面向工业目标检测的密集控制阀零件数据集

工业生产中的自动化智能化离不开自动目标检测,而高准确性的自动目标检测则依赖于与实际场景相适应的数据集。本文针对工业实际场景,发布了一个密集控制阀零件数据集,命名为PD4CV(Part Detection for Control Valve)2023。该数据集的图像全部来源于控制阀生产车间,图像采集完成后,首先对数据集图片进行预处理操作,接着对数据集图片中的零件目标进行标注,然后再对数据集图片进行训练集、验证集以及测试集的划分。PD4CV2023数据集共涵盖9类零件,包括510张工盘图像和15 015个零件样本,平均每张图像含有约29个零件样本。与现有的目标检测数据集相比,该数据集具有零件摆放密集、遮挡,零件尺寸差异大,部分零件外形相似,零件样本数量不均衡等特点。最后,在不同类型数据集上的预训练对比实验表明,一般场景数据集、特定工业场景数据集只适用于一般和特定任务,而代表实际控制阀生产工况下的PD4CV2023数据集,可用于控制阀零件目标检测,其具有其特殊性和不可替代性;一系列目标检测算法在该数据集上的综合对比则验证了PD4CV2023数据集在一般性目标检测、多尺度目标检测、小规模、不均衡数据下目标检测中的有效性。PD4CV2023数据集可用于面向工业的目标检测的相关研究。

面向目标检测的数据集标签遗漏的协同修正技术

针对图像标注中疲劳、粗心等因素引起的标签遗漏现象,使得模型训练时难以正确区分正负样本,进而影响模型性能。设计了一种协同修正技术,通过多次迭代更新训练集,将潜在无标签的目标进行对象擦除,降低训练集的错误监督信息,避免人工的重复检查和重复标注。该方法无需进行算法参数调整、不依赖具体网络结构,低成本地减少数据集错误从而提升模型训练精度。在YOLOv5算法的实验基础上表明协同修正操作仅迭代1次即有明显的改善效果,并在多个公共数据集上能够提升0.4%~1.4%的检测精度,当数据集中的标签遗漏率达到40%时依然能够生效。该方法对数据集中样本的数据量和类别数没有限制,可应用于电商、遥感、通用等多种目标检测场景,保持着较好的鲁棒性和泛化性。

目标检测数据集研究综述

【应用背景】目标检测是计算机视觉的基本研究问题之一,目标检测数据集是评估目标检测方法性能的基础。【目的】对目标检测领域发展过程中产生的数据集进行分析和介绍可以有效地揭示目标检测数据集的特点、发展趋势以及检测研究面临的主要问题,从时间和领域的角度展现目标检测数据集的现状,一定程度上也可以为研究人员提供数据集使用参考。【方法】主要从目标检测领域通用数据集和包含行人检测、人脸检测、交通道路场景目标检测、航空遥感检测、文本检测多个应用场景的特定领域数据集两个角度出发,关注数据集的挑战性,列举分析应用最为广泛且具有差异的数据集,给出不同场景数据集的图像示例并分析其主要挑战。【结论】对目标检测领域数据集进行介绍的同时,也揭示了目标检测数据集的重要意义、不同场景下的挑战性和特点以及构建目标检测数据集的主要挑战与未来发展趋势。

复杂道路监控场景下的车辆检测与跟踪数据集

针对现有大部分车辆检测与跟踪数据集通常存在的采集场景单一、数据集长尾分布以及图像采集环境简单等问题,本文构建一个车辆数据集VeDT-MSS,用于城市以及乡村监控场景下4种车辆类别(小汽车、卡车、公交车和摩托车)的检测以及跟踪研究。该数据集具有交通场景多样化、卡车的类内多样性大、摩托车标注实例占比高以及背景复杂程度高4个显著特性。为了验证该数据集的有效性,在目标检测以及多目标跟踪任务上进行了大量的基线实验。实验结果表明,VeDT-MSS数据集在评估现有算法的鲁棒性和泛化性方面具有实用性。该数据集的提出对促进车辆检测与跟踪研究具有相当的潜力,并为计算机视觉社区评估算法性能提供一个新的数据选择。

中国河南省2016-2021年尾矿库目标检测数据集

尾矿库是矿山开采所必需的基础设施,同时也是具有高势能的人造泥石流风险源。遥感图像的尾矿库目标检测是对其在图像上进行识别和定位,相对于传统方法,采用深度学习对遥感图像中的尾矿库进行目标检测在精度、稳定性和效率上都有明显改善,但是需要高质量的训练数据集。本研究基于多年的国产高分卫星遥感图像,经过数据处理、人工解译标注、图像切片等步骤,构建了中国河南省区域的尾矿库目标检测数据集,并开放共享。本数据集有以下几个特点:(1)国产高分辨率光学遥感卫星图像尾矿库目标检测数据集,包含1183个切片,1728个目标实例;(2)多时相数据集,提供2016年、2018年、2020年和2021年总共4个不同年度的样本数据;(3)目标标注采用倾斜框,图像背景干扰少。利用本数据集可以进行深度学习尾矿库目标检测模型开发的技术研究和进行尾矿库的自动化、智能化检测,对于推动尾矿库自动提取技术的发展和尾矿库的安全监管具有重要意义。

一种基于YOLOv4的密集人群小目标检测方法

针对密集人群中由于视觉受阻和目标被遮挡导致小目标检测精度不佳的问题,本文基于YOLOv4模型将卷积块–像素块注意力机制模块(convolutional-pixel block attention module,CBAM-PIX)融入主干网络CSPDarknet53,并利用级联思想改进特征融合网络。注意力机制方法和特征融合方法不仅提升了数据的丰富性,而且提高了空间通道像素提取信息的能力和目标检测的准确性。此外,通过减少网络层数降低计算量和减少参数,提高了网络模型在有限计算资源和设备需求下的适应能力。实验结果表明,改进的模型算法在用于密集人群小目标检测时精确度提升了1.96%,且鲁棒性强。该算法为解决复杂背景下密集人群小目标检测提供了有效的解决方案,具有应用价值。

基于前视声呐图像的AUV目标识别与跟踪

声呐图像由于水体不均匀、边界不规则以及声呐设备本身性能的限制,导致图像噪声明显、亮度不均、分辨率低,使得水下AUV装备在使用前视声呐进行水下目标检测时难度较大。针对该问题,基于m750d声呐探测获得的AUV声呐数据,进行了数据提取、高斯滤波处理、扇形映射处理,并采用Jet映射对声呐灰度图像进行了伪彩色映射提高数据标注速度和精度,制作获得了4组2 500张声呐图像的AUV目标检测数据集;采用YOLOv4-tiny目标检测算法开展AUV目标检测研究,研究结果表明该方法在该数据集上表现优秀,mAP@0.50达到94.17%,FPS在22帧左右,说明该轻量级网络在水下AUV目标识别与跟踪应用上具有较好的应用价值。

基于PyQt的目标检测数据集自动采集软件设计与实现

目标检测数据集中的样本数量及差异性对网络检测性能具有重要影响。通过人工标注图像的方式生成数据集耗时又费力,因此设计一款目标检测数据集自动采集软件。该软件可以检测RTSP视频流、图片文件及视频文件,通过预训练好的轻量化检测网络得到目标位置类别及定位信息,生成标注文件并保存到本地。实验结果表明,该文软件在不同的平台上均可运行,其数据集采集速度相比人工标注有显著优势。

基于边卷积与瓶颈注意力的点云三维目标检测

点云数据的高度稀疏特性使当前大部分基于点云的三维目标检测算法对点云的局部特征学习不足,且点云数据包含的部分无效信息会干扰目标检测。针对以上问题,提出了一种基于边卷积与瓶颈注意力的三维目标检测模型。首先,构建多层边卷积(Edge Convolution,EdgeConv),针对点云中的每个点,通过寻找特征空间上与其最接近的K个点,以构建K-近邻图结构,并学习点云的多尺度局部特征;其次,设计适用于三维点云数据的瓶颈注意力模块(Bottleneck Attention Module,BAM),每个BAM包括一个通道注意力模块和一个空间注意力模块,用于增强对目标检测有价值的点云信息,提升网络模型的表征能力。网络以VoteNet为基线,多层边卷积和BAM模块依次加入PointNet++网络和投票模块之间。模型在SUN RGB-D和ScanNetV2公共数据集上进行实验,并与13个当前先进的三维目标检测算法进行对比。实验结果表明,对于SUN RGB-D数据集,所提模型在交并比(Intersection over Union,IoU)为0.5时的平均精确率mAP@0.5达到了最高,并在床、椅子、办公桌等6个对象类别(共10个类别)达到最优准确率(AP@0.25);对于ScanNetV2数据集,模型的mAP@0.25和mAP@0.5均达到最优,并在椅子、沙发、照片等10个对象类别(共18个类别)达到了最优准确率(AP@0.25)。与基线VoteNet相比,所提模型在两个数据集上的mAP@0.25分别提升了6.5%和12.9%,消融实验证明了所加入的边卷积模块和瓶颈注意力模块的有效性。

基于深度学习的小目标检测基准研究进展

小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务,小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难,还有小目标检测基准,即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测,本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集,并从相对尺度和绝对尺度(目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根)对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外,从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时,在6个数据集上对典型评估指标(评估指标+目标定义、评估指标+单目标类别)下的代表性小目标检测算法进行性能的深入分析与比较,并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员,进一步促进小目标检测的发展.

基于分部特征计算的轻量化非结构目标检测

针对非结构化场景(工地、矿场)缺少特殊目标的通用数据集、复杂特征难以准确提取以及计算复杂度高的问题,构建了一个面向非结构场景的特殊目标检测数据集,并提一种轻量化目标检测模型YOLO-PT,以极低的计算量达到了较高的检测精度。通过构建分部特征计算(partial feature calculation, PFC)模型减少特征冗余信息的计算,并引入了多头自注意力机制来增强复杂特征的提取精度,同时设计多通道金字塔结构对多尺度特征进行渐进式融合,提高复杂对象的识别精度。最后在非结构场景进行实验验证,结果表明,所提出方法仅在4.3×10^(6)的参数量下就达到了53%的准确率,在精度、参数量以及浮点运算量上均优于其他方法。

基于模拟雾天遥感数据集的飞机目标检测研究

由于缺乏大规模的雾天飞机目标遥感数据集,现有的目标检测方法难以在雾天条件下实现高精度的目标识别和定位任务。针对这一问题,提出了一种雾天条件下飞机目标检测方法,该方法结合了暗通道先验算法和Faster R⁃CNN(Faster Regions with Convolutional Neural Network Features)模型。首先,随机选取少量飞机目标原始图像,通过图像处理数据增强法扩展原始图像遥感数据集。其次,利用暗通道先验算法计算真实雾气图像的透射率值,并将其移植到原始图像中,生成雾气模拟的遥感数据集。最后,使用创建的数据集训练Faster R⁃CNN网络模型以完成飞机目标的识别和定位任务。实验结果表明,与原始数据集相比,该数据集在轻雾和浓雾状态下的检测性能都有明显提高,证明了所提数据集对于雾天环境下飞机目标检测的有效性和实用性。

基于特征加权与融合的小样本遥感目标检测

基于深度卷积神经网络的目标检测器需要大量标注样本展开训练,针对训练样本数量不足导致目标检测器泛化能力较差的问题,基于元特征调制提出一种特征加权与融合的小样本遥感目标检测方法。首先,在元特征提取网络中嵌入瓶颈结构式特征学习模块C3,增加网络深度和感受野;其次,利用路径聚合网络(PAN)进行元特征融合,有效提升了网络对多尺度遥感目标的感知能力;最后,使用轻量级卷积神经网络学习原型向量以加权元特征,在轻量化模型的同时,利用模型已有知识快速微调模型,以适应对新类目标的检测。实验结果显示,在NWPU VHR-10和DIOR数据集上,该方法相比于FSODM方法,在新类对象上的平均检测精度分别提高了29.40%和11.78%。可视化结果表明,该方法在小样本遥感目标检测上效果更优。

基于深度学习的水面无人清理船目标检测综述

水面目标识别对水资源环境具有重要意义。综合当前基于深度学习的目标检测方法的发展历程以及在水面中的应用情况,对水面目标检测数据集及检测方法进行了研究。首先介绍了目标检测网络的发展历程。接着,对当前常用目标检测方法进行总结,阐述水面常用的公开数据集及水面目标检测算法的实际应用。最后,对基于深度学习的水面目标检测提出今后的研究方向。

雷达回波序列中弱小飞机目标检测跟踪数据集

杂波背景下的雷达弱小目标检测跟踪是低空安全防控、区域态势监视、远程精确打击、空天攻防对抗等军民应用领域的热点和难点问题。本文针对杂波下雷达弱小目标检测跟踪技术研究的数据需求以及目前公开的雷达杂波下目标环境数据缺乏、场景设计针对性差、仿真数据真实性不足、实测数据格式不规范、数据描述与标注信息不全等问题,通过雷达外场实地数据录取与数据加工处理,提供了一套以地物杂波下固定翼无人机为探测对象的雷达弱小目标检测跟踪标准数据集。数据集涵盖强杂波、低信噪比、高动态、强机动、目标数目变化等典型场景,共计15段数据,每段数据包含一定时长的雷达脉冲序列,以及与之对应的距离波门文件和标注真值文件,数据格式规范、信息标注准确,可为雷达弱小目标探测识别算法设计与验证、地面杂波特性研究等提供基础数据。

SAR图像舰船目标检测数据集构建研究综述

算法和数据是影响深度学习技术发展的两大关键因素,大多数学者专注于算法的改进和开拓,仅有少部分学者致力于数据的研究。构建合成孔径雷达(Synthetic Aperture Radar,SAR)图像舰船数据集是SAR舰船目标检测项目的第一步,也是星载SAR图像实际工程应用的基础。分析了影响SAR舰船目标检测性能的关键因素,阐述了SAR舰船数据集的构建方法,概述了TerraSAR-X、“哨兵”1号(Sentinel-1)和高分三号(GF-3)三种SAR图像数据源,并对几种公开的SAR舰船数据集进行梳理与分析,总结了各数据集的发展历程,最后指出构建SAR图像舰船数据集仍需考虑的几个方面。

水下图像目标检测数据集及检测算法综述

水下目标检测技术是海洋探测的关键技术之一,具有重要的研究意义。本文首先对水下光学目标检测图像数据集进行了总结与分析,然后对近五年国内外50多项相关研究进展进行了阐述,分析了现有方法的贡献和局限性,以Faster RCNN和YOLOV3为基础模型对3种典型的提高目标检测性能的方法进行了实验,实验结果表明直接应用图像增强的方法不能有效提升检测精度,应用高分辨率网络可以明显提升目标检测性能。最后讨论了水下图像目标检测算法的潜在挑战和有待解决的问题,并提出了未来可能的研究方向。

自定义目标检测数据集的收集与半自动标注

基于深度学习的目标检测方法应用越来越广泛,对于特定的检测问题,公共数据集已经难以满足要求。为提高自定义目标检测数据集的创建效率,以自定义安全帽佩戴检测数据集为例,基于Scrapy爬虫框架、OpenCV库和YOLOv5目标检测算法设计了一种自定义目标检测数据集的收集与半自动标注方法。该方法通过Scrapy爬取和OpenCV获取视频帧的方式得到图片数据,采用直方图法进行图片去重。使用公共数据集训练YOLOv5s模型,并通过训练好的模型对收集的图片预测目标框和类别生成对应的标注文件,然后通过标注文件筛选高质量数据,并使用LableImg软件人工纠正错误标注,共获取到21 069张图片,去重过滤了5 053张图片,经过生成标注和人工修正后得到10 967个数据。实验结果表明,该方法可以避免人工收集和标注数据效率低的问题,大大节约了创建自定义目标检测数据集的时间,可较快获得拥有大量数据的数据集。

基于并行图神经网络的3D点云目标检测

点云在目标检测等领域中有很重要的作用。目前对点云特征提取之前需要对点云进行预处理,通常的处理方法包括将点云投影到二维平面、利用栅格法将点云体素化或直接基于原始点云进行处理。这些方法都会损失一定的原始信息,直接处理点云的原始信息面临计算量很大的问题。为解决上述问题,设计了一个平行图卷积神经网络。在将点云转化为图的基础上,利用图卷积神经网络不同的卷积核来提取点云的特征,并通过提出的一种注意力机制进行不同层次的特征融合。提出的方法可以在最大程度上保留点云原始信息的基础上,从不同的角度提取图的特征。在KITTI数据集上的实验表明,所提出的方法是有效的,并且取得了较好的结果。

水下图像增强复原对深度学习目标检测精度的影响研究

因水下环境的特殊性,水下光学图像往往存在色偏、模糊、对比度低等退化现象。为恢复颜色正常、清晰的水下图像,大量的水下图像增强复原方法已被提出,但是现有的水下图像增强复原方法主要以提高水下图像的视觉效果为直接目标,对基于深度学习的水下目标检测精度的影响尚不明确。因此,使用14种典型的水下图像增强复原方法和3种典型的基于深度学习的目标检测模型,在URPC2018和URPC2019数据集上从训练集与测试集的域差异、训练集的域数量、训练集的图像数量等方面,详细深入地探讨图像增强复原方法对基于深度学习的目标检测模型精度的影响,并自建数据集进行跨数据集测试。实验结果表明,在训练集和测试集均属同一数据集时,水下图像增强复原方法无论作为图像预处理方法还是数据增强方法,对深度学习目标检测精度的提升都无明显效果,但是在跨数据集检测时,借助水下图像增强复原方法能够大幅提升深度学习目标检测精度,mAP最高可提高13.6个百分点。