一种基于变分辨率机制的机坪目标检测算法

多目标检测任务存在目标尺寸变化范围大的情况。通过采集高分辨率图像,可以保证对小目标的观测效果,但是在原始图像中进行滑动窗口扫描式检索,会造成计算成本的显著增加;大尺度目标的检测通过对原始高分辨率图像压缩快速完成,但压缩过程会导致小目标的大量细粒度特征丢失:因此,文章提出一种基于变分辨率机制的YOLO检测(multiple resolution mechanism based YOLO,MRMY)算法,并用深度可分离卷积进行优化。该算法考虑特定场景下不同尺寸目标间的位置关系,采用多分辨率机制,先对高分辨率图像进行压缩,对大目标进行快速检测,再根据大目标位置信息确定小目标的搜索空间,并在原始高分辨率图像的局部区域进行小目标识别。由于在任一分辨率下目标尺寸较为明确,因此可对检测模型基于归一化层剪裁掉网络中不重要通道。尽管检测任务需要2次模型运算才能完成,但通过该检测模型可提高算法的速度。在网络公开数据集和自建数据集上的测试结果表明,MRMY算法的全类平均正确度(mAP)比YOLO V4算法提升约21%,检测速度为84帧/秒与YOLO V4的83帧/秒相近。

基于ScoreCAM的X光安检违禁品检测

针对X光安检违禁品检测依赖数据标注,存在多姿态变化且小目标不易检出的问题,改进ResNet50网络,提出基于弱监督机制的X光安检违禁品检测模型。通过ScoreCAM算法,依靠图片类别标签实现可视化和违禁品定位,结合可变形卷积和空洞卷积,设计4种在主干网络不同位置添加可变形空洞卷积模块的网络结构,使卷积核的形态更贴近违禁品轮廓,提高违禁品特征的提取能力。仿真结果表明,该模型结果更加准确,能有效应对违禁品目标多姿态变化、遮挡、小目标漏检的技术难题。