基于改进YOLOv5的Logo检测算法

针对Logo图像背景复杂、Logo目标尺寸多变的问题,提出了一种基于YOLOv5的改进检测算法。首先,结合CBAM(Channel Block Attention Module),分别在图像通道与空间方向进行压缩,提取图像的关键信息与重要区域;然后,使用可变空洞卷积(SAC)使网络在不同尺度下自适应地调整特征图中的感受野大小,以捕获不同尺度下的物体信息,改善网络对多尺度目标的检测效果;最后,将归一化Wasserstein距离(NWD)嵌入损失函数,将边界框建模成2D的高斯分布,计算对应的高斯分布之间的相似度,更好地度量目标之间的相似性,提高对小目标的检测性能与模型鲁棒性和稳定性。实验结果表明,在数据量较小的数据集FlickrLogos-32中,改进后算法的平均精度均值(mAP@0.5)达到90.6%,比原始YOLOv5算法提升了1个百分点;在数据量较大的数据集QMULOpenLogo中,改进后算法的mAP@0.5达到62.7%,比原始YOLOv5算法提升了2.3个百分点;在针对特定类型的Logo检测集LogoDet3K中,针对3类商标改进后算法比原始算法的mAP@0.5分别提升了1.2、1.4与1.4个百分点,说明它有更好的Logo图像小目标检测能力。

基于改进Mosaic数据增强和特征融合的Logo检测

近年来,Logo检测在知识产权保护和产品品牌管理等领域得到了广泛应用;针对Logo检测中的复杂背景和多尺度问题,提出了一种改进Mosaic数据增强和特征融合的Logo检测算法;将6张原始图片随机翻转、缩放和拼接构成合成图像,与单张图像和由4张原始图片合成的图像一起作为YOLOv4模型的训练输入,并确定3种输入形式的最优比例,同时使用一种新的训练策略,改进的Mosaic数据增强方法丰富了Logo对象的尺度和背景,使模型更好地学习全局和局部特征;在路径整合网络(PANet)的基础上引入跨层连接、重复堆叠、直接连接和加权特征融合等操作,改进的PANet扩大了模型感受野,增强了模型的多尺度特征表达能力;实验结果表明,提出的MP-YOLOv4算法在减小21.7%模型大小的同时,IoU(intersection of union)等于0.5时的平均精度上达到了67.4%,较YOLOv4提高了2.4%,同时在多尺度目标上的检测性能得到了改善。

结合坐标注意力与自适应残差连接的logo检测

Logo检测在品牌识别和知识产权保护等领域有着广泛的应用.针对logo检测中存在小尺度logo检测性能差和logo定位不准的问题,本文提出一种基于YOLOv4网络的logo检测方法,将YOLOv4网络PANet模块中的5个连续卷积层用设计的自适应残差块替换,增强浅层和深层的特征利用,有侧重地进行特征融合,同时优化网络训练;并在自适应残差块之后使用坐标注意力机制,通过精确的位置信息对通道关系和长期依赖性进行编码,从融合的特征中过滤和增强对于检测更有用的特征;最后采用K-means;聚类算法得到更适合logo数据集的先验框,并分配给不同的特征尺度.实验结果表明,本文提出的方法在FlickrLogos-32和FlickrSportLogos-10数据集上的平均精度达到了88.09%和84.72%,较原算法分别提高了0.91%和1.40%,在定位精度和小尺度logo检测上的性能都显著提升.

基于判别力分析和结构约束的Logo检测方法

图像中的Logo检测对于分析图像的内容、进行品牌广告投放和广告推荐具有重要的意义。针对现有的Logo检测方法存在的准确率低、处理速度慢的问题,提出了基于特征判别力分析和结构约束的Logo检测方法。首先,提出了基于出现频率的判别力分析方法;其次,提出了基于特征之间相对距离、相对主方向和相对尺度的结构关系表示方法,并构建出Logo表示模型;最后,提出了由粗到精的Logo检测方法,采用视觉单词判别力分析获得候选区域,并采用结构关系来进行精确匹配,确定最终的Logo区域。在一个包含100种Logo的10,000张图像的Logo数据集上的Logo检测实验中表明,所提出的方法在准确率、召回率和处理速度上均明显优于当前主流的Logo检测方法,证明了所提出方法的有效性和高效性。

基于卷积神经网络的多尺度Logo检测算法

针对自然场景图像中多尺度Logo的检测需求,提出了一种基于卷积神经网络的多尺度Logo检测算法。该算法基于两阶段目标检测的实现思路,通过构建特征金字塔并采取逐层预测的方式实现多尺度候选区域的生成,通过融合卷积神经网络中的多层特征图以增强特征的表达能力。在FlickrLogos-32数据集上的实验结果显示,相比基线方法,所提算法能够提升生成候选区域的召回率,并且在保证大中尺度Logo检测精度的前提下,提升小尺度Logo的检测性能,验证了所提算法的优越性。

基于改进的Faster RCNN的Logo检测分析

针对因抽象特征提取困难、速度慢而导致的Logo检测耗时长、准确率低的问题,提出一种改进的Faster RCNN的Logo检测方法。采用分水岭算法对图像进行预处理,采用多尺度锚框生成方法生成锚框,用非极大值抑制方法对重叠的候选框进行筛选。实验结果表明,与传统Faster RCNN方法相比,该方法提高了Logo检测的准确性和鲁棒性。

基于改进Faster R-CNN的Logo目标检测方法

社交网络的发展和经济全球化赋予了Logo巨大的商业价值,让Logo检测有很大的应用前景.而现实情况中Logo目标在图片中往往占据很小的一部分, Logo的低分辨率导致检测性能难以进一步提升.因此本文提出了一种基于改进Faster R-CNN的Logo检测方法.该方法在Faster R-CNN框架中结合了生成对抗模型,利用网络先将分辨率较低的Logo特征映射成高分辨率的表达能力更强的特征,再送入完全连接层进行分类和回归,从而提高检测的性能.本文在公开的Logo数据集上进行了实验结果评估,结果表明了本文提出的方法能有效地提高Logo物体检测的准确率的同时也没有因为结构的变化影响检测速度.

自然场景中Logo标识检测训练数据生成方法研究

深度学习方法在图像内容检测中取得良好效果并得到广泛应用。自然场景中Logo(标识)图案的检测具有很强的商业和社会需求,但获取其适用于深度学习方法的训练数据却并不容易。为解决上述问题,针对自然场景图片中包含Logo的检测和识别,本文提出一种生成对应训练数据集的合成方法。根据简单的输入和参数设置,该方法能够自动生成大量带有特定Logo并且符合自然场景特征的图片以及相应标注数据。这些生成数据可用于自然场景Logo检测识别的训练数据集,降低了深度学习网络模型的训练成本。使用本文方法合成的数据集训练的深度网络模型,可在FlickrLogos-32标准测试数据集上达到63.9%的平均准确率(mAP),接近使用大量真实人工标注数据的效果,体现了本文方法的有效性。

利用图像识别技术过滤海量可疑钓鱼网站

网络钓鱼攻击(phishing,又称钓鱼攻击、网络钓鱼)作为一种主要基于互联网传播和实施的新兴攻击、诈骗的方式,正呈逐年上升之势,使广大用户和金融机构遭受到财产和经济损失。如何及时、有效地识别网络钓鱼相关的互联网风险,控制钓鱼攻击可能带来的影响,已经成为各金融机构当前亟待解决的问题。因此,各大银行、证券公司以及安全公司纷纷推出自己的反钓鱼监控服务,目前的反钓鱼技术普遍采取利用爬虫主动进行大范围互联网仿冒站点的搜素,爬取大量可疑钓鱼网站,并逐一对可疑钓鱼网站进行检测,判断其是否为钓鱼网站。面对海量可疑网站,如何高效快速地检测出可疑钓鱼网站又成为一个难题。文中介绍了一种基于图像识别技术的网站徽标(LOGO)检测的新思路,用于过滤海量的可疑钓鱼网站,加快钓鱼网站的检测效率。