检索结果-内蒙古大学图书馆

作者：李世晟江南大学

学位级别：硕士

目标检测作为计算机视觉的重要基础研究方向,被广泛的应用于各个领域。其中基于无锚框的目标检测算法因模型简单和易移植等特点十分适合应用在移动设备上。本文针对基于无锚框的目标检测算法,从通用目标检测和检测应用两方面展开研究。... 详细信息

目标检测作为计算机视觉的重要基础研究方向,被广泛的应用于各个领域。其中基于无锚框的目标检测算法因模型简单和易移植等特点十分适合应用在移动设备上。本文针对基于无锚框的目标检测算法,从通用目标检测和检测应用两方面展开研究。无锚框目标检测算法可分为关键点检测和中心域检测两类。基于关键点的无锚框目标检测算法存在多尺度目标检测效果不佳和密集目标检测框匹配不准确等问题。基于中心域的无锚框目标检测算法检测流程简单通常结合轻量级骨干网络进行检测应用部署,轻量化模型存在特征提取不充分,检测精度低等问题。本文针对上述问题,结合两个代表性的无锚框目标检测算法进行了如下研究:(1)本文首先针对通用目标检测方向,选择Center Net算法进行优化。选取Res Net作为Center Net的骨干网络,对算法的瓶颈模块与损失函数进行改进。Center Net舍弃锚框机制,模型回归的中心点坐标没有使用锚框进行监督,中心点预测效果较差,因此必须利用更丰富的语义信息,才能获得良好的检测效果。本文对网络下采样的C5特征层使用膨胀编码器,扩大网络对特征尺度的覆盖范围,获取多尺度的上下文信息。并使用特征融合和插值上采样取代转置卷积,避免出现特征信息丢失。优化回归损失,对中心点预测增加距离约束,提升中心点回归的准确性,使用GIo U损失监督检测框,提升重叠度。通过在权威的目标检测数据集上与原Center Net算法进行比对,证明了改进的有效性。(2)针对检测应用领域,对基于中心域检测的轻量级目标检测算法Nano Det进行优化。Nano Det算法是一个移动端实时的目标检测模型。Nano Det算法为了缩小模型大小,轻量化模型,舍弃了瓶颈结构中的卷积操作,导致特征丢失严重,精度损失大。为提升模型的检测结果且不降低模型推理速度,本文使用参数互享的三叉戟模块来完成网络最后一次下采样,捕获多尺度的上下文信息。将瓶颈模块PAN结构中的卷积使用Ghost模块实现,并在PAN结构中增加一层下采样层,提升模型性能。检测头中的深度可分离卷积使用5×5大小的卷积核,进一步提升网络的感受野。选择车辆车灯检测作为应用方向对算法改进进行验证,主要针对机动车安全技术检验过程中的外观检查、灯光检查以及制动检查流程中车辆的灯光是否亮起进行判断。收集图像并制作车辆车灯检测数据集。将Nano Det算法与本文改进算法进行对比与分析,在自建的车辆车灯检测数据集上的实验结果证明了使用本文改进方法可以在仅轻微降低模型推理速度情况下显著提升检测平均精度。(3)设计了一个网页端的车辆车灯检测系统。将基于轻量级目标检测算法Nano Det改进的模型应用于系统的检测模块。在网页端系统中,用户可以上传图片或者视频文件,系统的前端界面可以反馈检测结果或提供下载检测结果功能。在公安部某研究所的机动车安全技术检验视频智能监管研发项目测试中,本文设计的车辆车灯检测系统具有一定的准确性和有效性。本文针对无锚框目标检测算法存在的密集目标错误匹配问题和特征提取不充分问题,选择两个代表性无锚框目标检测算法进行实验与改进。使用膨胀卷积与特征融合等方法,增加网络提取特征覆盖的尺度范围,提升网络检测精度。将改进轻量级检测网络应用于车辆车灯检测,设计并实现车辆车灯检测系统。

关键词：深度学习无锚框目标检测轻量级神经网络车灯检测

来源：评论

学校读者我要写书评

暂无评论

基于改进无锚框网络的小尺度车辆目标检测方法

引用

计算机工程与设计 2022年第10期43卷 2799-2804页

作者：刘腾刘宏哲李学伟徐成北京联合大学北京市信息服务工程重点实验室北京100101 北京联合大学机器人学院北京100101

小尺度车辆目标检测现已成为交通场景下目标检测中亟待解决的难题。对其中的难点进行研究,提出一种基于无锚框目标检测网络改进的算法。使用自适应特征提取方法,增强小尺度特征的表达,提高小尺度目标的特征提取能力;通过改进特征融合方... 详细信息

小尺度车辆目标检测现已成为交通场景下目标检测中亟待解决的难题。对其中的难点进行研究,提出一种基于无锚框目标检测网络改进的算法。使用自适应特征提取方法,增强小尺度特征的表达,提高小尺度目标的特征提取能力;通过改进特征融合方法,将浅层信息逐层融合,解决特征丢失的问题。引入注意力增强方法,增加中心点预测能力,解决目标遮挡问题。实验结果表明,该算法在UA-DETRAC数据集上有很好的检测效果,较改进前车辆检测能力有较大提升,满足实时检测的要求,检测速度达到了59,平均精度均值为92.9%。

关键词：小尺度车辆目标检测无锚框目标检测智慧交通深度学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

一种面向SAR图像快速舰船检测的轻量化网络

引用

中国科学院大学学报（中英文） 2024年第6期41卷 776-785页

作者：周文雪张华春中国科学院空天信息创新研究院北京100190 中国科学院大学电子电气与通信工程学院北京100049

在基于深度学习的合成孔径雷达(SAR)图像舰船检测领域,传统的模型通常结构复杂、计算量大,难以适配低算力平台并实现实时检测;同时,依赖于预设锚框的卷积神经网络因锚框位置较难合理设置,容易导致大量计算冗余。针对上述问题,提出一种... 详细信息

在基于深度学习的合成孔径雷达(SAR)图像舰船检测领域,传统的模型通常结构复杂、计算量大,难以适配低算力平台并实现实时检测;同时,依赖于预设锚框的卷积神经网络因锚框位置较难合理设置,容易导致大量计算冗余。针对上述问题,提出一种基于无锚框的端到端轻量化卷积神经网络,设计了一种轻量的通道注意力模块(EESE)并将其应用于解耦合检测头(ED-head)上,有效解决了分类和定位2种任务的冲突。此外,提出一种优化的EIOU损失函数,在保证推理速度几乎不变的情况下有效提升网络性能。在SSDD数据集上的实验结果表明:与YOLOX-nano相比,该方法的AP50和AP分别提高2.1和7.4个百分点,在CPU上推理延迟仅5.33 ms,远小于YOLOX-nano的13.13 ms,实现了精度与效率的平衡。

关键词：合成孔径雷达(SAR) 舰船检测深度学习轻量化网络无锚框目标检测

来源：评论

学校读者我要写书评

暂无评论

基于无人机图像的小目标检测研究

基于无人机图像的小目标检测研究

引用

作者：杜紫薇军事科学院

学位级别：硕士

随着无人机航拍数据采集技术的发展,基于无人机图像的目标检测算法逐渐成为计算机视觉的研究热点之一。与自然场景大目标相比,由于距离远,无人机航拍图像中的目标通常是小目标,存在特征弱小和分布密集等问题。针对无人机图像的小目标检... 详细信息

随着无人机航拍数据采集技术的发展,基于无人机图像的目标检测算法逐渐成为计算机视觉的研究热点之一。与自然场景大目标相比,由于距离远,无人机航拍图像中的目标通常是小目标,存在特征弱小和分布密集等问题。针对无人机图像的小目标检测的难点和挑战,本文提出基于多尺度特征融合的小目标检测算法和基于无锚框回归的小目标检测算法。具体而言:(1)针对无人机图像中目标特征弱小的问题,本文提出基于多尺度特征融合的小目标检测算法。首先,为了提高特征提取网络对小目标的关注度,本文设计了一个增强空间池化模块,通过将注意力机制嵌入空间金字塔的每个池化层,增强特征提取能力。其次,为了进一步融合浅层细节特征与深层抽象语义特征,本文构建了多尺度融合特征金字塔模块,通过引入浅层信息并且加权学习不同输入层的特征,促进网络提取到更具判别性的特征表示。此外,针对分类和回归特征不对齐问题,引入解耦检测头将两个任务分离,分别学习与任务更相关的特征。最后,针对锚框算法在训练过程中锚框回归速度慢的问题,采用带有向量角度的损失函数,通过计算预测框和真实框之间的角度向量,提升模型推理速度。在无人图像数据集Vis Drone2019上实验结果证明了算法的有效性,该算法优于基准算法YOLOv5,目标检测平均精度提升10.0%。(2)针对无人机图像中目标分布密集,导致基于锚框的目标检测模型锚框设置复杂、计算量大的问题,本文基于无锚框算法提出了一个基于无锚框回归的小目标检测算法。首先,算法将基于Transformer的上下文注意力模块嵌入特征提取网络中,通过挖掘上下文信息提高模型的表征能力。其次设计了一个双向融合金字塔模块,增强浅层特征和深层特征在通道维度上的语义交互。然后,针对正负样本不平衡问题,提出了一种扩张标签策略和基于质量评估的损失函数,扩大边界框中心点正样本范围,将边界框质量分数作为标签指导分类分支的训练和测试,推动模型充分挖掘高质量样本。实验结果证明,本模型在Vis Drone2019上相较于基准算法FCOS目标检测平均精度提升了6.2%。

关键词：无人机图像小目标检测特征融合注意力机制无锚框目标检测

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的自动驾驶汽车目标检测与跟踪算法研究

基于卷积神经网络的自动驾驶汽车目标检测与跟踪算法研究

引用

作者：李加琛湖南大学

学位级别：硕士

随着世界范围内汽车行业的不断发展,人们对于作为出行交通运载工具的车辆提出了更高的要求,越来越多的人开始希望自己驾驶的车辆更加智能,自动驾驶汽车也就应运而生。得益于多种传感器性能的不断提高、人工智能技术的快速发展以及计算... 详细信息

随着世界范围内汽车行业的不断发展,人们对于作为出行交通运载工具的车辆提出了更高的要求,越来越多的人开始希望自己驾驶的车辆更加智能,自动驾驶汽车也就应运而生。得益于多种传感器性能的不断提高、人工智能技术的快速发展以及计算机计算能力的大幅提升,汽车这一传统的工业产品正变得越来越智能。自动驾驶,这一汽车诞生之初人们便孜孜以求的梦想,如今正在变成现实。在自动驾驶的多种关键技术当中,环境感知具有举足轻重的地位。而视觉环境感知作为一种十分经济可行的方案,一直是相关研究人员的研究重点。障碍物目标检测及跟踪,交通灯及交通标志检测,车道线检测,道路可行驶局域划分等细分方向,都是与自动驾驶的实际应用密不可分的技术。本文的主要研究内容为实时性的目标检测及跟踪,具体研究内容如下:(1)障碍物目标检测。针对当前基于锚框的目标检测算法检测过程复杂冗余,速度较慢的问题。本文选用结构十分简洁的基于关键点的目标检测算法Center Net作为基础进行改进。为了使算法更加适用于自动驾驶场景下的实时化检测要求,本文提出了Center Net-IDA-Mobile Net V3网络,它借鉴了Mobile Net系列算法中深度可分离卷积、倒置残差连接等模型轻量化思想,大大降低了模型计算量和参数量。同时为了弥补计算量和参数量降低带来的模型拟合能力下降,应用迭代深度特征聚合思想,主干网络中不同特征提取阶段生成的特征进行迭代深度聚合,使得具有最大分辨率的最浅特征提取层的特征不断向更深层聚合。通过这样的操作,在不明显二次增加计算量和参数量的前提下,提高了模型的检测精度。(2)障碍物目标跟踪。针对当前基于“通过检测进行跟踪”范式的目标跟踪算法无法满足自动驾驶场景实时化跟踪的问题,本文选用联合检测和跟踪的跟踪算法Center Track作为基础进行改进,由于其用来进行特征提取的主干网络Hourglass计算量和参数量较大的原因,很难做到实时化的多目标跟踪,不适合应用于自动驾驶场景。本文提出的Center Track-IDA-Mobile Net V3网络,它借鉴了轻量化卷积神经网络Mobile Net系列中深度可分离卷积替代标准卷积、倒置残差模块替代标准残差模块等操作,再应用迭代深层特征聚合思想将不同阶段的特征进行深度融合,以弥补模型轻量化操作带来的特征提取能力的降低,使其在跟踪精度和实时性之间获得了很好的平衡。(3)公开数据集及实车验证。通过将障碍物目标检测和跟踪算法在公开的基准数据集和实车采集的数据上进行实验,验证算法的性能,并进行分析。

关键词：无锚框目标检测目标跟踪轻量化主干网络深层特征聚合

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：