结合红外显著性目标导引的改进YOLO网络的智能装备目标识别研究

为了提升实际作战环境下目标检测识别的性能,本文提出了一种基于红外显著性目标导引的改进YOLO(You Only Look Once)网络的智能装备目标识别算法,该算法利用红外图像提供目标可能的位置引导可见光图像中的深度自主学习,提升检测与识别的实时性。改进YOLO-V3识别网络是以Darknet-53为基础网络架构,利用DenseNet代替具有较低分辨率的原始转移层,同时采用分类网络预训练、多尺度检测网络训练等措施增强特征传播,复用和融合的性能。仿真实验结果表明,本文提出的模型可以有效地提高现有目标检测与识别的性能。

基于改进YOLO网络的双通道显著性目标识别算法

由于缺乏目标的先验信息,实时预警检测系统存在虚警率高、实时性偏低等问题,限制了实战环境下的广泛应用。为了提升目标检测识别的性能,本文提出了一种基于改进YOLO网络的双通道显著性目标识别算法,该算法利用红外图像与可见光互补特性进行多尺度融合,并在融合图像上采用显著性检测获取疑似目标区域,最后利用改进的识别网络对疑似区域进行多层次目标识别。改进的YOLO识别网络增加了一路辅助网络,改善整个特征提取网络的性能,并采用注意机制对辅助网络和骨干网络的特征信息融合,增强有效信息通道,抑制无效信息通道,提高网络识别效率。仿真实验结果表明,本文提出的模型可以有效地提高目标检测与识别精度,其实时性得到了大大增强。