一种基于改进YOLOv3的遥感影像飞机目标检测算法

针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。     

基于改进YOLOv5的无人机影像道路裂缝检测方法

道路裂缝的出现对道路使用寿命和人车安全带来明显影响,需及时检测出道路裂缝。针对无人机影像中裂缝目标小、图像背景复杂导致检测精度低等问题,本文以无人机采集裂缝图像作为研究数据,提出了一种改进YOLOv5模型的深度学习道路裂缝检测方法。在YOLOv5模型骨干网络中分别加入CBAM、SimAM、CA注意力机制,提高模型对裂缝的识别能力及检测精度,通过消融试验进行对比分析,同时在YOLOv5模型上融入自适应空间特征融合算法,改善裂缝特征提取能力。研究表明,改进后的YOLOv5网络模型相比于原模型,精度得到明显提高,均值平均精度(mAP)提升20.6%,在保证准确性的同时有效提高了检测精度,可为道路裂缝检测提供新的方法。     

图像跨尺度特征融合与数据增强的公交客流检测模型

针对目前公交客流目标检测中由于前后排乘客图像尺寸差距大、遮挡严重而难以检测的问题,提出一种改进的目标检测模型YOLOv5s＿P。该模型基于YOLOv5基本架构,针对乘客图像尺寸差距大的问题,使用重复加权双向特征金字塔网络结构替换YOLOv5中的路径聚合网络结构,引入权重机制双向跨尺度融合不同特征,增强提取复杂目标特征的能力;同时针对遮挡问题,结合Mixup数据增强方法,扩充遮挡和重叠图像的训练样本,提高模型泛化能力,减少客流图像残缺导致的漏检。为了验证YOLOv5s＿P模型性能,将其应用于实际公交场景,并与Faster R-CNN、SSD300、RetinaNet、YOLOv5s 4种模型进行对比测试。实验结果表明,YOLOv5s＿P模型在不影响检测速度的情况下,平均精度均值达到96.9%,平均漏检率较YOLOv5s模型降低了3.43%,提高了公交客流的检测精度。     

深度学习遥感影像多尺度油罐检测算法性能分析

遥感影像中油罐目标尺度变化大,小目标较多,影响其检测性能。为探究影像缩放对各网络油罐检测的影响以及油罐目标尺寸对于检测结果影响的规律,选择经典的5种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3和RetinaNet算法,对不同尺度油罐目标的检测精度、泛化能力和运行效率等进行了对比分析和实验验证。实验结果表明,RetinaNet和RFCN算法的平均精度和泛化能力最好;YOLOv3算法的速度最快。不同算法都有所谓的最佳检测尺寸窗口,通过对检测影像适当地缩放可以使待检测目标尺寸落入最佳窗口,从而提高油罐目标检测的精度。同时,对基于深度学习的遥感影像多尺度油罐检测算法提出了改进的建议。     

轻型卷积网络遥感影像多地物快速检测方法研究

针对低算力硬件环境下,常规遥感影像目标检测方法难以正常运行的问题,提出一种轻型遥感影像检测模型。以深度可分离卷积核与平均池化下采样并联结构搭建特征提取结构,然后在特征提取结构末端连接双层轻型特征强化金字塔,最后在检测输出端口使用改进非极大值抑制算法输出最佳检测框。以多个开源遥感影像数据集构建测试数据集,同时使用改进的k-means++算法进行锚点框聚类。实验结果表明,本文模型在平均精度均值方面显著优于对比模型,同时能够在低算力硬件中开展实时级检测,具有实际应用价值。     

改进Yolo-v3的视频图像火焰实时检测算法

为解决现有视频图像火焰检测方法精度低、速度慢的问题,提出了改进Yolo-v3的视频火焰实时检测算法。首先,在特征提取阶段,通过进一步融合多尺度特征提高网络对图像浅层信息的学习能力,以实现小火焰区域的精准识别;其次,在目标检测阶段,利用改进的K-means聚类算法优化多尺度先验框以适应火焰不同尺寸;最后,在改进Yolo-v3的视频火焰检测之后,利用火焰特有的闪烁特征对检测结果中的误检帧进行排除,进一步提高检测精度。从精度和速度两个方面对视频火焰进行检测,并与近年来先进的火焰检测算法对比,结果表明,该方法准确率均值可达到98.5%,误检率低至2.3%,平均检测速率为52帧/s,在精度和速度方面皆有更好的表现。     

通道剪枝与知识蒸馏相结合的轻量化SAR目标检测

轻量化SAR目标检测方法对快速检测SAR影像中的地物目标具有重要意义。针对轻量化检测方法精度不高的问题,设计了一种通道剪枝与知识蒸馏相结合的轻量化SAR目标检测方法。该方法通过对复杂网络中批归一化层的缩放因子γ进行稀疏化训练,判别对应特征通道的重要程度,进而裁剪次要通道,并在微调训练后将其作为教师网络,构造知识蒸馏框架指导轻量模型训练,提高轻量模型的检测精度。采用YOLOv5-6.1算法搭建了检测框架,并在重组的MSAR和SSDD多类目标数据集上进行了训练和检测试验,结果表明该方法能够在保持模型体积仅3.73 MB的轻量化条件下,提升SAR目标检测精度,验证了本文方法的有效性。     

道路交叉口自动检测算法的研究

针对高分辨率遥感影像道路交叉口特征不明显、检测难度大等问题,该文提出一种改进的道路交叉口自动检测算法。该算法在YOLOv3网络基础上,首先采用参数修正单元激活卷积层,使目标特征在传递过程中保留更多负信息;然后在特征提取端与特征检测端之间实现多尺度特征融合,增强目标细节特征的提取;最后将单向卷积模块改进为多通道卷积模块,对卷积模块横向拉伸后再纵向聚合。为了验证算法有效性,对常见7种类型交叉口进行测试,实验结果表明:改进后算法对复杂背景下小尺寸道路交叉口的检测效果得到明显提升,有效实现了多种类型的道路交叉口自动化检测。     

基于改进ShuffleNetv2的轻量化遥感影像地面目标检测方法

提出一种用于遥感影像地面目标检测的轻量化检测模型,以ShuffleNetv2作为模型的特征提取骨干网络,在网络前三层引入基于风格重新校准通道注意力模块来提高模型对小尺寸样本的学习能力;使用多级特征图融合机制构建特征图金字塔,将浅层特征与深层充分融合,以进一步增强模型对不同尺寸目标特征的学习能力。基于RSOD Dataset创建训练和测试数据集,并在消融实验中验证了所使用改进策略对精度提高的实际效果,在模型对比试验中验证了本文模型在检测精度、速度以及模型体量方面的优越性。     

一种面向绝缘子缺陷检测的YOLOv5l优化模型

由于无人机电力影像存在绝缘子器件尺度变化大,输电线路背景复杂,绝缘子缺陷目标小的特点,导致传统目标检测算法识别精度不高。该文提出以YOLOv5l为基础的CA、Transformer编码块和多尺度相融合的改进网络模型,较好的提高了大尺度变化影像上绝缘子缺陷检测的准确性,提升了复杂背景下多类型绝缘子缺陷识别的能力,并解决了微小绝缘子缺陷漏检的问题。基于在某电网公司的数据集上完成训练和验证实验,表明优化模型相比原YOLOv5l模型,准确率提升8.9%,召回率提升4.4%,平均精度均值提升3.5%,说明改进模型对绝缘子缺陷检测有效。     

结合RPN网络与SSD算法的遥感影像目标检测算法

利用传统方法对遥感影像的目标检测,过程复杂并且耗时.随着深度学习的发展,用深度学习的方法进行目标检测,为遥感影像的检测开辟了新的思路.当前目标检测的方法主要包括以Faster R-CNN为代表的两阶段检测算法和以SSD为代表的单阶段算法,两阶段算法精度高速度慢,单阶段算法速度快精度低.针对两种算法的优势,该文将Faster R-CNN中的RPN与SSD算法相结合,融合单阶段和两阶段算法的优势,在提高精度的情况下保证速度,并加入特征金字塔结构,利用多个卷积层融合低层特征和高层特征的信息,提高预测效果.在NWPUVHR-10高分辨率数据集上进行训练和测试,对结果进行算法评估.同时选用测试集将该文算法与Faster R-CNN和SSD算法进行对比,实验表明该文算法提高了对小目标物体的检测精度,获得了更优的性能.     

基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测

飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题,本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架,采用轻量级基础网络提取多尺度特征信息;然后设计反卷积特征融合模块,通过跳跃连接将高层语义特征与低层细节特征进行特征融合,得到结构层次丰富的多尺度融合特征;最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验,结果表明,MultDet512在飞机数据集上取得了94.8%的平均检测精度(average precision,AP),在Titan Xp GPU上达到0.0500s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中,能够实现多尺度飞机目标的高精度稳健检测。     

复杂场景下无水尺水位的影像水位反演智能检测方法

实现精细化水务管控和洪涝灾害预警,需要实时、准确感知水位突变事件。现有技术不能满足夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下的水位识别需求。为此,本文提出一种融合改进YOLOv5与卡尔曼滤波原理的无水尺水位智能检测技术：(1)引入YOLOv5对水位线(水岸分界线)进行检测,并利用线性拟合方法获得实际水位线;(2)针对水位线在延伸方向无限大而在其法向无限小特点,提出强化中尺度特征的多层级特征融合方法改进原YOLOv5算法;(3)利用卡尔曼滤波引入水位历史信息作为先验知识,提高本技术对复杂恶劣环境的泛化性能;(4)将图像中事先标定的固定的标志物加入到深度学习网络中训练,根据标志位真实尺寸解算实际水位高程,实现无水尺检测方案。相关试验和实践表明,改进的YOLOv5更加轻量化;本文所述水位智能检测技术斜率准确性为97.3%,较原算法提高了2.4%;截距准确性为99.3%,较原算法提高了0.5%;在夜晚、雾霾、雨天、雪天、漂浮物遮挡及阴影等复杂恶劣环境下可以自动、准确识别出水位高程,误差小于0.1 m。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

轻型注意力卷积无人机影像车辆检测模型研究

提出一种能够部署于无人机终端的轻量级端到端车辆检测模型。在骨干网络中,首先,使用焦点机制对输入的原始图像进行无损下采样;然后,利用带有轻型注意力模块的深度可分离卷积核组成特征提取层;最后,在特征金字塔中通过跨尺度多层融合来提高三个层级输出特征图内的信息复杂程度。将开源无人机影像数据集VisDrone与多个时期采集的无人机道路影像混合,经过增强处理后作为训练集对模型进行训练。实验结果表明,本文所提出模型对于各类车辆目标均表现出稳定的检测性能,在综合检测精度方面明显优于几组对照模型,同时训练后模型体量较小,能够在测试环境的嵌入式硬件终端上部署并开展实时检测。     

基于神经网络的无人机影像多目标检测方法

针对现有方法检测无人机目标时精度与泛化能力不足,提出一种基于回归的多目标检测方法.使用密集连接增强层间信息传递,添加批量再规范化(Batch Renormalization,BRN)层加速模型训练,降低样本分布不均而导致的精度偏低,使用密集连接结构聚合上采样层不同层信息.以开源数据集Vision Drone为基础建立优化数据集训练模型.结果表明,提出模型检测精度达89.57％平均精度均值,相比(You Only Look Once v3,YOLOv3)模型和(Region Full Convolutional Network,R-FCN)分别提高6.53％和3.11％,检测速度达27每秒传输帧数,在不同场景表现稳定.     

高分影像密集建筑物Correg-YOLOv3检测方法

精准地检测建筑物目标对于城市规划、智慧城市建设和军事民事活动中均有重要意义。针对高分辨率遥感影像中密集型建筑物检测框重叠比高的问题,本文提出了一种Correg-YOLOv3(corner regression-based YOLOv3)检测方法,该方法以YOLOv3网络架构为基础,通过嵌入角点回归机制,增设一个关于顶点相对于边界框中心点的偏移量的额外损失项,扩展其输出维度,使其可同时输出矩形检测框及建筑物角点,实现密集分布的建筑物精准定位。最后,通过试验对本文方法进行定性和定量的评估。试验研究结果表明：本文方法检测精度、召回率、F₁和平均精度分别达到了96.45%、95.75%、96.10%和98.05%,较原算法YOLOv3分别提高了2.73%、5.4%、4.1%和4.73%。因此,本文方法有效解决了高分影像中密集型建筑物的检测问题。     

改进Mask R-CNN公路病害检测算法

针对公路路面病害与背景像素对比度低导致检测困难的问题,本文提出了改进Mask R-CNN公路病害检测算法(FAC-Mask R-CNN)。首先在ResNet101基础上增加强位置信息浅层特征表达,并融合相邻特征图作为主干网络最终特征输出,同时引入CBAM模块,以减弱目标与背景像素间低对比度的影响;然后采用深度可分离卷积和空洞卷积分别代替主干网络及有效特征层输出过程应用的普通卷积,提升模型计算效率及掩码预测精度。FAC-Mask R-CNN在公路路面病害数据集(RDD)上平均精确率为89.86%,召回率为88.54%,调和均值为90%,相较于Mask R-CNN算法平均精确率提升3.09%。结果表明,FAC-Mask R-CNN能有效完成公路路面病害精细化检测与分割任务。     

多尺度并联卷积神经网络遥感影像油罐目标检测算法

针对传统遥感影像油罐目标检测算法依赖油罐圆形特征,对于背景复杂和存在大量小目标的情况检测效果差的问题,提出一种多尺度并联卷积神经网络油罐目标检测算法.首先根据油罐目标尺寸对各神经网络检测效果的影响规律,采用不同网络架构分别检测不同尺寸的油罐目标;其次利用经过训练的分类网络对上述检测结果进行后处理,剔除可能存在的误检;最后将所有结果共同进行非极大值抑制,从而实现不同尺寸油罐目标的检测.对多个数据集下的遥感影像进行了测试,实验结果表明,与传统经典的目标检测算法相比,该算法明显提高了油罐目标的检测精度、召回率和鲁棒性;同时级联分类网络对检测结果的后处理过程也大大降低了油罐目标检测的虚警率,提高了可靠性.     

基于多核学习的高分辨率遥感图像目标检测方法

为更有效地实现复杂场景中的多类目标同时检测,本文提出了一种基于多核学习算法进行目标检测的框架。该方法由特征提取和模型训练2个阶段组成。特征提取阶段,引入了多尺度下的点特征、表观特征同时对多类目标进行综合描述;模型训练阶段,分别采用加权相加和相乘2种方法将提取的各个基础特征组合起来,在支持向量机的框架下对各特征所代表的基础核权重进行学习。将训练所得的分类器结合滑动窗搜索技术对遥感图像进行目标检测实验,结果表明,与传统单核支持向量机相比,准确率更高。