摘要： 為了滿足海洋生物檢測對精度和實時性的要求,提出了一種基于改進SSD算法(single shot multibox detector)的海洋生物檢測算法。針對SSD算法淺層特征層語義信息不足、小目標檢測效果差等問題,設計了特征融合模塊和特征增強模塊。特征融合模塊通過融合不同特征層,豐富了淺層特征層的語義信息以及深層特征層的細節(jié)信息,綜合上下文信息提高檢測效果。為了進一步提高淺層特征層的語義信息,提出了特征增強模塊,通過引入空洞卷積以及多尺度的卷積核,綜合不同感受野信息以提高改進算法對小目標的檢測效果。改進算法在僅增加少量計算量和參數(shù)量的情況下,全面提高了算法對海洋生物目標的檢測準確率。結(jié)果表明,改進算法在海洋生物數(shù)據(jù)集中的平均精度(mAP)達80.8%,比原始網(wǎng)絡提高了5%,檢測速度(FPS)為74,略低于SSD算法,但遠高于其他改進算法。改進算法能在保持實時性的同時取得較高的檢測精度,能夠滿足海洋生物檢測要求。

摘要： 農(nóng)業(yè)生產(chǎn)環(huán)境中的目標識別對象常具有分布密集、體積小、密度大的特點,加之農(nóng)田環(huán)境光照多變、背景復雜,導致已有目標檢測模型無法取得令人滿意的效果。本研究以提高小目標的識別性能為目標,以蜜蜂識別為例,提出了一種農(nóng)業(yè)復雜環(huán)境下尺度自適應小目標識別算法。算法克服了復雜多變的背景環(huán)境的影響及目標體積較小導致的特征提取困難,實現(xiàn)目標尺度無關(guān)的小目標識別。首先將原圖拆分為一些較小尺寸的子圖以提高目標尺度,將已標注的目標分配到拆分后的子圖中,形成新的數(shù)據(jù)集,然后采用遷移學習的方法重新訓練并生成新的目標識別模型。在模型的使用中,為使子圖識別結(jié)果能正常還原,拆分的子圖之間需具有一定的重疊率。收集所有子圖的目標識別結(jié)果,采用非極大抑制(Non-Maximum Suppression,NMS)去除由于模型本身產(chǎn)生的冗余框,提出一種交小比非極大抑制(Intersection over Small NMS,IOS-NMS)進一步去除子圖重疊區(qū)域中的冗余框。在子圖像素尺寸分別為300×300、500×500和700×700,子圖重疊率分別為0.2和0.05的情況下進行驗證試驗,結(jié)果表明:采用SSD(Single Shot MultiBox Detector)作為框架中的目標檢測模型,新提出的尺度自適應算法的召回率和精度普遍高于SSD模型,最高分別提高了3.8%和2.6%,較原尺度的YOLOv3模型也有一定的提升。為進一步驗證算法在復雜背景中小目標識別的優(yōu)越性,從網(wǎng)上爬取了不同尺度、不同場景的農(nóng)田復雜環(huán)境下的蜜蜂圖像,并采用本算法和SSD模型進行了對比測試,結(jié)果表明:本算法能提高目標識別性能,具有較強的尺度適應性和泛化性。由于本算法對于單張圖像需要多次向前推理,時效性不高,不適用于邊緣計算。

摘要： 針對SSD(single shot multibox detector,單步多盒檢測)算法在車輛的自動緊急制動(AEB)中對遠方目標檢測效果差、檢測速度慢、對硬件資源需求高的問題,提出了一種基于SSD的改進算法。首先用MobileNetv2替換SSD中的AGG-16作為檢測網(wǎng)絡,以減少參數(shù)數(shù)量和計算量,降低網(wǎng)絡對硬件性能的需求;其次,提出了特征增強和融合的方法,反復挖掘目標信息,并把不同特征層的信息進行融合,以提高對小目標檢測的能力;最后,對先驗框解碼過程進行改進,減少網(wǎng)絡需要解碼的先驗框數(shù)量,再次減少計算量,提高網(wǎng)絡檢測速度,并調(diào)整先驗框的尺寸,進一步增強小目標檢測的能力。把改進后的網(wǎng)絡和SSD300、YOLO、MobileNetv2-SSD等網(wǎng)絡在KITTI數(shù)據(jù)集上進行檢測和對比分析,實驗結(jié)果表明,改進后的網(wǎng)絡對小目標識別的速度有所加快,魯棒性更好,準確率更高,同時也降低了對硬件配置資源的需求。

摘要： 針對遙感影像目標檢測中部分輸電塔因目標較小、特征不顯著而難以識別的問題,提出一種優(yōu)化和改進的YOLOv5目標檢測方法。首先,通過增加更大尺度檢測層,以提升小目標的檢測效果;其次,將大尺寸高分辨率遙感影像通過滑窗分割成小尺寸圖像,進行檢測及再還原,解決了遙感影像中難以直接有效識別輸電塔等問題;最后,調(diào)用GDAL模塊自動計算被識別輸電塔的地理坐標。實驗結(jié)果表明,改進YOLOv5模型較原始YOLOv5模型具有更好的小目標檢測效果,測試集輸電塔的AP值由0.87147提升為0.89717,GDAL計算輸電塔空間坐標準確。

摘要： 針對SSD算法在目標檢測過程中對小目標檢測的不足,提出了一種基于SSD算法的一階段目標檢測器--FIENet(feature integration and feature enhancement network)。在FIENet中設計了兩個模塊,一是特征融合模塊,該模塊對SSD淺層的特征映射信息進行融合以提高小目標檢測能力;二是特征增強模塊,該模塊采用了殘差網(wǎng)絡(Res2Net)以及注意力機制(attention),對特征融合后的模塊以及SSD中的深層特征映射進行增強。為了更好地檢測小目標,還調(diào)整了淺層特征映射先驗框的數(shù)量。為了評價FIENet的有效性,在PASCAL VOC2007以及MSCOCO數(shù)據(jù)集上進行了實驗。實驗結(jié)果表明,在PASCAL VOC2007數(shù)據(jù)集上檢測精度(mAP)較SSD提高3.1個百分點,對小目標bird、bottle、chair、plant檢測精度分別提升了3.6、9.5、5.4、5.5個百分點。在COCO數(shù)據(jù)集上達到29.4%的檢測精度(mAP)。實驗結(jié)果證明FIENet網(wǎng)絡在保持實時性的同時可以達到較高的檢測精度。

摘要： 針對目前艦船目標檢測中,多目標情況下的艦船目標很容易被多目標遮擋,造成艦船目標漏檢、分類錯誤等問題,提出了一種基于改進RFBnet(I-RFBnet)的自然圖像目標檢測方法。使用池化特征融合模塊(PFF)和反卷積特征融合模塊(DFF)進行特征融合,形成新的六個有效特征層。提出一種跨步長卷積方式來提取特征單元在原圖中的關(guān)心區(qū)域信息,設計了融入注意力機制的膨脹卷積模塊(dilate convolutions block,DB)和新的前三個有效特征層再次進行特征融合。引入聚焦分類損失函數(shù)解決訓練過程中正負樣本分布不均衡的問題;最后通過對規(guī)模船只檢測數(shù)據(jù)集SeaShips訓練后,保存其模型。實驗結(jié)果表明:改進后的算法檢測效果良好,尤其在多目標遮擋下的小目標效果顯著。平均精度均值為96.26%,比改進前的算法提高了4.74個百分點,幀率達到26 FPS(frame per second),滿足實時檢測的需求。

摘要： 旋轉(zhuǎn)彈的電視攝像頭拍攝畫面會產(chǎn)生旋轉(zhuǎn)及抖動模糊,在預先偵查目標數(shù)據(jù)較少且末制導段視野目標較小的情況下,目標難以精確探測,為此提出一種基于改進YOLOv3和核相關(guān)濾波(KCF)算法的目標檢測與跟蹤算法,通過深度學習實現(xiàn)目標的自動檢測。制作模擬山地打擊場景的數(shù)據(jù)集,基于少量數(shù)據(jù)樣本的前提,模擬不同天氣、光照、運動及旋轉(zhuǎn)模糊等復雜環(huán)境,完成在網(wǎng)絡學習中數(shù)據(jù)的增強和擴充;通過在YOLOv3網(wǎng)絡基礎(chǔ)上添加Inception多尺度分支結(jié)構(gòu),增加網(wǎng)絡對于目標不同尺寸的適應性,減少網(wǎng)絡層數(shù),更能適應對小目標的檢測;在實現(xiàn)目標定位方法上,將目標檢測與跟蹤算法相融合,提出一種目標丟失判別機制,并利用彈道的速度—時間信息更新目標跟蹤框尺度。仿真實驗結(jié)果表明,相比原始算法,改進算法能更有效實現(xiàn)復雜環(huán)境下的目標檢測和跟蹤。

摘要： 目前,目標檢測被應用于諸多領(lǐng)域,在得到廣泛關(guān)注的同時也變得越來越成熟。不過,小目標檢測一直是目標檢測的難點,主要是因為圖像分辨率低、圖像模糊以及所攜帶的信息減少和包含的特征表達非常少,致使計算機不能對相關(guān)信息進行有效提取和識別。文章主要介紹了傳統(tǒng)的目標識別以及基于深度學習的目標檢測,最后提出了小目標的相關(guān)檢測方法。

摘要： 為了研究傳統(tǒng)目標檢測算法在進行道路小目標檢測時效果不佳及漏檢率較高等問題,本文提出了一種基于改進YOLOv3的小目標檢測方法.首先通過設計新的特征融合結(jié)構(gòu)降低小目標漏檢率,并且使用DIOU損失提高定位精確度.同時對YOLOv3算法中的聚類算法進行改進,采用K-means++算法改進聚類先驗框中心點的提取,選取更為合適的Anchor Box,用于提高檢測的平均精度和速度.在自制混合數(shù)據(jù)集上對行人及車輛進行對比檢測,在不影響檢測速度的情況下,改進的YOLOv3算法能夠有效降低小目標物體漏檢率,并且提高了檢測精度.根據(jù)實驗結(jié)果,本文所提出的改進YOLOv3模型在混合數(shù)據(jù)集上的平均精度達到92.82%,與未改進的YOLOv3算法相比提高了2.77%.

摘要： 針對遙感圖像中小目標數(shù)量多且檢測困難、漏檢誤檢現(xiàn)象嚴重等問題,基于YOLOv3算法修改損失函數(shù)、調(diào)整圖片輸入尺寸、采用多尺度訓練、加入標簽平滑策略,提高了模型對遙感圖像中小目標的檢測能力。訓練結(jié)果表明,基于改進YOLOv3的遙感圖像目標檢測算法在公開數(shù)據(jù)集VISDrone2019中的平均準確率為19.9%,基本能夠滿足遙感圖像小目標的檢測要求。

摘要： 基于樣條小波的邊緣檢測能有效的提取出圖像的邊緣特征信息,將其應用于光學相關(guān)目標的自動探測與識別中,能有效的提取出被測目標與參考目標的邊緣信息。經(jīng)過聯(lián)合變換相關(guān)器后,可以獲得更加尖銳的相關(guān)峰,解決了小目標的識別問題。作為實例,紿出了小目標——導彈的實驗結(jié)果。

摘要： 遠距離運動小目標的自動識別在軍事上有著非常重要的意義,可以應用于遠距離監(jiān)視如搜索和跟蹤系統(tǒng)以及防御武器系統(tǒng)。在復雜背景中對低對比度運動小目標的自動捕獲與跟蹤是非常困難的。本文提出一種自動檢測小目標的算法,首先在圖像序列中檢測可能的目標,然后根據(jù)時空一致性去除假目標。

摘要： 本文分析了紅外點目標的成像特性,介紹了帶通濾波的特點和設計方法,并在對數(shù)據(jù)進行濾波處理后采用基于位置和灰度相關(guān)算法對目標進行確認,并引入了海天線的計算模型.該方法適應性強,處理效果好,對海背景干擾和天空云層干擾具有較高的抑制作用.通過卷積實現(xiàn)的帶通濾波算法計算簡明,且容易由硬件實現(xiàn),對運動小目標的檢測具有較強的應用價值.實驗結(jié)果表明本算法能夠檢測出海天背景下幀間快速移動的低信噪比的紅外小目標.

摘要： 本發(fā)明公開了一種基于小尺度目標的實時目標檢測方法，包括：S1、網(wǎng)絡檢測層調(diào)整，S2、網(wǎng)絡默認框重構(gòu)，S3、網(wǎng)絡深層信息提取增強，S4、網(wǎng)絡淺層信息融合增強。本發(fā)明在深層網(wǎng)絡構(gòu)建多路徑聯(lián)合特征提取增強模塊，對淺層網(wǎng)絡構(gòu)建二次遞歸特征金字塔生成語義與定位信息互補融合路徑，并加入注意力機制增強融合效果，對定位損失函數(shù)設計添加排斥損失函數(shù)以減輕相互交疊的目標對檢測的相互干擾等創(chuàng)新性方法。通過以上改進，可以使檢測模型相比原始檢測網(wǎng)絡的體量變輕，對小尺度目標的檢測性能得到較大提升。

摘要： 本發(fā)明涉及一種基于雷達和光電的低慢小目標與海面小目標識別方法，主要適用于預警探測系統(tǒng)下低慢小目標與海面小目標分類識別。其主要流程是：首先雷達對光電進行目標指引，雷達與光電對目標進行復合跟蹤；待雷達與光電對目標進行穩(wěn)定跟蹤后，調(diào)用雷達對目標進行高重頻探測，同時調(diào)用光電對目標進行紅外成像；然后分別提取目標的微多普勒調(diào)制特征和紅外特征；利用目標微多普勒調(diào)制特征、紅外特征結(jié)合目標運動特征和運動特征構(gòu)造目標特征矩陣，最后結(jié)合線性二分類器進行低慢小目標與海面小目標分類識別。本發(fā)明所提供的方法可以充分發(fā)揮預警探測系統(tǒng)中雷達和光電設備的優(yōu)勢，彌補各自低慢小目標與海面小目標分類識別能力的不足，綜合提高識別能力。

摘要： 本發(fā)明公開了一種優(yōu)化小目標的點云三維目標檢測方法和系統(tǒng)，首先采集點云數(shù)據(jù)，進行過濾后再體素化得到體素特征；構(gòu)造并訓練融合神經(jīng)網(wǎng)絡和目標檢測神經(jīng)網(wǎng)絡，待測原始點云數(shù)據(jù)基于訓練好的融合特征神經(jīng)網(wǎng)絡和目標檢測神經(jīng)網(wǎng)絡進行推理測試，目標檢測神經(jīng)網(wǎng)絡的輸出為三維目標檢測結(jié)果。其中，目標檢測神經(jīng)網(wǎng)絡包括骨干網(wǎng)絡、基于Anchor Free的檢測頭和后處理。本發(fā)明采用基于Bev圖和Voxel結(jié)合的方法，保證了效率的同時，大幅度提升小目標檢測精度。

摘要： 本發(fā)明公開了一種反低慢小目標的多無人機協(xié)同目標搜索方法，該方法中通過將地圖分割成為多個網(wǎng)格，并為每個網(wǎng)格賦予不同的評價標準，最終轉(zhuǎn)換成為無人機的受力情況，其受力最大的方向即為無人機應該去搜尋的方向，其中基于全局信息，具體考慮了全局因素對無人機的吸引值，以使得無人機的最終受力情況考慮到地圖整體狀況，傾向于朝著未搜索的大片未知區(qū)域移動，以便于減少重復搜索路徑，也能夠避免出現(xiàn)部分未知區(qū)域無法搜索到的狀況。

摘要： 本發(fā)明涉及一種基于雷達和光電的低慢小目標與海面小目標識別方法，主要適用于預警探測系統(tǒng)下低慢小目標與海面小目標分類識別。其主要流程是：首先雷達對光電進行目標指引，雷達與光電對目標進行復合跟蹤；待雷達與光電對目標進行穩(wěn)定跟蹤后，調(diào)用雷達對目標進行高重頻探測，同時調(diào)用光電對目標進行紅外成像；然后分別提取目標的微多普勒調(diào)制特征和紅外特征；利用目標微多普勒調(diào)制特征、紅外特征結(jié)合目標運動特征和運動特征構(gòu)造目標特征矩陣，最后結(jié)合線性二分類器進行低慢小目標與海面小目標分類識別。本發(fā)明所提供的方法可以充分發(fā)揮預警探測系統(tǒng)中雷達和光電設備的優(yōu)勢，彌補各自低慢小目標與海面小目標分類識別能力的不足，綜合提高識別能力。

摘要： 本發(fā)明提供一種針對小目標的交通人車非目標檢測方法，先獲取待訓練的交通圖像樣本集；再針對小目標的數(shù)據(jù)進行數(shù)據(jù)增強；繼而構(gòu)建基于yolov5的小目標檢測網(wǎng)絡，將帶標簽的圖像樣本集輸入神經(jīng)網(wǎng)絡中，根據(jù)損失值對網(wǎng)絡參數(shù)的偏導更新神經(jīng)網(wǎng)絡的參數(shù)權(quán)重，當損失值最小時，得到訓練好的針對小目標的人車非目標檢測模型；最后將待檢測的交通圖片輸入檢測模型中，輸出圖像中各目標的類別、置信度和四個位置坐標。本發(fā)明通過使用針對小目標的數(shù)據(jù)增強方法以及構(gòu)造基于注意力機制的特征融合模塊，基于YOLOV5檢測網(wǎng)絡實現(xiàn)對交通人車非目標的實時檢測，大幅度提升了小目標的檢出率和檢測準確性。

摘要： 本發(fā)明涉及一種適用于小目標的雷達目標檢測方法及其系統(tǒng)，包含以下步驟：歷史幀數(shù)據(jù)累積步驟，獲取無人機在第i幀的無人機的水平速度v；獲取目標在第i幀的目標距離、目標速度、目標角度；對第i幀的每一距離維進行恒虛警計算，選取信噪比最大的結(jié)果作為預定目標，獲取第i幀的原始目標幅值、原始目標距離、原始目標速度；重復上述步驟，積累Q個幀的原始目標幅值、原始目標距離、原始目標速度建立歷史幀數(shù)據(jù)，其中i＝1、2、3…Q，Q為正整數(shù)；預測步驟，提取所述歷史幀數(shù)據(jù)，預測每一幀的目標在當前幀的位置；能量值計算步驟，提取所述歷史幀數(shù)據(jù)，加權(quán)累積每一幀的所述原始目標幅值得到對應的能量值；目標輸出步驟。

摘要： 本發(fā)明公開了一種提升小目標檢測精度的輕量級目標檢測方法，將EfficientDet模型中BiFPN結(jié)構(gòu)改進為BmFPN，代替YOLOv5原有的PANet作為特征網(wǎng)絡實現(xiàn)特征融合，加強了對底層特征信息的提取，對各層特征圖加入權(quán)重機制。在損失函數(shù)中引入CIoU代替原GIoU，其中的長寬比影響因子使得目標框回歸變得更加穩(wěn)定，尤其當IoU為零時，損失函數(shù)更傾向于向重疊區(qū)域增多的方向優(yōu)化。本發(fā)明網(wǎng)絡結(jié)構(gòu)尺寸小、檢測速度快、精度高，完全滿足實時性場景的要求，有非常高的實用價值。

摘要： 本發(fā)明涉及一種基于目標檢測和超分重建的小目標分割方法和裝置，首先對小目標進行檢測，并將小目標圖像塊從大圖中切割出來，其次采用超分重建算法對小目標圖像塊進行超分重建，最后對超分重建后的圖像進行語義分割，并對分割結(jié)果進行修正，得到最終目標分割圖像。本發(fā)明結(jié)合目標檢測和超分重建的語義分割算法，大大降低了小目標語義分割難度，提高了算法的運算效率，同時提高了小目標的提取精度。

摘要： 本發(fā)明屬于目標識別技術(shù)領(lǐng)域，具體涉及一種面向小目標超分辨重建圖像的目標識別模型構(gòu)建方法，包括：采用真實高分辨率圖像訓練包括特征提取網(wǎng)絡和識別分類網(wǎng)絡的識別網(wǎng)絡模型；將已訓練特征提取網(wǎng)絡的參數(shù)遷移至與該特征提取網(wǎng)絡結(jié)構(gòu)相同的生成器和特征提取參考網(wǎng)絡，將已訓練識別分類網(wǎng)絡的參數(shù)遷移至與該識別分類網(wǎng)絡結(jié)構(gòu)相同的分類器，生成器與分類器構(gòu)成目標識別模型，特征提取參考網(wǎng)絡和判別器構(gòu)成輔助訓練網(wǎng)絡，以GAN網(wǎng)絡對抗方式輔助訓練已參數(shù)遷移后的目標識別模型；迭代訓練過程中，固定特征提取參考網(wǎng)絡的參數(shù)，根據(jù)損失函數(shù)交替更新生成器和分類器的參數(shù)以及判別器的參數(shù)。本發(fā)明能夠提高目標識別器在超分辨率重建后目標圖像的識別性能。