1 辽宁工程技术大学 软件学院，辽宁 葫芦岛 125000
2 中国兵器工业集团 航空弹药研究院有限公司，黑龙江 哈尔滨，150000
3 上海宇航系统工程研究所，上海 201100
4 中国科学院 海西研究院 泉州装备制造研究中心，福建 泉州 362000
在目标检测任务中，传统的边界框回归损失函数所回归的内容与评价标准IoU（Intersection over Union）之间存在不相关性，并且对于边界框的回归属性存在一定不合理性，使得回归属性不完整，降低了检测精度和收敛速度，甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况，大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式；其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项，并且将改进的IoU损失应用到非极大值抑制（Non-Maximum Suppression，NMS）处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项，确定CRIoU（Complete Relativity IoU，CRIoU）损失函数。最后在CRIoU的基础上加入自适应加权因子，对高质量样本的回归损失加权，定义了自适应聚焦CRIoU（Adaptive focal CRIoU，AF-CRIoU）。实验结果表明，使用AF-CRIoU损失函数对比传统非IoU系列损失的检测精度最高相对提升了8.52%，对比CIoU系列损失的检测精度最高相对提升了2.69%，使用A-CRIoU-NMS（Around CRIoU NMS）方法对比原NMS方法的检测精度提升0.14%。将AF-CRIoU损失应用到安全帽检测中，也达到了很好的检测效果。
目标检测 边界框回归 IoU损失函数 非极大值抑制 自适应聚焦损失 object detection bounding box regression IoU loss function non-maximum suppression adaptive focal loss
1 上海工程技术大学 机械与汽车工程学院，上海 201620
2 上海司南卫星导航技术股份有限公司，上海 201801
3 国网思极位置服务有限公司，北京 102211
针对传统目测法检测贴片二极管表面缺陷效率低下和基于手工特征的目标检测算法模型较浅，以及语义性不高等问题，提出了改进YOLO-V4的贴片二极管表面缺陷检测方法。首先考虑到随着网络加深使梯度消失，以及减少网络中的特征冗余和参数量的情况，CSP1模块采用DenseNet替换原网络中的ResNet；其次，为了实现特征信息的跨维度交互，让网络更加关注重要信息，在CSP1模块后引入了三分支注意力机制模块，同时使用FPN+PANet对特征进行融合；并且用CSP2替换CBL×5模块，降低了网络的运算量，提高了算法检测速度；最后优化了Focal Loss函数，对正负样本添加权重，以解决正负样本不平衡的问题。本文算法相较于YOLO-V4的检测精度（precision，P）、召回率（recall，R）和多分类平均精度（mean average precision，mAP），分别高出2.98%，2.65%，2.92%，表明改进YOLO-V4可以有效检测贴片二极管表面缺陷问题。
YOLO-V4算法 DenseNet CSP2 三分支注意力机制 Focal Loss函数 YOLO-V4 algorithm DenseNet CSP2 three-branch attention mechanism Focal Loss function
1 湘潭大学自动化与电子信息学院，湖南 湘潭 411105
2 湖南华菱湘潭钢铁有限公司，湖南 湘潭 411105
针对传统方式检测钢板表面缺陷存在检测精度低、检测速度慢的问题，提出一种改进YOLOv5s算法。首先，使用基于交并比（IoU）度量距离的K-means算法对钢铁数据集进行重新聚类，获得多组锚框，通过遗传算法对其进行变异运算，得到与全体标注框更匹配的多组锚框；其次，在Mosaic数据增强上融合MixUp，抑制过拟合，提升模型的泛化能力；然后，对网络结构进行改进，融入注意力模块，进一步提高了网络的特征提取能力；最后，针对难识别样本，在损失函数中融入Focal loss，提高网络的收敛速度与检测精度。实验结果表明，改进后的YOLOv5s算法在测试集上的平均精度均值（mAP）可达78.4%，比原始的YOLOv5s算法提高了3.0个百分点，速度上与原始YOLOv5s基本持平。所提算法在保持高检测速度的基础上，检测性能也优于DDN、Faster R-CNN和YOLOv3。
YOLOv5s 钢板表面缺陷检测 注意力机制 Focal loss 激光与光电子学进展
2023, 60(4): 0415009
1 郑州大学,a.计算机与人工智能学院
2 郑州大学,b.信息工程学院
3 郑州大学,c.电气工程学院, 郑州 450000
针对尺度多样化且目标密集的飞机遥感影像存在检测准确度较低和模型复杂不易部署的问题, 提出一种基于改进YOLOv4的遥感飞机目标检测模型。采用K-means++算法对目标样本进行锚定框优化, 提高先验框与目标异物的尺寸匹配度, 减少漏检率; 在损失函数中引入focal loss以降低简单负样本在训练过程中所占权重; 融合卷积核剪枝与层间剪枝对卷积核和批量归一化BN层进行稀疏训练, 简化网络结构并降低参数量。经实验, 改进后的YOLOv4异物检测算法在UCAS-AOD和RSOD公共遥感数据集上mAP达到92.23%, 检测速度提高至130.24 帧/s, 有利于实际工业场景中遥感影像飞机目标的快速检测。
遥感影像 飞机检测 剪枝算法 remote sensing image aircraft detection YOLOv4 YOLOv4 focal loss focal loss pruning algorithm
1 沈阳理工大学自动化与电气工程学院, 沈阳 110000
2 中共辽宁省委党校, 沈阳 110000
针对传统目标检测算法对航拍影像中的车辆等小目标检测效果差的问题, 提出一种基于改进Faster R-CNN的无人机地物车辆检测算法。该算法在原始Faster R-CNN网络的基础上融合了FPN作为基础网络模型——FFRCNN, 采用ResNet-50代替原始VGG-16作为主要骨干网络进行多特征融合, 使用Focal Loss损失函数改善正负样本不均衡的情况。在改进网络的基础上, 使用空洞卷积将多尺度空间的特征信息进行融合, 提高网络的感受野, 更好地收集图像的上下文信息。实验结果表明, 改进后的检测算法平均精确度达到93.8%, 相较于原FFRCNN网络, 平均精确度提升了19.2%, 具有更好的鲁棒性。
深度学习 空洞卷积 车辆检测 deep learning Faster R-CNN Faster R-CNN Focal Loss Focal Loss atrous convolution vehicle detection
在智能交通领域中，道路场景的三维目标实时检测对于保障汽车行驶安全具有重要意义。使用雷达点云和图像数据进行融合能够达到优势互补的效果，然而使用这两种数据融合的三维目标检测算法为得到较高的检测精度，通常都采用两阶段网络，相比于单阶段网络运算速度较慢，而在实际应用中检测系统的速度是非常重要的。针对以上问题，在单阶段网络RetinaNet上进行改进，设计了一种三维目标实时检测方法，将三维锚框映射到点云和图像的特征图上，利用ROI池化，将锚框在特征图上裁剪出的区域转换成相同大小并融合，最终输出目标边界框的回归参数和类别，并且对锚框进行调整得到目标预测边界框。在KITTI数据集上进行的实验表明，所研究的网络在行人、车辆等多目标检测的精确度和时间消耗方面均优于对比算法。
三维目标检测 多传感器信息融合 深度学习 改进RetinaNet 聚焦损失函数 3D object detection multi-sensor information fusion deep learning improved RetinaNet focal loss function
1 河北工业大学人工智能与数据科学学院，天津 300000
2 天津航天中为数据系统科技有限公司，天津 300000
电致发光(Electroluminescence, EL)下的光伏电池EL 图像背景表现为复杂的非均匀纹理特征，且存在与裂纹相似的晶粒伪缺陷，同时裂纹表现为形状多样的多尺度特征，以上难点为检测任务带来了极大的挑战。因此，本文提出融合注意力的多尺度Faster-RCNN 模型，一方面，采用改进的特征金字塔网络获取多尺度的高级语义特征图，以此来提高网络对多尺度裂纹缺陷的特征表达能力。另一方面，采用改进的注意力区域推荐网络A-RPN，提高模型对裂纹缺陷的关注并抑制复杂背景及晶粒伪缺陷的特征。同时，在RPN 网络训练过程中，采用损失函数Focal loss，以此来降低训练过程中简单样本所占比重，使其更加关注难以区分的样本。实验结果表明，改进的算法使得EL 图像裂纹缺陷检测的准确率提高，达到接近95%。
多尺度特征提取 注意力模块 Focal loss 函数 multi-scale feature extraction attention module focal loss function
华东交通大学信息工程学院, 江西 南昌 330013
针对公路路面病害存在的类别多、尺度变化大及样本数据集小导致的病害检测困难等问题,提出了基于改进YOLOv4的公路路面多尺度病害检测算法。首先,在CSPDarknet-53骨干网络中采用深度可分离卷积替代普通卷积,降低了网络参数计算量;然后,基于Focal loss改进YOLOv4的损失函数,解决了网络训练过程中正、负样本不平衡而导致的检测精度较低的问题;最后,借助迁移学习思想对YOLOv4网络进行预训练,并运用翻转、裁剪、亮度变换、噪声扰动等方法进行数据集扩充,解决了公路路面病害样本不足导致的网络训练过拟合问题。实验结果表明,所提基于YOLOv4+DC+FL算法对公路路面病害检测的平均精度均值可达到93.64%,相较于原始的YOLOv4检测网络提高了3.25%,检测每张图片平均时间为35.8 ms,缩减了7.9 ms。
图像处理 公路路面病害 YOLOv4 深度可分离卷积 Focal loss 迁移学习 数据增广 激光与光电子学进展
2021, 58(14): 1410025
1 中国科学院光电技术研究所, 成都 610209
2 中国科学院大学, 北京 100049
传统基于深度学习的语义分割方法使用的损失函数为交叉熵, 而交叉熵并不能解决训练数据中的样本非均衡性问题。语义分割任务属于像素级分类, 样本的非均衡性问题在其中体现得十分突出。文章提出了一种改进的Focal Loss作为损失函数来自动解决训练样本的非均衡性。该损失函数等同于在标准交叉熵上加上一个权重, 该权重能够自动增加困难样本的交叉熵损失值, 同时保持简单样本的交叉熵损失值。将Focal Loss作为DeepLabv3+的损失函数, 并将DeepLabv3+的Backbone替换为ResNet-18, 再使用Cityscapes数据集作为训练样本, 分别使用交叉熵和Focal Loss作为损失函数来对模型进行训练。实验结果表明, 改进的Focal Loss损失函数相比于交叉熵获得的语义分割精度更高, 且能够有效缓解训练样本的非均衡性问题。
深度学习 语义分割 deep learning semantic segmentation Focal Loss Focal Loss DeepLabv3+ DeepLabv3+
