基于分组注意力和高斯多尺度的目标检测方法研究

针对现有目标检测网络在特征提取以及多尺度融合方面存在的局限,将分组卷积与高斯金字塔引入深层神经网络中,设计了一种基于分组注意力机制和高斯多尺度融合的目标检测方法。该方法利用图像灰度化、直方图均衡化丰富输入信息,降低光照影响;构建双阶段特征提取结构,采用深度可分离卷积初步提取目标特征后再利用分组注意力结构提升关键信息权重,进一步提炼目标特征;为充分捕获目标多尺度信息,设计了高斯多尺度结构,将不同维度的特征自适应融合后构建高斯金字塔特征,与对应尺度特征联合实现目标检测。通过在ImageNet、MS COCO、PASCAL VOC三个公开标准数据集上的实验结果表明,所提方法目标信息丰富,有效特征提取以及网络尺度不变性都有较大改善,在复杂场景下也具有较高的鲁棒性和泛化能力。

结合轮廓信息递归融合的显著性检测

针对当前显著性检测算法在检测图像目标边界时,由于轮廓信息不能够及时有效地被利用,导致检测目标效果差的问题,提出一种结合轮廓特征信息的显著性检测算法。该算法以深度残差网络的编解码结构为基础,在自下而上的路径中,首先引用一种融合方式交换轮廓特征与显著特征之间信息的单元模块,然后采用递归结构加强融合进行优化,提升轮廓信息的利用率。最后在此基础上,通过特征提取模块从分阶段的网络模型中提取出最有价值的上层特征,并且与真值图进行监督学习,以生成最优的边界预测。在DUT-OMRON、ECSSD等公开数据集上进行实验,结果表明,相对ITSD、F3Net等算法,该算法能够明显提高检测目标边界的精准度。

基于改进YOLO v5的烟包切层断面异物检测方法

当前主流目标检测网络应用于烟包切层断面异物检测时存在召回率低、小目标异物大量漏检误检的问题,针对这一问题,本研究提出一种烟包切层断面异物检测网络YOLO v5-MFF。提出了多特征提取网络、多阶段并行融合机制,增强了网络对小目标异物的特征提取能力;引入ACON类激活函数,使网络根据数据动态选择激活与否及激活函数的表达形式,增强了网络的特征表达能力。实验表明,本研究提出的YOLO v5-MFF对烟包切层断面异物检测的召回率达到了94.2%,比YOLO v5地提升了了4.6%,明显提升了小目标异物的检测能力。

基于HSV和CLAHE的复制粘贴篡改检测算法

针对现有的局部特征提取算法,如尺度不变特征变换、加速稳健特征等对面积较小的篡改区域和平滑区域无法准确提取特征点进行复制粘贴篡改检测的问题,提出了一种基于色调、饱和度、明度(HSV)颜色空间和限制对比度自适应直方图均衡化(CLAHE)的2阶段篡改检测方法.第1阶段,将待检测图像从红、绿、蓝颜色空间转换到(HSV)颜色空间进行加速稳健特征提取;第2阶段,针对平滑区域的篡改,通过CLAHE算法对图像进行特征增强之后,再采用加速稳健特征进行特征提取;然后利用广义2近邻算法进行特征匹配,并利用随机抽样一致性算法剔除错误的匹配点;最后通过形态学操作实现篡改区域的标示定位.实验结果表明,该算法能抵抗小面积区域和具有非显著视觉特征的平滑区域复制粘贴篡改,并对旋转、缩放等后处理攻击具有一定的鲁棒性.