关键词： 机器视觉   水下目标检测   对抗样本   损失函数   SE-ResNet50网络   特征融合  

摘要： 水下环境复杂,遮挡目标信息缺失严重而难以提取到足够的特征信息,导致水下遮挡目标易被漏检。为解决该问题,提出一种基于对抗注意力机制的水下目标检测算法。以Faster R-CNN算法为框架,提出基于空间注意力机制的对抗生成遮挡样本网络(AOGN)。AOGN与Faster R-CNN网络相互竞争,通过三阶段训练过程,在不增加推理负担的情况下学习生成检测网络难以正确区分的样本,提高Faster R-CNN网络对水下遮挡目标的检测精度。使用Focal loss增加困难样本的损失比重,解决水下数据集难易样本不平衡的问题。在此基础上,为获得更丰富的水下目标特征信息,使用SE-ResNet50代替VGG16作为骨干网络,通过残差网络和SE模块的结合获得更有效、更丰富的水下目标信息,提高对检测目标的特征提取能力,同时加入多条ROIpooling支路实现多尺度特征融合,增加特征的丰富性。实验结果表明,该算法在URPC数据集和水下垃圾数据集上分别取得了73.76%和86.85%的平均精度均值(mAP),遮挡目标漏检率分别达到2%和7%,相较于其他检测算法能够有效提升检测性能。

关键词： 图像处理   肝脏肿瘤   U-Net   并行卷积   纹理特征   注意力机制  

摘要： 针对计算机断层扫描图像中肝脏肿瘤边界模糊、类型多样、与周围组织对比度低等特点,以及现有网络对医学图像中的纹理信息利用不充分等问题,提出了一种结合多分支纹理特征提取和注意力机制的肝脏肿瘤自动分割方法。首先,设计了一个并行卷积编码器,替换基准网络U-Net中的双卷积模块,用于提取两种不同感受野下的表层特征;接着,提出了一个纹理特征提取网络,将其搭建于U-Net的跳跃连接部分,以提取多尺度特征下肝脏肿瘤的深层纹理信息;最后,在解码阶段引入了一个带有残差路径的通道注意力模块,旨在有效捕获通道间的依赖关系,增强肝脏肿瘤分割任务相关特征。将所提方法在LiTS2017和3DIRDCADb-01肝脏肿瘤分割数据集上进行了实验论证,结果表明,所提方法在评价指标和可视化结果上均优于对比方法,对于小尺寸和边界模糊的肿瘤分割具有优势,有望为肝脏肿瘤筛检提供新的参考。

关键词： 目标检测   YOLOv7   缺陷检测   纹理信息   多尺度自适应卷积  

摘要： 针对钢材表面缺陷纹理特征不明显、不同缺陷类间差异不明显和缺陷尺度变化剧烈等问题,本文设计了一个纹理信息增强模块(Texture Information Enhancement Module,TIEM)来保留主干网络上采样丢失的细节纹理特征信息和加强主干网络对不规则缺陷的空间建模能力;在颈部网络融入跳跃连接的多尺度自适应卷积模块(Multi-scale Adaptive convolution mod-ule with Skip Connections,MASC)来增强网络对不同尺度缺陷目标的感知能力,进而增强小目标的细粒度特征和大目标的高层语义信息,增强检测器的全局感知能力。以YOLOv7为基线模型,在公开数据集NEU-DET上,改进后的模型比基线模型mAP_(50)和mAP_(50:95)分别提高了3.0%和2.1%,并优于现阶段其他主流目标检测器。

关键词： 卷积神经网络   轻量化模型   目标检测   注意力模块   多尺度融合  

摘要： 交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO,构建M-YOLOs模型来应对高精度需求的检测任务,并调整网络深度得到更轻量化的M-YOLOn模型来解决不同环境下的检测需求。首先针对交通标志目标尺寸小、图像特征流失的问题,通过增加小目标检测层,保留更多的特征信息,提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet,将浅层特征图进行降维与跳跃连接,从而融合更多的图像特征信息。然后提出融合稀疏注意力和空间注意力的BRSA注意力模块,有效提取全局和局部的位置信息,减少复杂背景下对于关键信息的干扰。最后设计两种轻量高效的BBot模块和C2fGhost模块,以提高模型运算速度并减少参数量。实验结果表明,M-YOLO相较于YOLOv8,参数量降低约1/3。在TT100K数据集和GTSDB数据集上,M-YOLOs检测精度分别提升了9.7和2.1个百分点,M-YOLOn检测精度分别提升了14.5和2.6个百分点,在轻量化的同时具备更高的检测效果。M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题,并显著降低模型特征提取过程中冗余的计算开销,在实景采集的数据集上证实效果有效,表明在交通标志检测任务中具有应用价值。

关键词： 柑橘   病害   虫害   目标检测   YOLOv5   Large Kernel Attention   CARAFE   FReLU  

摘要： [目的]柑橘叶片受到病菌感染或虫害侵袭后,导致柑橘树生长发育异常、产量减少甚至死亡。早期柑橘叶片病虫害检测有助于做好预防措施减少损失。[方法]实际检测过程中YOLOv5s模型存在定位不精确、背景复杂等问题,受VAN(visual attention network)模型的启发,引入LKA(large kernel attention)模块,对YOLOv5s模型进行改进。改进的YOLOv5s模型可实现对图像信息的集中关注和精细抽取;使用CARAFE轻量级算子替换常规的上采样方法,能够提高特征重建质量,解决尺度不匹配问题并提高检测性能;使用FReLU激活函数,能够捕捉更多的柑橘病虫害的关键特征,提高检测准确度。此外,还构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫侵害的柑橘叶片数据集,采用该数据集进行试验。[结果]改进后的模型YOLOv5-LC对于柑橘病虫害的检测结果显示:平均检测精度mAP50达到94.5%,mAP50:95为84.3%,较原模型分别提高了2.0%和4.4%,模型大小仅为7.3 MB。准确率为93.8%,召回率84.5%,浮点运算次数仅为18.5 G。[结论]改进后的YOLOv5-LC模型可以更加准确检测出柑橘病虫害。

关键词： 运动模糊   图像处理   生成对抗网络   图像复原  

摘要： 为解决汽车运动过快产生模糊导致车牌识别算法失效的问题,对深度学习的生成对抗网络去模糊方法进行了研究,提出了一种基于生成对抗网络的模糊车牌图像复原方法。主要思路为使用图像复原网络NAFNet中的NAFBlock替换DeblurGAN-v2生成器中的基本卷积块,并在特征提取网络中加入了高效通道注意力机制。对于原模型和修改后的模型,设计了四组不同模型消融实验。实验结果表明,提出方法在复原模糊车辆图像复原任务数据上,峰值信噪比为21.2624,结构相似度为0.6431,较好地解决了模糊车牌复原的问题。

关键词： 红外小目标   局部对比度   多场景   目标增强   背景抑制  

摘要： 红外探测具有穿透力强、探测距离远和隐蔽性好等特点,在红外小目标检测领域应用广泛。本文基于人类视觉机制的局部对比度方法,提出一种基于双重增强局部对比度的红外小目标检测方法,先以局部灰度均值对比度对噪声和背景进行抑制,再由相对灰度梯度和局部方差对比结合对目标进行增强,最终采用阈值分割的方式实现红外小目标的检测。算法对不同天空场景序列目标均有较高的检测率和较低的虚警率,前者最高可达100%,后者为0;且相同复杂场景的目标检测性能相比其他同类方法明显提高,信杂比增益与背景抑制因子也显著提升,目标检测性能优异。

关键词： 深度学习   计算机视觉   目标检测   轻量化   卷积神经网络  

摘要： 针对使用Vgg-16作为特征提取网络的目标检测算法SSD存在的模型不够轻量化以及对弱小目标的检测能力较弱等问题,提出替换SSD主干网络和在其分类层前添加特征融合模块的改进方法。在对目标检测数据集Pascal VOC07+12进行预处理之后,选择轻量化特征提取网络PeleeNet作为SSD的主干网络,平均精度提高1.7%的同时也将模型权重缩减为原来的1/5。此外,在模型分类层前将SSD生成的前三个特征图进行特征融合,丰富了小目标特征图的背景信息,在VOC2007测试集上的平均精度再次提高了3.1%。同时,模型在VOC小目标类别上的平均精度也要比对比方法高出1~5.5个百分点。最后,将模型在嵌入式开发板Jetson TX2上进行部署运行,实现了深度学习模型在嵌入式终端上的部署与应用。

关键词： 深度学习   小目标检测   YOLOv8算法  

摘要： 针对YOLOv8算法在小目标检测上效果不佳、难度大的问题,提出一种改进YOLOv8网络结构的小目标识别方法。为解决小目标检测中由于检测点感受野不足而导致的问题,在骨干网络中引入了可变形卷积模块。通过调整卷积核的形变,使其能够更好地适应小目标的特征,从而提高检测的准确性,减少漏检和误检情况;借鉴Wise-IoU的思想,提出一种名为HIoUd1全新的损失函数计算方法,随时调整不同部分在损失函数中的权重,以在训练的不同阶段更好地处理小目标。通过这种调整,模型能够更准确地检测小目标并将其回归到真实标注框,以此显著提升了对小目标的检测性能。实验结果表明,优化后的模型能够更有效地捕捉和识别小目标,相对于YOLOv8在小目标检测方面表现出了显著的提升。

关键词： 场景语义   语义综合   图像处理   深度学习   红外弱小目标检测  

摘要： 多任务、跨域复杂环境下弱小目标准确、稳定检测在红外预警、搜索与跟踪、精确制导等领域具有重要作用。针对当前算法过于依赖人工设计策略与先验知识,以提取目标信息为目的,对于场景信息的挖掘和利用不充分,性能受限且环境适应性不足等问题,提出了基于场景抽象语义综合的弱小目标检测方法。首先,利用交叉注意力、孪生网络、扩展语义图和自学习双通道的方法设计了4种场景抽象语义综合模型。接着,基于4种语义综合模型设计了基于场景语义综合的弱小目标检测网络,将场景类别语义信息引入到红外弱小目标检测过程实现多类复杂背景下红外弱小目标检测。最后,实验结果表明提出的基于自学习双通道语义综合的弱小目标检测算法精确度到达84.24%,召回率达到89.68%。