小目标

摘要： 为了满足海洋生物检测对精度和实时性的要求,提出了一种基于改进SSD算法(single shot multibox detector)的海洋生物检测算法。针对SSD算法浅层特征层语义信息不足、小目标检测效果差等问题,设计了特征融合模块和特征增强模块。特征融合模块通过融合不同特征层,丰富了浅层特征层的语义信息以及深层特征层的细节信息,综合上下文信息提高检测效果。为了进一步提高浅层特征层的语义信息,提出了特征增强模块,通过引入空洞卷积以及多尺度的卷积核,综合不同感受野信息以提高改进算法对小目标的检测效果。改进算法在仅增加少量计算量和参数量的情况下,全面提高了算法对海洋生物目标的检测准确率。结果表明,改进算法在海洋生物数据集中的平均精度(mAP)达80.8%,比原始网络提高了5%,检测速度(FPS)为74,略低于SSD算法,但远高于其他改进算法。改进算法能在保持实时性的同时取得较高的检测精度,能够满足海洋生物检测要求。

摘要： 农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点,加之农田环境光照多变、背景复杂,导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标,以蜜蜂识别为例,提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难,实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度,将已标注的目标分配到拆分后的子图中,形成新的数据集,然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中,为使子图识别结果能正常还原,拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果,采用非极大抑制(Non-Maximum Suppression,NMS)去除由于模型本身产生的冗余框,提出一种交小比非极大抑制(Intersection over Small NMS,IOS-NMS)进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700,子图重叠率分别为0.2和0.05的情况下进行验证试验,结果表明:采用SSD(Single Shot MultiBox Detector)作为框架中的目标检测模型,新提出的尺度自适应算法的召回率和精度普遍高于SSD模型,最高分别提高了3.8%和2.6%,较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性,从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像,并采用本算法和SSD模型进行了对比测试,结果表明:本算法能提高目标识别性能,具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理,时效性不高,不适用于边缘计算。

摘要： 针对SSD(single shot multibox detector,单步多盒检测)算法在车辆的自动紧急制动(AEB)中对远方目标检测效果差、检测速度慢、对硬件资源需求高的问题,提出了一种基于SSD的改进算法。首先用MobileNetv2替换SSD中的AGG-16作为检测网络,以减少参数数量和计算量,降低网络对硬件性能的需求;其次,提出了特征增强和融合的方法,反复挖掘目标信息,并把不同特征层的信息进行融合,以提高对小目标检测的能力;最后,对先验框解码过程进行改进,减少网络需要解码的先验框数量,再次减少计算量,提高网络检测速度,并调整先验框的尺寸,进一步增强小目标检测的能力。把改进后的网络和SSD300、YOLO、MobileNetv2-SSD等网络在KITTI数据集上进行检测和对比分析,实验结果表明,改进后的网络对小目标识别的速度有所加快,鲁棒性更好,准确率更高,同时也降低了对硬件配置资源的需求。

摘要： 针对遥感影像目标检测中部分输电塔因目标较小、特征不显著而难以识别的问题,提出一种优化和改进的YOLOv5目标检测方法。首先,通过增加更大尺度检测层,以提升小目标的检测效果;其次,将大尺寸高分辨率遥感影像通过滑窗分割成小尺寸图像,进行检测及再还原,解决了遥感影像中难以直接有效识别输电塔等问题;最后,调用GDAL模块自动计算被识别输电塔的地理坐标。实验结果表明,改进YOLOv5模型较原始YOLOv5模型具有更好的小目标检测效果,测试集输电塔的AP值由0.87147提升为0.89717,GDAL计算输电塔空间坐标准确。

摘要： 针对SSD算法在目标检测过程中对小目标检测的不足,提出了一种基于SSD算法的一阶段目标检测器--FIENet(feature integration and feature enhancement network)。在FIENet中设计了两个模块,一是特征融合模块,该模块对SSD浅层的特征映射信息进行融合以提高小目标检测能力;二是特征增强模块,该模块采用了残差网络(Res2Net)以及注意力机制(attention),对特征融合后的模块以及SSD中的深层特征映射进行增强。为了更好地检测小目标,还调整了浅层特征映射先验框的数量。为了评价FIENet的有效性,在PASCAL VOC2007以及MSCOCO数据集上进行了实验。实验结果表明,在PASCAL VOC2007数据集上检测精度(mAP)较SSD提高3.1个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了3.6、9.5、5.4、5.5个百分点。在COCO数据集上达到29.4%的检测精度(mAP)。实验结果证明FIENet网络在保持实时性的同时可以达到较高的检测精度。

摘要： 针对目前舰船目标检测中,多目标情况下的舰船目标很容易被多目标遮挡,造成舰船目标漏检、分类错误等问题,提出了一种基于改进RFBnet(I-RFBnet)的自然图像目标检测方法。使用池化特征融合模块(PFF)和反卷积特征融合模块(DFF)进行特征融合,形成新的六个有效特征层。提出一种跨步长卷积方式来提取特征单元在原图中的关心区域信息,设计了融入注意力机制的膨胀卷积模块(dilate convolutions block,DB)和新的前三个有效特征层再次进行特征融合。引入聚焦分类损失函数解决训练过程中正负样本分布不均衡的问题;最后通过对规模船只检测数据集SeaShips训练后,保存其模型。实验结果表明:改进后的算法检测效果良好,尤其在多目标遮挡下的小目标效果显著。平均精度均值为96.26%,比改进前的算法提高了4.74个百分点,帧率达到26 FPS(frame per second),满足实时检测的需求。

摘要： 旋转弹的电视摄像头拍摄画面会产生旋转及抖动模糊,在预先侦查目标数据较少且末制导段视野目标较小的情况下,目标难以精确探测,为此提出一种基于改进YOLOv3和核相关滤波(KCF)算法的目标检测与跟踪算法,通过深度学习实现目标的自动检测。制作模拟山地打击场景的数据集,基于少量数据样本的前提,模拟不同天气、光照、运动及旋转模糊等复杂环境,完成在网络学习中数据的增强和扩充;通过在YOLOv3网络基础上添加Inception多尺度分支结构,增加网络对于目标不同尺寸的适应性,减少网络层数,更能适应对小目标的检测;在实现目标定位方法上,将目标检测与跟踪算法相融合,提出一种目标丢失判别机制,并利用弹道的速度—时间信息更新目标跟踪框尺度。仿真实验结果表明,相比原始算法,改进算法能更有效实现复杂环境下的目标检测和跟踪。

摘要： 目前,目标检测被应用于诸多领域,在得到广泛关注的同时也变得越来越成熟。不过,小目标检测一直是目标检测的难点,主要是因为图像分辨率低、图像模糊以及所携带的信息减少和包含的特征表达非常少,致使计算机不能对相关信息进行有效提取和识别。文章主要介绍了传统的目标识别以及基于深度学习的目标检测,最后提出了小目标的相关检测方法。

摘要： 为了研究传统目标检测算法在进行道路小目标检测时效果不佳及漏检率较高等问题,本文提出了一种基于改进YOLOv3的小目标检测方法.首先通过设计新的特征融合结构降低小目标漏检率,并且使用DIOU损失提高定位精确度.同时对YOLOv3算法中的聚类算法进行改进,采用K-means++算法改进聚类先验框中心点的提取,选取更为合适的Anchor Box,用于提高检测的平均精度和速度.在自制混合数据集上对行人及车辆进行对比检测,在不影响检测速度的情况下,改进的YOLOv3算法能够有效降低小目标物体漏检率,并且提高了检测精度.根据实验结果,本文所提出的改进YOLOv3模型在混合数据集上的平均精度达到92.82%,与未改进的YOLOv3算法相比提高了2.77%.

摘要： 针对遥感图像中小目标数量多且检测困难、漏检误检现象严重等问题,基于YOLOv3算法修改损失函数、调整图片输入尺寸、采用多尺度训练、加入标签平滑策略,提高了模型对遥感图像中小目标的检测能力。训练结果表明,基于改进YOLOv3的遥感图像目标检测算法在公开数据集VISDrone2019中的平均准确率为19.9%,基本能够满足遥感图像小目标的检测要求。

摘要： 基于样条小波的边缘检测能有效的提取出图像的边缘特征信息,将其应用于光学相关目标的自动探测与识别中,能有效的提取出被测目标与参考目标的边缘信息。经过联合变换相关器后,可以获得更加尖锐的相关峰,解决了小目标的识别问题。作为实例,绐出了小目标——导弹的实验结果。

摘要： 远距离运动小目标的自动识别在军事上有着非常重要的意义,可以应用于远距离监视如搜索和跟踪系统以及防御武器系统。在复杂背景中对低对比度运动小目标的自动捕获与跟踪是非常困难的。本文提出一种自动检测小目标的算法,首先在图像序列中检测可能的目标,然后根据时空一致性去除假目标。

摘要： 本文分析了红外点目标的成像特性,介绍了带通滤波的特点和设计方法,并在对数据进行滤波处理后采用基于位置和灰度相关算法对目标进行确认,并引入了海天线的计算模型.该方法适应性强,处理效果好,对海背景干扰和天空云层干扰具有较高的抑制作用.通过卷积实现的带通滤波算法计算简明,且容易由硬件实现,对运动小目标的检测具有较强的应用价值.实验结果表明本算法能够检测出海天背景下帧间快速移动的低信噪比的红外小目标.

摘要： 本发明公开了一种基于小尺度目标的实时目标检测方法，包括：S1、网络检测层调整，S2、网络默认框重构，S3、网络深层信息提取增强，S4、网络浅层信息融合增强。本发明在深层网络构建多路径联合特征提取增强模块，对浅层网络构建二次递归特征金字塔生成语义与定位信息互补融合路径，并加入注意力机制增强融合效果，对定位损失函数设计添加排斥损失函数以减轻相互交叠的目标对检测的相互干扰等创新性方法。通过以上改进，可以使检测模型相比原始检测网络的体量变轻，对小尺度目标的检测性能得到较大提升。

摘要： 本发明涉及一种基于雷达和光电的低慢小目标与海面小目标识别方法，主要适用于预警探测系统下低慢小目标与海面小目标分类识别。其主要流程是：首先雷达对光电进行目标指引，雷达与光电对目标进行复合跟踪；待雷达与光电对目标进行稳定跟踪后，调用雷达对目标进行高重频探测，同时调用光电对目标进行红外成像；然后分别提取目标的微多普勒调制特征和红外特征；利用目标微多普勒调制特征、红外特征结合目标运动特征和运动特征构造目标特征矩阵，最后结合线性二分类器进行低慢小目标与海面小目标分类识别。本发明所提供的方法可以充分发挥预警探测系统中雷达和光电设备的优势，弥补各自低慢小目标与海面小目标分类识别能力的不足，综合提高识别能力。

摘要： 本发明公开了一种优化小目标的点云三维目标检测方法和系统，首先采集点云数据，进行过滤后再体素化得到体素特征；构造并训练融合神经网络和目标检测神经网络，待测原始点云数据基于训练好的融合特征神经网络和目标检测神经网络进行推理测试，目标检测神经网络的输出为三维目标检测结果。其中，目标检测神经网络包括骨干网络、基于Anchor Free的检测头和后处理。本发明采用基于Bev图和Voxel结合的方法，保证了效率的同时，大幅度提升小目标检测精度。

摘要： 本发明公开了一种反低慢小目标的多无人机协同目标搜索方法，该方法中通过将地图分割成为多个网格，并为每个网格赋予不同的评价标准，最终转换成为无人机的受力情况，其受力最大的方向即为无人机应该去搜寻的方向，其中基于全局信息，具体考虑了全局因素对无人机的吸引值，以使得无人机的最终受力情况考虑到地图整体状况，倾向于朝着未搜索的大片未知区域移动，以便于减少重复搜索路径，也能够避免出现部分未知区域无法搜索到的状况。

摘要： 本发明涉及一种基于雷达和光电的低慢小目标与海面小目标识别方法，主要适用于预警探测系统下低慢小目标与海面小目标分类识别。其主要流程是：首先雷达对光电进行目标指引，雷达与光电对目标进行复合跟踪；待雷达与光电对目标进行稳定跟踪后，调用雷达对目标进行高重频探测，同时调用光电对目标进行红外成像；然后分别提取目标的微多普勒调制特征和红外特征；利用目标微多普勒调制特征、红外特征结合目标运动特征和运动特征构造目标特征矩阵，最后结合线性二分类器进行低慢小目标与海面小目标分类识别。本发明所提供的方法可以充分发挥预警探测系统中雷达和光电设备的优势，弥补各自低慢小目标与海面小目标分类识别能力的不足，综合提高识别能力。

摘要： 本发明提供一种针对小目标的交通人车非目标检测方法，先获取待训练的交通图像样本集；再针对小目标的数据进行数据增强；继而构建基于yolov5的小目标检测网络，将带标签的图像样本集输入神经网络中，根据损失值对网络参数的偏导更新神经网络的参数权重，当损失值最小时，得到训练好的针对小目标的人车非目标检测模型；最后将待检测的交通图片输入检测模型中，输出图像中各目标的类别、置信度和四个位置坐标。本发明通过使用针对小目标的数据增强方法以及构造基于注意力机制的特征融合模块，基于YOLOV5检测网络实现对交通人车非目标的实时检测，大幅度提升了小目标的检出率和检测准确性。

摘要： 本发明涉及一种适用于小目标的雷达目标检测方法及其系统，包含以下步骤：历史帧数据累积步骤，获取无人机在第i帧的无人机的水平速度v；获取目标在第i帧的目标距离、目标速度、目标角度；对第i帧的每一距离维进行恒虚警计算，选取信噪比最大的结果作为预定目标，获取第i帧的原始目标幅值、原始目标距离、原始目标速度；重复上述步骤，积累Q个帧的原始目标幅值、原始目标距离、原始目标速度建立历史帧数据，其中i＝1、2、3…Q，Q为正整数；预测步骤，提取所述历史帧数据，预测每一帧的目标在当前帧的位置；能量值计算步骤，提取所述历史帧数据，加权累积每一帧的所述原始目标幅值得到对应的能量值；目标输出步骤。

摘要： 本发明公开了一种提升小目标检测精度的轻量级目标检测方法，将EfficientDet模型中BiFPN结构改进为BmFPN，代替YOLOv5原有的PANet作为特征网络实现特征融合，加强了对底层特征信息的提取，对各层特征图加入权重机制。在损失函数中引入CIoU代替原GIoU，其中的长宽比影响因子使得目标框回归变得更加稳定，尤其当IoU为零时，损失函数更倾向于向重叠区域增多的方向优化。本发明网络结构尺寸小、检测速度快、精度高，完全满足实时性场景的要求，有非常高的实用价值。

摘要： 本发明涉及一种基于目标检测和超分重建的小目标分割方法和装置，首先对小目标进行检测，并将小目标图像块从大图中切割出来，其次采用超分重建算法对小目标图像块进行超分重建，最后对超分重建后的图像进行语义分割，并对分割结果进行修正，得到最终目标分割图像。本发明结合目标检测和超分重建的语义分割算法，大大降低了小目标语义分割难度，提高了算法的运算效率，同时提高了小目标的提取精度。

摘要： 本发明属于目标识别技术领域，具体涉及一种面向小目标超分辨重建图像的目标识别模型构建方法，包括：采用真实高分辨率图像训练包括特征提取网络和识别分类网络的识别网络模型；将已训练特征提取网络的参数迁移至与该特征提取网络结构相同的生成器和特征提取参考网络，将已训练识别分类网络的参数迁移至与该识别分类网络结构相同的分类器，生成器与分类器构成目标识别模型，特征提取参考网络和判别器构成辅助训练网络，以GAN网络对抗方式辅助训练已参数迁移后的目标识别模型；迭代训练过程中，固定特征提取参考网络的参数，根据损失函数交替更新生成器和分类器的参数以及判别器的参数。本发明能够提高目标识别器在超分辨率重建后目标图像的识别性能。