关键词： 深度学习   水下图像增强   水下目标检测   YOLOv5   轻量化  

摘要： 基于视觉的水下目标检测是自主水下机器人(Autonomous Underwater Vehicle,AUV)视觉感知系统中的关键技术,同时由于水下能见度低,干扰多,也是目标检测领域中的重难点之一。传统水下目标检测方法识别能力有限,识别率较低,速度较慢。本文采用深度学习方法对水下目标检测进行研究,以Aquarium数据集为例,以水底生物产品为检测对象,从图像增强和模型优化改进两个方面展开研究,建立并训练用于水下目标检测的模型,并对其进行轻量化处理,最终在PC平台验证图像处理和模型优化对于增强目标检测效率和识别率的作用。

关键词： 反无人机   光电   目标跟踪   图像识别  

摘要： 本文提出了一种雷达引导分布式光电跟踪校正算法,基于雷达初步定位目标位置信息,系统控制光电快速锁定引导目标,并接收光电回传的图像信息。通过基于深度学习的智能图像处理技术对图像中的目标进行检测、识别和跟踪。综合目标检测技术解算到目标在图像中的像素偏移值,对目标位置进行修正,进而提高目标的定位精度,实现了对空中无人机目标的实时图像监视和跟踪,为无人机打击提供更为精确的目标位置信息,满足从远距离到近距离目标实时跟踪,实现对跟踪过程的全域态势显示,形成覆盖特定防护区域可灵活重构、立体的无人机目标观测网。

关键词： 目标检测   YOLOv5   多重注意力   密集连接   多尺度特征  

摘要： 针对无人机航拍图像中目标小、尺度不一和背景复杂等导致检测精度低的问题,提出一种基于改进YOLOv5的无人机航拍图像目标检测算法DY-YOLOv5。该算法在检测头部分利用具有多重注意力机制的目标检测头方法Dynamic Head,提升检测头在复杂背景下的检测表现。在原模型neck部分增加一次上采样和Concat操作,并执行一个包含极小、小、中目标的多尺度特征检测,提升模型对中、小目标的特征提取能力。引入密集卷积网络DenseNet,将其与YOLOv5s主干网络的C3模块进行融合,提出C3_DenseNet模块,以加强特征传递并预防模型过拟合。在VisDrone2019数据集上应用DY-YOLOv5算法,平均精度均值(mAP)达到了43.9%,较原YOLOv5算法提升了11.4个百分点。召回率(Recall)为41.7%,较原算法提升了9.0个百分点。实验结果证明,改进算法显著提高了无人机航拍图像目标检测的精度。

关键词： 深度学习   YOLOv5   目标检测   车辆检测   CIOU   边界框回归  

摘要： 随着5G技术的兴起,智能交通系统的研究成为当下热点,车辆检测则是其中最重要的内容之一。车辆检测技术不仅为交通拥堵、车辆违停、超速等问题的解决提供了便利,还能促进无人驾驶、车流量统计、车辆防碰撞预警等智能技术的发展。目前,随着深度学习的广泛应用,车辆检测技术也愈发成熟。YOLOv5模型较YOLOv4更加轻量化且精度高。本文提出YOLOv5n算法对行驶车辆进行目标检测,并使用CIOU损失来提高边界框回归的准确率。经验证,该方法准确率高,具有较高推广价值。

关键词： 无人机图像   多目标检测   小目标检测   图像超分辨率   深度学习  

摘要： 针对无人机图像中不均匀分布的小目标检测问题,提出了一种多粒度检测引导的无人机图像多目标检测方法。首先,通过粒度检测,初步识别和标记潜在目标的兴趣区域。其次,对兴趣区域进行超分辨率处理并利用目标检测器精确识别目标。最后,利用后处理算法整合检测结果,形成最终报告。此方法有效提高了复杂无人机航拍环境中小型目标检测的精度和稳定性,并且相较于YOLOv5模型,其在AP50:95指标上提高了3.27%。

关键词： 图像处理   图像数据   低分辨率   数字图像   视频图像   传感装置   基础设施   自动驾驶  

摘要： 视频图像是人类获取信息的重要通道,也是大数据时代占比最高的信息载体。当前,图像视频传感装置被广泛使用,成为交通、医疗、安防、质检等应用领域必不可缺的基础设施。在自动驾驶、智慧城市、深海深空探测等开放应用环境中,数字图像的采集受到软硬件制约和不理想拍摄环境的影响,噪声、低分辨率、模糊、雨雾、甚至缺损等低质图像数据大量出现,为图像处理及其语义理解任务带来严峻挑战。

关键词： 深度学习   目标检测   目标跟踪   透视变换算法  

摘要： 突发的传染性疾病引起了广泛的关注,预防感染最佳的方法之一就是尽可能的避免接触到传染性疾病病毒,最直接的方式就是控制好距离,即保持人们之间的社交距离。基于深度学习提出了一种对于人群目标检测跟踪以及距离测定的方法。基于深度学习的算法有准确度高、实时性强、泛化能力强、有一定的抗干扰能力、良好的扩展性等优点。由于摄像机与地面有一定的倾斜角,而不是直接垂直朝下(正投影),所以文本采用透视变换算法将图像校正成正投影的形式,以便于我们确定目标之间的距离。采用Ghostnet轻量化主干网络作为Backbone网络的基础结构,将网络结构精简,减少了模型的计算量以及参数量,但同时也保证了检测的性能。

关键词： SAR   目标检测   轻量化   通道剪枝   知识蒸馏  

摘要： 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。

关键词： 低光人脸检测   高低频通道特征   低光增强   多尺度特征融合   计算机视觉   图像处理   深度学习   频率域分析  

摘要： 低光条件下捕获的人脸图像存在着噪声严重、对比度低等不足,极大影响了现有人脸检测器的准确性,另外,现有的低光图像检测算法欠缺小区域人脸信息的提取能力。为此,提出一种基于深度学习的两阶段人脸检测算法,即利用现有的低光图像增强算法对人脸图像进行增强后再进行检测。为提升检测算法对人脸信息的提取能力,设计一种新型的高低频通道特征交叉融合方法,该方法首先使用高低频通道特征可分离模块分离出不同尺度特征的高低频信息,然后对上述信息进行交叉融合,提升网络提取高频细节信息和低频色域信息的能力,进而提高检测网络的性能。对比试验和消融试验验证了该研究方法的有效性,试验结果表明该方法优于基准方法4.0%mAP。

关键词： 水面目标检测   注意力机制   类激活映射   张量分解  

摘要： 为解决多场景复杂内河背景下水面目标检测存在环境噪声大、水面目标分布情况繁杂、特征微小模糊等问题,提出一种融合多尺度特征和注意力机制,增强类激活映射的水面目标检测算法,称UltraWS水面目标检测算法。在典型检测网络上设计空间注意力模块与多头策略,融合多尺度特征,提高对微小目标的检测能力。其次,提出UltraLU模块增强类激活映射,减小环境因素与分布因素对检测目标的影响。最后,设计对模型进行Tucker张量分解,实现模型轻量化,增强模型的可解释性与推理速度。实验结果表明,所提出的UltraWS算法提高了对背景噪声的抗干扰能力,更好捕捉微小目标,满足边缘化部署的检测速度和准确率均衡性需求。在WSODD数据集上,算法的mAP值取得了最高的84.5%,相较于其他主流方法存在较大提升。基于提出的算法建立航道安全巡检体系与评估方法,有利于推动内河智慧航运的发展。