基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration, MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module, NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23 MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision, mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1 ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。

雷达数据中Ghost型虚假目标的模拟及处理算法

监视雷达波束在遇到低空的反射体时 ,会因反射体的作用而发生反射现象 ,从而影响对目标位置的判断。重点讨论针对地面或低空反射目标造成的Ghost虚假目标的处理 ,首先分析和模拟了出现Ghost虚假目标的情况 ,而后研究针对这种情况的处理算法 ,充分考虑Ghost目标的形成原因 ,设计了一种软件处理算法 ,通过仿真 ,验证了该算法可以有效地减少Ghost虚假目标的出现 。

基于改进YOLOv5的轻量化车辆行人雾天检测模型

车辆行人检测是智能交通的重要组成部分。针对现有车辆检测算法模型容量大、参数量较多、占用内存大,难以在智能交通场景中适用于算力和内存均有限的边缘设备的问题,提出了一种基于YOLOv5s算法改进的轻量级目标检测网络。首先,将YOLOv5s网络的卷积模块更换成Ghost卷积,以此减少计算量和参数量;其次,采用改进的加权双向特征金塔网络(BiFPN)结构和非极大值抑制(NMS)算法提高模型的精确度;最后,通过Real-world Task-Driven Testing Set(RTTS)雾天数据集对该方法进行模型训练及验证,以测试模型的有效性。实验结果表明,改进YOLOv5的轻量化雾天检测模型在分辨率为640×640的图像上平均检测精度达88.5%,模型大小约为7.5 M,浮点型计算量为8.20 GFLOPs。与原YOLOv5s网络相比,模型大小减少了46.4%,浮点型计算量压缩到原来的52%,精确度提高0.9%,回归率提高0.5%,平均精度提升1.1%。改进后的车辆检测算法在模型轻量化的同时不仅能够保证较高的检测精度,而且能够满足在算力资源有限的边缘设备进行车辆检测的需求。

基于改进YOLOv5s模型的红外弱小目标检测方法

针对复杂背景下红外场景对比度低、特征不足、细节不清而导致的目标检测效率低的问题,在YOLOv5s模型基础上通过创建TCC(two-way convolution and Concat)模块并引入华为Ghost模块,提出了一种基于改进YOLOv5s模型的红外弱小目标检测方法。首先,结合红外图像的低级语义特征,采取二路卷积和多尺度思想创建了TCC模块,提升了特征提取的全面性;接着,为进一步简化网络结构、减少网络参数量,引入轻量化Ghost模块改进了SPP池化层和CSP2卷积网络;最后,以无人机为实验对象,构建了白天和夜间不同背景条件下的红外弱小目标数据集,实验验证了本文改进算法的有效性。结果表明:改进后的YOLOv5s模型在较少损失帧频的情况下,检测精度提升了1.34%,平均精度均值(mean average precision, mAP)提升了2.26%,优于YOLOv4-tiny和YOLOv7-tiny两种轻量化模型,并与YOLOv8s模型精度相当,但模型参数量仅为YOLOv8s模型的53%,完全可以满足嵌入式设备部署的需求。

基于GBS-YOLOv5s的煤矿烟火检测

针对现有的煤炭烟火检测方法精确度低、参数量大、算法复杂度高等问题,提出了一种基于GBS-YOLOv5s的煤矿烟火检测算法。使用Ghost卷积模块实现特征提取,在原始算法上加入Ghost Bottleneck模块来减少模型参数量。其次,通过在SPPF模块后面加入全局上下文特征提取BoT3模块,增加对小目标的检测效果。最后,引入一种新的Soft-NMS算法,降低这些边界框的置信度,提升召回率,减少重叠目标的漏检。实验结果表明:GBS-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升了3.3%,每秒的浮点运算数GFLOPs减少了7.6 G,可以满足煤矿场景下对模型检测的要求。

基于注意力机制改进孪生网络的无人机跟踪算法

为了应对非合作无人机带来的安全隐患问题,对其实现有效监管,提出了一种基于改进孪生网络的无人机目标跟踪算法。首先,对全卷积孪生网络的结构进行改进,在网络结构中添加了Ghost卷积和集成卷积注意力模型;然后,利用构建的无人机数据集对改进网络算法与3种传统目标跟踪算法SiamFC、DeepSORT和FlowTrack进行训练和验证;最后,将4种算法进行对比分析,结果表明:该算法精确度达到91.4%,成功率69.6%,性能优于其他3种算法,能够有效跟踪无人机目标。

基于Ghost卷积与注意力机制的SAR图像建筑物检测算法

针对深度卷积神经网络存在模型参数量大、占用内存资源等问题,提出了一种基于轻量化网络的SAR图像建筑物检测算法。首先以旋转目标检测算法R-centernet为基础,将主干网络中的传统卷积替换为Ghost卷积,并构建Ghost-ResNet网络,降低模型参数量;其次提出了融合宽高信息的通道注意力模块,增强网络对图像中显著区域的精确定位能力;使用CARAFE上采样代替网络中的DCN模块,在上采样过程中充分结合特征图信息,提高目标检测能力;最后使用改进的R-centernet算法在旋转标注的SAR图像建筑物数据集上进行训练与测试。实验结果表明,相比于原始R-centernet算法,改进后的算法准确率提高了3.8%,召回率提高了1.2%,检测速度提高了12帧/s。

基于改进YOLOv5的车辆与行人目标识别方法

为改进无人驾驶技术部署困难问题,该文提出一种基于YOLOv5的目标识别算法。算法引入Ghost Bottleneck模块,CBAM模块,将网络参数压缩,减少模型整体的计算量,同时提升模型推理速度;将原始模型CIoU损失函数替换为α-IoU损失函数,使得模型训练过程中更快收敛;用DWConv层替代原有网络中Neck部分的Conv层,可大大降低网络参数数量以及运算成本,同时可提取不同大小的特征信息,提升模型在物体识别方面的鲁棒性。实验证明,原始模型的参数量为7095906,权重文件为14.4 MB,mAP@0.5达到86.11%,检测速度为30.30 f/s;改进后模型参数量缩减为2546136,参数量减少了64.12%,权重文件为5.8 MB,权重文件大小减小了59.72%,mAP@0.5达到89.44%,检测速度提升至40.00 f/s,检测速度提升了32.01%。将改进后的模型部署至RK3399嵌入式移动端,算法识别速度较原始算法提升了约35.04%。

识别安全帽佩戴的轻量化网络模型

安全帽佩戴识别是一种分类少的目标检测任务,使用现有精度较高的大型深度学习网络模型来识别安全帽佩戴,存在参数冗余问题且计算较大,不利于部署在计算量有限的嵌入式设备中以适应实际的工地环境。针对以上问题,提出了一种适合部署在嵌入式设备中的轻量化网络模型YOLO-Ghost-BiFPNs3。在YOLOv4的基础上,基于Ghost模块重构新的网络结构并对网络的深度和宽度进行裁剪;设计一种基于通道加权相加的轻量化模块BiFPNs3来替换原来计算量较大的FPN+PAN的结构;采用更容易量化的H-Swish激活函数;在Safety-Helmet-Wearing-Dataset数据集上进行实验,在测试集上,mAP@0.5为91.1%,相较于YOLOv4精度仅损失1个百分点,比轻量化网络模型YOLOv4-Tiny精度高26个百分点。参数量为原来YOLOv4的3%,计算量仅为原来YOLOv4的5.8%。

基于LGC的反残差目标检测算法

基于深度学习的目标检测是计算机视觉领域的研究热点,目前主流的目标检测模型大多通过增加网络深度和宽度以获得更好的检测效果,但容易导致参数量增加、检测速度降低的问题。为兼顾检测精度与速度,借鉴Ghost卷积和分组卷积的轻量化思想,提出了一种高效的轻量级Ghost卷积(LGC)模型,以采用更少的参数获得更多的特征图。在该卷积模型的基础上引入反残差结构重新设计了CSPDarkNet53,生成了一种基于LGC的反残差特征提取网络,以提高网络对全局特征信息的提取能力。使用反残差特征提取网络替换YOLOv4的骨干网络,辅以深度可分离卷积进一步减少参数,提出了一种反残差目标检测算法,以提升目标检测的整体性能。实验结果表明:相比于主流的目标检测算法,所提算法在检测精度相当的前提下,模型参数量和检测速度具有明显的优势。

一种基于阈值的自适应Vibe目标检测算法

Vibe算法是一种高效的像素级背景建模算法。该算法在运动目标检测过程中无法快速抑制鬼影,同时不能根据前景运动快慢调整背景更新速度。针对这些问题,提出了一种基于阈值的自适应Vibe目标检测算法。当某像素点被Vibe模型判别为前景时,采用Otsu算法计算图像的分割阈值。根据阈值对该像素点进行再次判别抑制鬼影像素点,并重新初始化该像素点的背景模型。通过计算运动目标的质心差,改进的Vibe算法能够自适应地调整背景的更新速度。结果表明,与原Vibe算法相比,改进后的算法能够在更少的帧数内有效地抑制鬼影,更加准确地检测出前景目标。

基于距离模型的虚假航迹分析方法

对虚假航迹的评估是评估目标跟踪质量的重要标准。通过建立距离量测模型,提出了一种基于距离模型的虚假航迹分析方法。实验证明通过该距离模型分析与处理虚假航迹是可行的,实验还证明了量测周期数对处理虚假航迹的重要性。

波束跃度对星载SAR滑聚模式成像影响分析

针对星载合成孔径雷达(SAR,Synthetic Aperture Radar)滑动聚束模式方位向天线波束无法实现空间连续运动而引入虚假目标的问题,提出了波束跃度对成像质量影响的定量化分析方法.首先在方位向天线波束控制前提下,构建了星载SAR滑动聚束模式回波信号的数学模型.在此基础上,采用成对回波理论定性与定量化分析了波束跃度对成像质量的影响,尤其给出了天线最小波束跃度与虚假目标幅度和位置的定量映射关系,并讨论了不同波段下,虚假目标对分辨率、峰值旁瓣比、积分旁瓣比以及系统增益的影响,为系统顶层合理论证天线最小波束跃度指标提供了可靠的理论依据.通过计算机仿真实验验证了提出的理论分析方法的正确性.

目标相似性度量的鬼影抑制方法

针对背景差分法中的鬼影扰乱运动目标检测与跟踪问题,提出目标相似性度量的鬼影抑制方法。首先分析间隔帧中目标的直方图分布和像素变化率,依此判断目标相似度并检测鬼影;然后提出面向鬼影对象的背景模型更新方法,快速校正鬼影背景,抑制鬼影再出现。实验结果表明,该方法克服了自适应背景方法的检测灵敏度低和运动属性方法消耗高的缺点,能够快速准确地抑制鬼影。

改进的ViBe运动目标检测算法

针对传统Vi Be运动目标检测算法提取的目标存在鬼影区域、且有闪烁像素点干扰的问题,提出一种结合Surendra背景更新算法而改进的Vi Be算法进行运动目标检测。利用Surendra算法快速更新背景的特点迭代得到纯净背景;对Vi Be算法检测前景进行像素标记和鬼影分类判别,去除鬼影像素点和闪烁像素点;输出新的前景。实验表明:该算法可以有效地去除Vi Be算法前景检测中的鬼影,并能抑制闪烁像素噪声,获取更精确的前景图像。

基于双层背景的遗弃物检测方法

提出一种基于双层背景的遗弃物检测方法。分别采用滑动平均算法和改进的高斯混合模型,对参考背景和动态背景进行建模,通过2个背景得到前景间的差异,以此提取静止前景,对检测到的静止物体进行直方图匹配以消除鬼影,在前景检测的基础上引入均值漂移算法和粒子滤波算法,处理物体间遮挡问题。实验结果证明了该方法的有效性。

红外焦平面阵列非均匀性自适应校正算法中目标退化与伪像的消除方法

深入分析了红外焦平面阵列(IRFPA)非均匀性的神经网络校正法出现目标退化和伪像的成因,指出没有考虑目标边缘而盲目更新系数是产生问题的根源.在此基础上提出了防止目标退化和伪像的边缘指导的神经网络自适应校正方法(ED-NN-NUC).仿真实验以及针对实际红外图像的实验结果表明,所指出的问题根源是正确的,提出的方法是合理有效的.

基于ViBe的动态目标检测算法优化

针对ViBe算法在动态目标检测中鬼影和阴影现象难以消除的问题,在ViBe算法基础上提出三点算法优化方法。首先在背景建模中扩大样本取值范围减少判别误差,然后利用鬼影区域定点背景模型重建方法快速解决由动态目标建模中导致的鬼影问题,最后在HSV色彩空间中利用色度找出候选阴影区域,比较区域梯度阀值消除动态目标的阴影。实验证明优化后的ViBe算法不仅保留了其动态目标检测实时性高的优点同时也能够很好的解决原本算法中存在的鬼影和阴影问题,从而能够很好地将动态目标从背景图像中分割,利用分割后的图像可以实现固定背景下动态目标跟踪。

基于压缩感知关联成像的目标检测技术

高效率的目标检测是视觉应用的重要技术,但运动目标的提取易受环境的影响。关联成像能够解决特殊环境下难以获得清晰图像和一些常规成像技术不易解决的问题。在目标检测中,利用关联成像采集图像信息并运用背景差分法在压缩域中获得目标图像的测量值,直接通过压缩感知重构出目标图像。这种方法可以解决在特殊情况下无法检测到目标的问题,同时检测到的目标图像清晰,采样次数少,信噪比也较高。