频率集中在275 kHz附近;红外小目标检测边界相对误差均为1%左右,边界绝对误差低于1 mm,检测精度高于98.2%,检测时间低于5.9 ms,提高了检测效果。

Rapider-YOLOX:高效的轻量级目标检测网络

作为一种轻量级网络结构,YOLOX-Nano具有运行速度快的优势。然而,该网络在实际应用中仍然存在特征提取能力较弱、检测精度不足的缺陷。为此,提出了一种综合平衡检测速度和检测精度的高效目标检测网络Rapider-YOLOX。首先,设计高效瓶颈模块,以提升原始YOLOX-Nano模型中深度卷积模块的特征提取能力。其次,设计软空间金字塔池化模块,以避免原始SPP模块容易出现丢失部分重要信息的现象,进一步提升多尺度信息融合及通道间信息交流的能力。最后,引入CIoU损失,利用预测框与真实框的中心距离及宽高比提升预测框的位置精度。在PASCAL VOC2007数据集上的实验结果表明,提出的Rapider-YOLOX模型的mAP达到77.92%,比原始YOLOX-Nano高3.79%。此外,在CUDA核心数仅为384的GT1030上,FPS达到45.40,在CPU上FPS也可达到23.94,从而在确保网络轻量级特性的同时,进一步提升了网络的检测精度和泛化性能。

轻量级神经网络与遥感图像目标检测

为解决深度神经网络在对遥感图像进行目标检测时网络参数庞大、计算效率低下的问题,本文提出了一种轻量级神经网络模型G-YOLOv3。G-YOLOv3算法网络的主要构件为嵌套残差块,每个残差块中都包含了本征特征图与相似特征图,且残差块中添加注意力机制,增强了网络的学习能力,降低了网络所需参数和计算复杂度,提高了目标检测速度。实验结果表明,相较于YOLOv3,G-YOLOv3模型参数量减少三分之一,准确度提升3.6%,检测速度提升43.7%,具有算法体积小、准确率高、检测速度快的特点。

基于深度学习的轻量级目标检测网络综述

目标检测指的是在给定的图片中,找出我们想要关注的目标,比如行人、车辆、动物等实例对象,其在视频跟踪、人体姿态识别等复合任务中也至关重要。轻量级目标检测网络虽然舍弃部分精度,但仍足以应用在工业领域,同时因其检测速度较快,符合终端应用的实时性要求,因此受到了广泛的关注。本文列举介绍了近十年内的流行轻量级目标检测网络算法,并采取实验进行比较,最后作出总结并对未来前景进行了展望。

面向遥感图像实时目标检测任务的轻量级神经网络设计与实现

神经网络的表征能力给遥感图像目标检测任务提供了一个的便捷工具。然而,目前主流神经网络模型计算代价高限制了其在遥感图像实时目标检测任务的应用。提出一种轻量级神经网络模型用于遥感图像实时目标检测。实验结果表明,文中提出的方法在保持与Yolov3检测精度相当的情况下,模型大小约为Yolov3的十五分之一,网络模型在目标检测精度以及计算开销上可达到更好的均衡。

轻量级深度可分离混合卷积神经网络的目标检测算法

本文在传统的SSD(Single Shot Detection)目标检测算法的基础上,替换原有的大型VGG前馈网络为本文创新提出的轻量级深度可分离混合卷积神经网络Mixmobilenet,使得整体目标检测模型参数量下降。之后加入FPN(Feature Pyramid Network)多尺度特征融合方法和集中损失函数(Focal Loss)。综合上述,本文创新提出轻量级深度可分离混合卷积神经网络的目标检测算法Mixmobi lenet-FFSSD,通过实验表明在PASCAL VOC数据集上准确率达到72.5mAP,参数量仅为6.6M,该目标检测算法在参数量、准确性和实时性方面均具有较好的表现,适合于嵌入式智能设备终端的高效目标检测需求。

改进Shufflenetv2_YOLOv5的轻量级SAR图像舰船目标实时检测

针对当前SAR图像舰船目标检测实时性不高、准确率较低等问题,提出了一种改进Shufflenetv2_YOLOv5的轻量级目标检测模型。首先对YOLOv5网络的主干网络进行改进,在对比了MobileNetv2、Shufflenetv2两种轻量级网络的效果之后,构建了Shufflenetv2_YOLOv5网络。引入Transformer结构和双重注意力机制模块对Shufflenetv2_YOLOv5网络进行改进,以增强舰船目标的特征表达。使用FReLU替换原YOLOv5的激活函数,进一步提高网络的性能。同时,提出一种新的损失函数,增强舰船目标的定位效果。实验结果表明,本文算法在SSDD数据集上的准确率为80.2%,FPS为193帧/s,在保证精度的情况下,实现了SAR图像舰船目标实时检测。

改进轻量级卷积神经网络的复杂场景口罩佩戴检测方法

针对复杂光照和人脸倾斜条件下口罩佩戴检测准确率低的问题,提出一种利用轻量级卷积神经网络在复杂环境下的口罩佩戴检测方法.该方法利用难样本挖掘预训练学习更多的人脸特征,结合多任务级联卷积神经网络先判别是否有人脸信息,对其进行精准的人脸定位;在特征金字塔网络中添加注意力机制,增强了人脸关键点信息的权重,利用轻量级神经网络将口罩佩戴检测视为简单的二分类问题进行判断.在TensorFlow的环境下完成了数据训练、数据预处理、与AIZOO方法对比实验,收集建立了包含816张图片的数据集进行标注并训练;在对数据进行预处理操作时先将图片设定为固定大小以降低运算量,提高检测速度,再利用图像增强算法进行扭曲处理提高模型的鲁棒性.在此基础上,利用MTCNN检测图片中的人脸并对其进行修正和归一化操作,然后传入神经网络并利用已经训练好的模型进行检测.实验结果表明,在复杂光照和人脸倾斜等复杂条件下,文中方法的准确率分别达到83%和91%,可以有效地进行口罩佩戴检测.

面向多目标图像检测的轻量级SSD网络

伴随着更低成本和更高性能的工业需求趋势,如何解决神经网络模型中的计算复杂度过高问题就显得尤为重要。为降低原始SSD图像目标检测与识别算法的复杂度,该文提出了一种改进SSD的轻量级网络模型SL-SSD。首先,使用轻量级卷积神经网络ShuffleNet替换了原始SSD网络中的VGG-16模块,降低了网络的计算复杂度;其次,在原始SSD网络的附加特征提取模块上,并行使用小、中、大三种尺度的空洞卷积特征提取方式,实现了网络参数共享、降低了网络复杂度,提升了对小目标的检测精度。最后,在PASCAL VOC07+12标准图像数据集上进行数据实验。结果表明,SL-SSD网络模型在Nvidia GeForce RTX 1080 GPU上取得了70.5%的平均检测精度,达到134MFLOPs计算力。相比于原始的SSD算法以及大部分目标检测算法,改进的算法较好地平衡了检测与识别精度及计算力之间的关系。