基于改进FCOS的遥感图像舰船目标检测

由于遥感图像中舰船目标方向任意,基于深度学习的通用目标检测算法采用水平框,在检测舰船时易框选大量背景,检测效果欠佳。文中提出一种改进全卷积一阶段目标检测网络(FCOS)的遥感图像舰船目标检测算法,以FCOS为基线,在检测头部分增加一条偏移回归分支,通过偏移水平框的上边中点和右边中点,产生旋转框。舰船目标通常具有较大的长宽比,预测框与真实框之间的角度偏差对交并比的影响较大,进而影响模型的检测精度。针对该问题,在计算偏移损失时引入与舰船目标长宽比有关的加权因子,使得具有较大长宽比的目标获得较大的偏移损失。在HRSC2016数据集上的实验结果表明,所提算法的平均精确度达到89.00%,检测速度达到19.8FPS,相比同类型的无锚框算法,其在检测速度和检测精度上均表现优秀。

基于DATE-FCOS的空中目标检测研究

航空图像中目标的检测是当前研究的热点之一,高效、准确的探测在军事和民用领域具有很高的价值;但由于高空环境复杂和空中目标尺度形状多变,不同用途的飞行器进行改装和涂装使得空中目标在检测中难度较大;所以提出了一种改进的一阶端到端的空中目标检测算法;算法采用DATE-FCOS为基本框架,用CIoU替代GIoU加入到边界框回归损失函数中,并在此基础上,利用可形变卷积模块对其骨干网络进行了改进并且在FPN结构之后加入CBAM模块;通过实际实验测试,所提方法在FGVC aircraft数据集上提高了检测的平均检测精度,达到77.8%,对比原模型提升11%,满足空中目标检测的应用。

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网络的海洋鱼类目标检测

鱼类的探索与保护是保持海洋生态环境平衡的重要一环,然而水下环境复杂,受光照、水质以及遮挡物的影响,造成水下捕捉鱼类图像成像模糊识别困难,制约水下鱼类目标的检测速度以及检测精度.针对以上问题,提出了一种基于改进FCOS的海洋鱼类识别模型.首先,该模型以一阶段算法FCOS为基本架构,使用轻量级的Mobile Netv2作为骨干网络,既保证检测准确度,还可以提高检测;其次,引入自适应空间特征融合(adaptively spatial feature fusion, ASFF)模块,避免尺度特征的不一致性,提高检测精度;最后,将center-ness分支引入到回归分支中,引入联合交并比损失(GIoU loss, generalized intersection over union)提高检测的性能.实验数据集使用公开数据集Fish4Knowledge (F4K)中的图片以及视频帧截取图片,选取训练性能最优模型进行评估.结果表明,提出的新模型在以上数据集的平均检测精度分别为99.79%、99.88%,相较于原模型以及其他检测模型本文提出模型的检测精度与识别速度更高,可为海洋鱼类识别提供参考依据.

基于改进FCOS算法的架空输电线路防振锤检测

防振锤是架空输电线路系统中一种重要的电气设备,对防止架空线路因风吹而发生周期性疲劳破坏具有重要意义。航拍图像中,防振锤具有尺寸较小、形态各异、背景复杂多变、检测难度较大等问题。针对这些问题,采用单阶段全卷积目标检测网络(Fully convolutional one-stage object detection,FCOS)来进行架空输电线路防振锤检测。为了提高检测精度,将FCOS特征提取层的各个特征点看作随机变量,用各阶中心矩的组合表达其随机分布,并在此基础上提出了一种基于各阶中心矩的空间注意力机制,来准确描述图像特征的权重分布。试验结果表明,改进后的FCOS在不同阈值下的平均检测精度均高于原始的FCOS,当阈值为0.5时,平均检测精度达到94.9%。同时,该方法在不同阈值下的平均检测精度,大大超过了其他主流的注意力机制。

基于FCOS的智慧工地异常行为二阶段检测算法

对于智慧工地作业人员异常行为的检测,现有的经典目标检测算法无法到达理想的检测效果,准确率较低。为此,提出一种基于FCOS(全卷积单阶段目标检测)的二阶段检测算法来实现智慧工地异常行为检测。该算法主要包括两个级联网络,首先通过FCOS对作业人员及异常行为标志物进行识别定位,再使用MLP(多层感知器)完成异常行为的检测分类。最后以相关项目现场采集的12977张样本图片作为数据集,对检测算法进行实验验证。结果表明,该算法在对各类异常行为的检测中均表现优异,而且检测实时性好、计算复杂度低、模型参数少,在实际项目的部署及应用方面具有明显优势。

改进FCOS模型的微通道铝扁管表面缺陷检测算法

针对微通道铝扁管表面缺陷的检测问题,提出了一种改进的FCOS(fully convolutional one-stage object detection)算法。设计一种特征卷积金字塔网络(feature convolutional pyramid network,FCPN),使模型能够自适应地混合不同层的特征图进行检测;在分析原始FCOS应用于狭长缺陷检测局限性的基础上,改进了模型的正样本部署策略,以降低模型对狭长缺陷的漏检;设计更加合适的映射函数与中心度函数,解决标注框外正样本点的回归问题与中心度计算问题;使用EIoU损失(efficient IoU loss)替换原模型中的IoU损失,进一步提高模型的回归能力。实验结果表明,在微通道铝扁管的表面缺陷检测任务中,改进后的FCOS模型达到了76.4%的mAP(mean average precision),相比于原始模型提高了7.7个百分点。

改进FCOS算法正样本选择的交通标志检测

针对交通标志独特的形状特点,提出一种改进的anchor-free卷积神经网络检测算法FCOS(fully convolutional one-stage object detection)。由于原算法在训练过程中直接将真实框内的位置点标记为正,会产生大量标签噪声,在FCOS网络结构的基础上融合交通标志的形状特征,减少没有辩证能力的噪声标签,设计新的正样本选择策略。实验结果表明,改进后FCOS算法在处理后的TT100K数据集上的检测mAP(mean average precision)在不增加计算量的情况下提升到83.2%,检测性能高于FCOS。

基于改进FCOS的目标检测轻量化方法研究

随着边缘AI的快速发展,在终端使用轻量级目标检测技术成为研究热点。因此,对FCOS全卷积单阶段目标检测算法进行改进,提出轻量级的LIm-FCOS网络用于终端检测具有意义。首先提取特征骨干网络使用ShuffleNetV2,颈部结构引入改进的BiFPN代替FPN,并采用深度可分离卷积替代普通卷积从而减少计算量。检测头部分改为单独检测,分类分支去掉Center-ness,使用Quality Focal Loss预测分类和边框质量进一步消除训练和预测时置信度的差异,回归分支采用Distribution Focal Loss来改善边框位置的分布,为提高坐标回归准确度加入GIoU Loss辅助收敛。经过COCO2017数据集测试,得到LIm-FCOS的mAP为27.5%,与YOLOX-Nano相比,多了1.5 M参数量、0.43GFLOPs计算量,精度提升了2.2%,同时经过PC端模型推理可视化结果说明网络轻量化方法有效。

基于改进FCOS网络的自然环境下苹果检测

为了快速识别和准确定位自然环境下苹果果实目标,提出了一种改进全卷积单阶段无锚框(Fully Convolutional One-Stage object detection,FCOS)网络的苹果目标检测方法。该网络在传统FCOS网络基础上,使用模型体积较小的darknet19作为骨干网络,将center-ness分支引入到回归分支上。同时提出了一种融合联合交并比(GIoU)和焦点损失(Focal loss)的损失函数,在提高检测性能的同时降低正负样本比例失衡带来的误差。首先,对田间采集的自然环境下的苹果图像进行数据增强和标注,使用darknet骨干网络提取图像特征,然后将不同尺度待检测目标分配到不同的网络层中进行预测,最后进行分类和回归,实现苹果目标的检测。该研究在计算机工作站上对不同光照条件、不同密集程度和不同遮挡程度的苹果果实进行检测试验,并与传统FCOS网络的检测结果进行对比分析。基于改进FCOS网络的检测准确率为96.0%,检测精度均值(mean Average Precision,mAP)为96.3%。试验结果表明,改进FCOS网络比传统FCOS网络的苹果检测方法在检测准确度上有提高,具有较强的鲁棒性。

著名咨询机构(FCOs)的成功因素分析

本文对著名咨询机构(Famous Consulting Organizations——FCOs)的成功因素进行了分析,提出了"4S"模型。本文指出 FCOs 具有"学院"兼"公司"的双重角色,并认为"双重角色"正是它们成功的根源。具体来讲,具有"双重角色"的 FCOs 在四个方面上有别于一般的组织,同时这四个方面也正是它们成功的四个支柱性因素——"理性员工"(Rational Staff)、"知识共享"(Knowledge Share)、"组织结构"(Organiza-tional Structure)和"项目管理系统"(Project Management System)。本文结合麦肯锡、波士顿、埃森哲等众多FCOs 的实际做法和经验对"4S"分别进行了剖析。

VoVNet-FCOS道路行人目标检测算法研究

针对行人目标特殊性和复杂性而导致的目前行人检测算法在速度和精度上不高的问题,提出一种改进的FCOS行人检测算法。首先,在网络基础结构上,为了提高算法精度,以高效型网络VoVNet代替ResNet进行特征的提取,同时在VoV-Net上增加了输入到输出的残差连接,从而增强深层特征表达;其次在网络最后的特征层上添加了eSE注意力机制,来提高网络的特征提取能力;最后,在损失函数上,引用GIOU Loss作为回归分支损失函数来解决IOU Loss无法反映预测框与真实框重合程度问题。实验表明,与现有算法相比,改进后的FCOS算法mAP提高了9.5%,速度上也满足实时性要求。

优化FCOS网络复杂果园环境下绿色苹果检测模型

目标果实的精准识别是实现果园测产和机器自动采摘的基本保障。然而受复杂的非结构化果园环境、绿色苹果与枝叶背景颜色接近等因素的影响,制约着可见光谱范围下目标果实的检测精度,给机器视觉识别带来极大挑战。针对复杂果园环境下的不同光照环境和果实姿态,提出一种优化的一阶全卷积(FCOS)神经网络绿色苹果识别模型。首先,新模型在FCOS的基础上融合了卷积神经网络(CNN)的特征提取能力,消除了对锚框的依赖,以单阶段、全卷积、无锚框的方式预测果实置信度与边框偏移,在保证检测精度的前提下提升了模型的识别速度;其次,增加了自底向上的特征融合架构,为模型提供了更加准确的定位信息,进一步优化绿色苹果的检测效果;最后根据FCOS末端三个输出分支设计整体损失函数,完成模型训练。为尽可能模拟真实果园环境,分别采集不同光照环境、光照角度、遮挡类型、摄像距离的绿色苹果图像,制作数据集并用以模型训练。挑选最优训练模型在包含不同场景的验证集上进行评估,结果为:在检测效果方面,平均精度为85.6%,与目前最先进的检测模型Faster R-CNN,SSD,RetinaNet,FSAF相比,分别高出0.9,10.5,2.5,1.9个百分点;在模型设计方面,FCOS的模型参数量与整个检测流程所需的计算量分别为32.0 M和47.5 GFLOPs(10亿次浮点运算),与Faster R-CNN相比,分别降低了9.5 M和12.5 GFLOPs。对比表明,在可见光谱范围下,对复杂果园环境中绿色苹果,提出的新模型具有更高的检测精度和识别效率,为苹果果园测产和自动化采摘提供理论和技术支撑;也可为其他果蔬的球形绿色目标果实识别提供借鉴。

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。

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。

基于改进GhostNet-FCOS的火灾检测算法

针对现有火灾检测算法检测精度不佳和算法模型复杂度过高的问题,提出基于改进GhostNet-FCOS的火灾检测算法.该算法以目标检测网络FCOS为基础,降低通道维数并选用GhostNet作为特征提取网络,以实现轻量化火灾检测算法.引入动态卷积,在不增加网络宽度和深度的情况下优化主干网络的基础模块,提高对形态多变的火焰图像的特征提取能力.增加空间注意力模块,优化网络空间特征的表达.改进正负样本定义和回归损失函数,优化训练过程中算法模型对标注框内不同区域的关注程度.在自建火灾数据集和公开数据集中的实验结果表明,该算法在检测精度和模型复杂度方面具有优势.该算法在自建火灾数据集中的检测精度为90.9%,参数量为4.58×10^(6),浮点计算量为31.45×10^(9).

基于FCOS神经网络的制动主缸内槽缺陷检测方法

针对主缸内槽缺陷检测存在干扰因素复杂、检测精度低等难点,提出了一种基于全卷积单阶段神经网络(FCOS)的主缸内槽缺陷检测算法。利用特征融合金字塔网络进行特征提取并逐像素预测,得到缺陷种类,实现凹槽缺陷的自动检测。实验结果表明,FCOS网络对制动主缸内槽砂眼、划痕、振刀纹缺陷检测的平均精度均值分别为85.2%、87.5%、90.1%,精确度分别为0.98、0.89、0.95。实验结果与Mask R-CNN网络和Faster R-CNN网络的实验结果进行对比,FCOS网络具有更高的准确率,学习时长大幅度缩短,且满足实时检测要求。

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算法的盲人辅助障碍物检测

近年来目标检测算法逐渐被应用于障碍物检测领域。本文提出了运用完全卷积的单阶段目标检测算法FCOS(Fully Convolutional One-Stage Object Detection)来辅助盲人进行障碍物检测。FCOS算法采用逐像素预测的方式进行目标检测,大大减少了设置与锚框相关的复杂参数。并且该算法针对小的目标有较好的检测性能。本文所采用的数据集为Pascal VOC07+12,得到了二十个类别的物体检测准确度和相关的检测结果图片,其中对行人的检测AP可达86%,对汽车的检测AP可达91%。结果表明FCOS算法相对其他检测算法有更好的性能,对障碍物目标检测有较好的应用前景。

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。