改进YOLOv8的无人机航拍图像目标检测算法

针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。

改进YOLOv8n的选通图像目标检测算法

激光选通成像技术在复杂环境下表现出色,但选通图像为灰度图像无法提供颜色信息,并且对比度较低,所以在进行小目标和遮挡目标检测时更加困难。为解决以上问题提出了一种改进YOLOv8n的选通图像目标检测算法。在特征提取的主干网络部分,使用大核卷积C2f-DSF更有效地捕获输入数据的全局信息。添加了多头注意力检测头Detect-SEAM模块,增强了特征提取和目标识别的能力。为了获取不同感受野的上下文信息,增强特征提取能力,使用了SPPF-M模块。采用上采样算子Dysample,减少特征信息的损失,从而提高小目标的检测精度。改进的YOLOv8n算法在选通图像数据集上mAP@0.5提高了2.4个百分点,mAP@0.5:0.95提高了1.8个百分点。为了验证改进的YOLOv8n算法的泛化性,选取KITTI数据集实验,相比于YOLOv8n算法改进YOLOv8n的mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了3.5个百分点。

融合注意力和上下文信息的遥感图像小目标检测算法

对多尺度的遥感图像进行小目标检测时,基于深度学习的目标检测算法容易出现误检和漏检的情况。这是因为此类算法的特征提取模块进行了多次的下采样操作;而且未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题,提出一种融合注意力和上下文信息的遥感图像小目标检测算法ACM-YOLO(Attention-Context-Multiscale YOLO)。首先,应用细粒度的查询感知稀疏注意力以减少小目标特征信息的丢失,从而避免漏检;其次,设计局部上下文增强(LCE)函数以更好地关注不同类别的遥感目标所需的上下文信息,从而避免误检;最后,使用加权双向特征金字塔网络(BiFPN)强化特征融合模块对遥感图像小目标的多尺度特征融合能力,从而改善算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验,以验证所提算法的有效性和泛化性。实验结果表明,在2个数据集上所提算法的平均精确率均值(mAP)分别达到了77.33%和96.12%,而相较于YOLOv5算法,召回率分别提升了10.00和7.50个百分点。可见,所提算法能有效提升mAP和召回率,减少误检和漏检。

基于改进YOLOv8的道路交通小目标车辆检测算法

针对交通道路中小目标车辆存在的识别困难、检测精度低以及误检和漏检等问题,提出一种基于YOLOv8算法的大内核、多尺度梯度组合的道路交通小目标车辆检测模型RGGE-YOLOv8。首先,使用RepLayer模型替换YOLOv8网络的主干部分,引入大内核深度可分离卷积结构,拓展上下文信息,以增强模型对小目标的信息捕获能力;其次,使用GIoU代替原损失函数,解决IoU在预测框与真实框没有重叠时存在的无法优化问题;然后,引入全局注意力机制(GAM),通过减少信息丢失并增强全局交互信息来提高网络的特征表达能力;最后,引入CSPNet并重参化梯度组合特征金字塔,使得模型具有较大感受野和高形状偏差。实验结果表明,RGGE-YOLOv8在Visdrone数据集和自有数据集上mAP@0.5指标分别达到34.8%和94.7%,相较于原始YOLOv8n算法精度分别提高了2.2和5.51百分点,证明了RGGE-YOLOv8模型对道路小目标车辆检测的有效性。

基于改进YOLOv5s的矿业工作人员安全帽佩戴检测

针对矿井工作人员安全帽佩戴错检、漏检的问题,提出一种改进安全帽佩戴的检测方法,包括:在YOLOv5s基础上增加小目标检测层,以提高网络对小目标的检测效果;引入一种新的包围框相似度度量,以降低网络对小目标位置变化的敏感程度;重构模型的检测头,以加速网络收敛;重建模型中的特征提取模块,以提升网络对遮挡目标的检测能力。在自建数据集上完成消融实验,实验结果表明:改进后模型的识别精度较原YOLOv5s模型,平均精确率提升了2.1%,平均查全率提升了3.0%,平均查准率提升了1.9%。研究表明,改进后模型具备良好的检测精度,适用于复杂情况下的安全帽佩戴检测任务,对于保证工作人员安全具有积极意义。

局部对比度融合重加权的红外图像小目标检测

红外图像块小目标检测算法在数据链、预警、制导等领域有较为广泛的应用,如利用数据链可以将红外图像块小目标精确传送给雷达。为了在复杂背景条件下进一步提高红外小目标检测的效果,提出了一种重加权和局部先验融合的红外图像块(IPI)小目标检测算法。首先,采用加权Schatten p范数对背景图像块进行约束;其次,引入局部对比度先验信息和加权l_(1)范数抑制非目标稀疏点,进一步增强目标图像稀疏性,使算法模型性能进一步得到提升。仿真结果表明,所提算法在抑制背景杂波和精确检测目标方面均有较好的结果,优于现有经典算法。

CARFB:即插即用的目标检测模块

针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

基于信息补偿的红外弱小目标检测方法

针对红外弱小目标容易在网络迭代过程中损失纹理细节信息,从而导致目标定位和轮廓分割的准确性下降的问题,提出一种基于信息补偿的红外弱小目标检测方法。首先,利用图像特征提取(IFE)模块编码红外源图像的浅层细节及深层语义特征;其次,构建多级信息补偿(MIC)模块通过聚合相邻级别的特征对编码阶段下采样后的特征进行信息补偿;随后,引入全局目标响应(GTR)模块联合特征图的全局上下文信息对卷积局部性的限制进行补偿;最后,构建非对称交叉融合(ACF)模块对浅层和深层特征进行融合,以实现目标解码时纹理信息与位置信息的保留,进而完成对红外弱小目标的检测。在公开的NUAA-SIRST(Nanjing University of Aeronautics and Astronautics-Singleframe InfraRed Small Target)和NUDT-SIRST(National University of Defense Technology-Single-frame InfraRed Small Target)混合数据集上训练和测试的实验结果表明,与UIUNet(U-Net in U-Net Network)、LSPM(Local Similarity Pyramid Modules)和DNANet(Dense Nested Attention Network)等方法相比,所提方法在交并比(IoU)上分别提高了9.2、8.9和5.5个百分点,在F1分数(F1-Score)上分别提高了6.0、5.4和3.1个百分点。以上表明所提方法对红外复杂背景图像中的弱小目标可以实现准确检测和有效分割。

基于改进YOLOv8的自动驾驶场景目标检测算法

针对自动驾驶场景遮挡目标和小目标检测困难问题,提出了FAN-YOLOv8n自动驾驶检测算法。设计了特征感受野融合模块(EFFVM),增强模型主干部分对局部特征的提取,提高模型对遮挡目标的检测能力;在模型头部增加了更浅特征层P2的检测头,提高模型对于小目标的检测效果;在模型颈部设计了特征指导模块(FGM)来融合浅层和深层的特征信息,使得两层之间能够更好地进行特征交互,让模型更关注细粒特征。提出了特征层融合模块(FLFM),融合多尺度特征层并进行特征增强,使模型能够自适应不同尺度目标的检测。实验结果表明,在SODA10M数据集和部分BDD100K数据集上,改进模型的mAP0.5对比原始YOLOv8n模型提升了7个百分点和6.5个百分点,适用于实际自动驾驶检测任务。

改进RT-DETR的无人机图像目标检测算法

针对轻小型无人机图像目标检测中由于目标灵活多样、环境复杂多变导致的检测精度低等问题,提出基于改进RT-DETR无人机目标检测算法。综合考虑轻量级SimAM注意力和倒置残差模块改进ResNet-r18主干网络,提高目标检测模型的特征提取能力。采用级联分组注意力机制优化倒置残差模块和特征交互模块,提升特征选择能力,实现目标检测信息的精细化获取。颈部网络中引入160×160检测层,提升特征融合阶段小目标的感知能力。基于VisDrone2019数据集的实验结果表明,改进后的模型具有更低的参数量和更高的检测精度。在Alver_Lab_Ulastirma和HIT-UAV数据集上进一步验证了改进方法的有效性和鲁棒性。

基于海思Hi3531部署的红外小目标检测算法研究

针对现有算法计算量大、实时性差、部署困难等问题,同时为满足红外探测系统对实时性及准确率的高要求,提出了一种部署于国产嵌入式芯片的轻量化算法,即YOLOv5-Tiny Hisi. YOLOv5-Tiny Hisi算法根据红外小目标特点对主干网络结构进行轻量化改造,并使用SIo U优化损失函数中的边界误差,提高了红外小目标定位的准确性.将YOLOv5-Tiny Hisi算法模型部署到海思Hi3531DV200嵌入式开发板上,利用芯片集成的神经网络加速引擎(neural network inference engine, NNIE)对网络推理进行加速.在公开数据集上的实验结果表明,该算法能够大幅度降低参数量和模型大小,与YOLOv5相比,在平均精度上的提升了1.52%.在海思Hi3531DV200嵌入式开发板上对分辨率为(1 280×512)像素的单张图像推理速度可达到35帧/s,召回率可达到95%,满足了红外探测系统对实时性和准确率的要求.

基于改进的YOLOv7小目标检测算法

为提高小目标的检测精度,提出一种基于改进的YOLOv7的目标检测算法(SM-YOLOv7)。使用Swin Transformer(STR)模块替换主干特征提取网络中的E-ELEN模块,将SPPCSPC网络改进为SPPCSPF网络,在预测部分增加小目标检测头,设计MPC3模块避免网络定位空间信息丢失。通过NWD代替YOLOv7网络模型中的CIoU损失函数,输出端采用SE-Net注意力机制。在Okahublot公开的FloW-Img数据集上验证,实验结果表明,SM-YOLOv7平均精度均值mAP为84.8%,相比基线YOLOv7网络模型提升了6.6%,检测性能优于原网络模型与传统经典目标检测网络模型。

基于YOLOv5的无人机小目标检测改进算法

针对传统YOLOv5算法在无人机小目标检测中计算量大且精度不足的问题,在YOLOv5s算法的基础上进行优化,提出一种基于YOLOv5s的无人机小目标检测改进算法YOLOv5s-DAEA。首先,在Conv模块中引入深度可分离卷积算法,降低网络的参数量提高计算效率;其次,采用了全新的渐进特征金字塔网络结构(AFPN),提高多尺度特征的提取能力和检测的准确性。同时通过在颈部网络添加EMA注意力模块,以提升模型对目标的关注度;最后,将传统损失函数更换为EIOU,进一步提高了检测精度和鲁棒性。实验结果表明,YOLOv5s-DEAE算法在VisDrone2019数据集上的mAP@0.5达到了37.7%,相较于原始的YOLOv5s算法,在检测精度上提高了5.4%,同时其参数量减少了18%,在保持检测速度的情况下明显提升检测精度,符合无人机航拍图像中的小目标检测需求。

基于YOLOv5的轻量级布匹瑕疵检测算法

针对现有布匹瑕疵检测模型存在的参数量大、训练耗时和准确率低等情况,提出了一种基于YOLOv5改进的布匹瑕疵检测(fabric defect detection YOLO,FDD-YOLO)算法.首先,在特征提取阶段引入ConvMp模块,实现跨通道特征融合,减少特征下采样时的信息丢失;其次,将重参幽灵卷积(RepGhost)与残差结构相融合,降低模型参数,并减少冗余信息的传递;最后,设计了轻量级注意力聚合结构,以增强模型对小目标的特征提取能力,抑制无用信息的传递.结果表明,相较于YOLOv5,FDD-YOLO算法在ZJU-Leaper数据集和天池布匹瑕疵数据集上平均精度分别提升了3.3和4.6百分点,同时,模型参数量缩减至3.2 M.

基于改进YOLOv4的车辆检测算法

在交通监控中进行车辆检测过程时,存在车辆互相遮挡和远距离目标尺寸不足的问题,导致在检测中存在漏检和误检情况。针对此问题,文中提出一种基于YOLOv4(You Only Look Once version 4)的多尺度融合与注意力机制的交通车辆检测算法。在YOLOv4的路径聚合网络中增加一个新的特征层进行多尺度特征融合,提升模型对底层纹理特征的提取能力。在YOLO Head检测头前嵌入ECA(Efficient Channel Attention)通道注意力模块,对聚合后的特征进行合理的抑制和增强,将CIoU(Complete Intersection over Union)损失函数替换为Soft-CIoU损失函数,提高小目标车辆对损失函数的贡献度。在公开车辆数据集UA-DETRAC与KITTI中的实验结果表明,相较于原YOLOv4算法,所提算法的平均精度分别提升了2.45百分点和1.14百分点,检测速度达到41.67 frame·s^(-1)。相较于其他先进算法,所提算法在检测精度上表现良好。

基于多尺度注意力机制的无人机小目标检测算法

针对无人机航拍图像密集度大、目标尺寸小、背景复杂等难点,提出一种基于多尺度注意力机制的小目标检测(Small target detection of BPAN-EF_C2f YOLOv8s,SBE_YOLOv8s)算法,通过设计一种基于多尺度注意力机制的特征提取模块(EMA-Faster Block_C2f,EF_C2f),替换YOLOv8网络中的C2f模块,提高网络对小目标特征的提取能力;在特征融合网络中增加P1检测层,并设计一种跨尺度特征融合结构(Bi-Path Aggregation Network,BPAN),融合小目标特征信息;增加一个微小目标检测头,使用SIoU Loss作为边界框损失函数,提升小目标检测精度和网络收敛速度。在公开数据集VisDrone2019上进行实验验证。验证结果表明:与YOLOv8s算法相比,新算法在检测精度上提升了6.9%、mAP50提升了9.1%,模型参数量减少了44.6%,检测速度为28帧/s,新算法在小目标检测领域具有一定的实用性。

自注意卷积融合的嵌入式平台红外小目标检测

针对嵌入式硬件平台下红外小目标检测存在的内存与计算资源受限问题,高帧率检测需求,以及更高的目标级检测性能要求,提出了一种名为CAMNet的检测网络。该网络结合自注意力全局建模的优势与卷积轻量快速的处理特性,采用四级堆叠的编码器和解码器架构,有效降低了算法资源需求,提升了检测帧率;同时在损失函数方面提出了质心损失函数,有效提升了算法的目标级检测性能。在公开的SIRST数据集上的实验结果显示,CAMNet在常见嵌入式平台的检测帧率达107 FPS,相比于ISTDU-Net、UIU-Net等其它先进网络,目标检测率至少提高了0.76%,虚警率至少降低了87.30%,表明所提检测网络具备较快的检测速度以及较好的目标级检测性能。

小分子药物治疗骨关节炎的热点问题及应用前景

背景:骨关节炎的病理生理过程中存在多种蛋白、信号通路及炎症递质等的参与,开发针对这些蛋白、信号通路及炎症递质等的小分子药物,可有效延缓骨关节炎的进展并改善其临床表现。目的:基于骨关节炎的发病机制,对小分子药物治疗骨关节炎的研究进展作一综述。方法:检索PubMed、中国知网和万方数据库,英文检索词为“osteoarthritis,arthritis,osteoarthrosis,degenerative,arthritides,deformans,small molecule drugs,small molecule inhibitors,small molecule agents”,中文检索词为“骨关节炎,小分子药物,小分子抑制剂”,按纳入和排除标准共纳入68篇文献进行总结。结果与结论:①目前对于骨关节炎发病机制的研究尚不明确,骨关节炎的发生发展与蛋白质、细胞因子及信号转导通路的关系较为密切,因此其治疗机制较为复杂,当前通过小分子药物靶向骨关节炎相关的蛋白质、细胞因子及信号转导通路成为一大研究热点。②小分子药物通常具有明确的细胞内或细胞外靶点和疗效,包括增强软骨修复、抑制关节退化、减轻炎症和缓解疼痛,另外一些抗骨关节炎的小分子药物在促进干细胞软骨分化和软骨基质重建方面显示出前景。③目前对于小分子药物靶向骨关节炎的病理生理过程从而延缓骨关节炎的进展,还处于实验性阶段,但这些小分子药物在实验过程中大部分都表现出预期的结果,目前并无相关研究说明小分子药物治疗骨关节炎的疗效。④小分子药物治疗骨关节炎在基础实验阶段已经达到了预期的实验结果,大量研究表明,小分子药物可以靶向抑制引起骨关节炎的特定蛋白质、细胞因子及信号转导通路,从而治疗骨关节炎,但其安全性和有效性等问题还需要进一步的基础和临床研究进行验证,这一过程需要更多的学者进行探索和研究。⑤目前国内外有许多学者针对骨关节炎的治疗做出了贡献,比起传统治疗方式而言,小分子药物在基础实验阶段表现出更好的疗效和安全性,有望成为未来骨关节炎治疗的新兴方法,为骨关节炎患者摆脱痛苦。

罕见驱动基因阳性非小细胞肺癌靶向治疗的研究进展

非小细胞肺癌(NSCLC)是一种常见的恶性肿瘤,其发病率和死亡率均呈上升趋势。靶向治疗为NSCLC患者带来了更多的可能性,并正逐渐成为驱动基因阳性NSCLC患者的一线治疗方法。随着对NSCLC生物学研究的深入及高通量二代测序检测的应用,越来越多的驱动基因被发现,针对各驱动基因的临床研究也迅速进展,目前c-ros肉瘤致癌因子-受体酪氨酸激酶突变、间质-上皮细胞转化因子突变、人表皮生长因子受体2突变、ret原癌基因突变及鼠类肉瘤滤过性毒菌致癌同源体B1突变等罕见驱动基因突变的临床研究层出不穷,为NSCLC患者的治疗提供了新思路。

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。