基于MobileNet-SSD的实时目标检测方法研究

针对深度学习技术在目标检测中的持续升级,特别是其检测精度提高导致模型参数过多的问题,提出了一种基于轻量级卷积神经网络MobileNet-SSD的实时目标检测方法。结合深度可分离卷积和非瓶颈自由残差模块构建新模块,并使用深度可分离卷积结构替换SSD网络的VGG骨干网络来提取特征,从而达到减少参数和提高速度的目的。在低照度目标检测数据集ExDark上进行了实验,验证了方法的有效性和优越性,并在Android平台上部署,验证了可扩展性。该方法是一种在减少参数的同时提高检测速度的实时目标检测方法,对嵌入式系统应用具有较高价值。

基于多尺度特征融合的遥感图像变化检测网络

为了解决多数变化检测算法中特征融合方式单一、对多尺度特征信息利用不充分导致的高分辨率遥感图像变化检测效果差的问题,本文提出了一种基于多尺度差异特征密集融合的遥感图像建筑物变化检测模型(MSDFNet).同时,引入了获取预测图像与标签图像之间差异图的算法,以便更加直观地观测到模型对建筑物变化区域的分割效果.在编码阶段,构建孪生骨干网络(VGG16)提取双时相遥感图像的多尺度特征信息,引入分离-混洗残差模块替代原始骨干网络中的二维卷积,减少模型参数量并缓解网络过深导致的浅层网络权重更新幅度过小甚至无法更新的问题;通过多尺度差异计算模块充分挖掘全局与局部的差异信息,获取变化语义信息的同时关注变化的空间细节信息.在解码阶段,引入通道注意力,重新构建不同层次差异特征通道之间的依赖关系,缩小不同层次差异特征之间的语义差距,并由深层网络到浅层网络逐层融合具有不同语义层次和空间位置表征的特征信息,得到更加精细的建筑物变化预测图像.本文算法在GZ-CD数据集和DSIFN数据集上的F1分数分别达到了91.50%和75.91%,IoU分别达到了84.98%和64.16%,对建筑物变化区域的轮廓分割更加完整,整体性能优于其他对比的变化检测算法.