车辆辅助驾驶中基于FCOS算法的行人检测方法

随着计算机视觉技术的发展,利用图像识别技术进行行人检测并给出人与车间距的预警是车辆辅助驾驶的一个研究方向。针对行人检测中,大范围拥挤场景中行人交叠、人物行为复杂和目标密集且小而导致检测困难的问题,本文将基于FCN的逐像素目标检测算法框架——单阶段全卷积目标检测FCOS应用于行人检测。相比于SSD,RetinaNet,Faster R-CNN,FCOS是没有锚框的,这大大降低了模型训练过程中的复杂计算。我们在Pascal VOC2012数据集上的一系列可靠具有重复性的良好实验结果均证明,将FCOS算法应用到行人检测是可行的,实际应用到车辆辅助驾驶同样可行,是一个简单而强大的方案。

基于FCOS算法的乳腺癌影像病灶检测

针对目前乳腺癌医学影像病灶检测算法中存在的筛查效率及准确率欠佳的问题,提出将一种改进的目标检测算法FCOS算法应用于乳腺癌超声影像病灶检测。首先,在将训练数据输入网络之前进行数据增强以减少过拟合。其次,将图片和对应的目标框输入图像预处理模块,再把结果传入FCOS中进行训练。最后直接将图片传入FCOS中即可进行使用。结果表明,FCOS算法的平均精度均值为86.23%,优于以往研究。

基于FCOS算法的幼儿识物教育的应用

本文阐述了FCOS与其他目标检测算法相比具有的优势,并通过实验验证FCOS在VOC2007数据集上可以得到较好结果,说明了FCOS算法可以在实际的场景中得到较好的应用。

基于改进FCOS的水下目标检测算法

提出一种基于改进全卷积单阶段目标检测(FCOS)算法的水下目标检测算法。针对水下光学图像存在高色偏、低对比度、色彩偏暗、模糊失真而导致现有目标检测算法在水下环境检测效果不佳等问题,将骨干网络中的普通卷积替换为可变形卷积(DCN)进行优化,增强算法在模糊的水下光学图片的特征提取能力。通过神经架构搜索(NAS)改进网络的特征融合网络以及检测网络,提升对骨干网络提取到的特征的利用能力。采用CIoU Loss作为新的损失函数来提高坐标回归的准确率。实验表明:改进的FCOS算法在DUO数据集上,检测的准确率提高了1.8%,召回率提高了2.2%,检测速度为53.4帧/s(相比改进前降低了5.0%)。该算法准确率较高并基本达到实时检测的要求。

改进FCOS的二阶段SAR舰船检测算法

近年来无锚框的目标检测算法逐渐被应用于SAR舰船检测,其中FCOS算法摆脱了对锚框参数设置的依赖,对多尺度、多形态舰船检测的鲁棒性更好,但仍存在两个问题:第一、该算法直接进行逐像素点回归,因搜索空间过大、目标回归困难导致检测不够准确;第二、其中特征金字塔对低层特征利用仍有不足导致小目标大量漏检。针对上述问题基于FCOS进行改进,通过增加特征增强网络构建了二阶段无锚框检测算法。该网络作为第一阶段对检测过程进行精细化引导,同时增强了舰船特征表达能力。通过引入更多特征并增加跳跃连接改进特征金字塔,提高了低层特征利用率。在数据集SSDD和SAR-Ship-Dataset上的实验结果表明,平均准确率(mAP)相比FCOS分别提高9.5和3.4个百分点,相比其他主流舰船检测算法分别提高3.6和1.0个百分点,充分验证了所提算法的有效性。

基于SORT算法的图像轨迹跟踪混合控制方法

当目标物体被其他物体部分或完全遮挡时,目标的有效特征点数量会逐渐减少,跟踪器无法继续准确地锁定目标,导致目标轨迹中断。为此,文中研究基于SORT算法的图像轨迹跟踪混合控制方法。选取FCOS算法,利用特征金字塔结构,依据检测头层输出的目标分类得分、位置回归结果以及中心度检测图像目标。将目标检测结果作为卡尔曼滤波器的输入,利用离散控制过程系统描述视频图像中的目标运动状态,预测目标轨迹。利用SORT算法控制图像目标检测结果与目标轨迹预测结果进行级联匹配与IoU匹配,输出匹配成功的目标,即图像目标轨迹跟踪结果。实验结果表明,该方法可有效地跟踪视频图像目标轨迹,未出现ID变更情况,轨迹中断占比低于0.2%。

一种基于FCOS神经网络的小建筑物目标检测方法

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。

基于重参数化和联合分支的城市地下管道缺陷检测

城市地下管道是城市重要的基础设施之一,及时排查管道缺陷对城市的发展起着较为重要的作用,针对目前的管道缺陷检测模型参数量大、实时性较差等问题,提出一种改进的FCOS城市地下管道缺陷检测方法.首先,引入轻量的MobileOne网络,通过结构重参数化将多分支网络转换为单分支网络,减小模型规模;然后引入分类和IoU的联合分支使模型的训练和推理过程保持一致,并利用平衡因子优化QFL损失函数,提升模型分类预测效果.实验结果表明:改进后的FCOS模型相比于基线模型的平均精度提升1.83%,检测速度FPS达到48.6,模型参数量下降17.85 M,有效提升了城市地下管道缺陷检测性能,并且相比于其他优秀的目标检测算法,也具有一定的优势.

目标检测算法在医学影像识别中的应用

通过目标检测算法辅助进行X线片的读片,确定X线片中存在的病变类型及病变位置,能够很好地解决肌肉骨骼系统疾病X线片目前读片数量大、人工阅片准确度有差别等难点。研究提出了基于全卷积单阶段神经网络FCOS算法的肌肉骨骼系统疾病的X线片辅助诊断方法,尽可能覆盖各种常见类型的骨科疾病,包括骨折类、异物类、骨肿瘤类等。在训练过程中,为解决各病变类型样本量差别较大的问题,引入了加权随机采样方法。

改进的FCOS煤矿井下行人检测算法

针对煤矿井下对行人检测精度不足、实时性要求高、环境条件差、行人状态复杂等问题,提出一种改进的FCOS煤矿井下行人检测算法。该模型使用轻量级卷积神经网络ShuffleNet V2替换FCOS检测算法中的骨干网络ResNet-50,将原始网络中的特征金字塔结构改进为自上而下和自下而上的路径增强网络,同时利用由两组深度可分离卷积组成的轻量化检测头替换原始FCOS网络的检测头。在试验训练过程中,通过对井下行人检测数据进行尺度和颜色等数据增强来提升模型的泛化能力与鲁棒性。试验结果显示,改进的FCOS可以更好地实现检测精度与速度之间的平衡,该算法在基本不损失精度的情况下,平均精度均值(mean Average Precision)达51.9%,检测速度可以达到100帧/s。