针对人群异常行为检测任务中存在的算法复杂度较高, 重叠遮挡等带来的检测精度低等问题, 本文提出一种基于改进 SSD(Single Shot Multi-box Detector)的人群异常行为检测算法。首先采用轻量级网络 MobileNet v2代替原始特征提取网络 VGG-16, 并通过可变形卷积模块构建卷积层来增强感受野, 然后通过将位置信息整合到通道注意力中来进行特征增强, 能够捕获空间位置之间的远程依赖关系, 从而可以较好处理重叠遮挡问题。实验结果表明, 本文提出的算法对人群异常行为具有较好的检测效果。

鉴于深度学习在图像识别领域的重大进展，在无人直升机自主着舰的应用背景下，针对较为复杂的着舰环境和着舰标志设计，采用单级多区域检测(SSD)网络对着舰标志进行识别。针对SSD网络对小目标识别率低的缺点，基于深度残差网络和特征金字塔网络结构对SSD网络进行了改进，使用ResNet101代替VGG-16网络，并利用特征金字塔网络结构改进传统上采样结构，将检测网络的高层语义信息融入低层特征信息中，最后通过实验验证了改进网络的识别效果。

针对行人头部易受光照变化和遮挡的影响而导致目标检测准确率较低的问题,提出一种基于多尺度融合的双通道SSD(Single Shot Multibox Detector)行人头部检测算法。首先在SSD网络上增加一条深度通道,将带有深度信息的头部特征与SSD网络的特征进行融合,形成双通道SSD网络;然后在双通道SSD网络的基础上,将具有丰富语义信息的高层特征图与低层特征图进行特征融合,实现更精确的头部定位;最后重新调整SSD的先验框以减少SSD网络的计算量。实验结果表明,在光照和遮挡的情况下,相比于传统SSD目标检测算法,改进后算法的检测精度提高了12.9个百分点,其可有效解决光照变化和遮挡对行人头部检测的影响。

针对传统图像处理算法难以快速、准确识别轮对踏面缺陷的问题,提出一种采用双深度神经网络对轮对踏面缺陷进行检测的算法。该双网络分为踏面提取网络与缺陷识别网络。根据踏面为大目标的特点,分析与测试SSD网络,并用该网络提取轮对图像中的踏面区域。为提高踏面缺陷识别效率,在提取出踏面图像后,针对踏面缺陷属于中、小目标的特点,对YOLOv3网络结构进行优化得到M-YOLOv3。实验测试表明:提取踏面区域时,SSD算法的精度均值(AP)最高,达99.8%;识别踏面缺陷时,M-YOLOv3的AP达89.9%,相较于原始YOLOv3,单张图像计算耗时减少7.1%,同时AP仅有0.6%的损耗。结果表明,所提算法具有较高的检测准确率。

特征金字塔网络(FPN)在融合不同尺度特征图时采用上采样和相加的方法,然而经过上采样的特征图的空间层级化信息丢失严重,简单地进行相加必然引入一定的误差。同时,FPN结构的深层特征信息前向传递性较差,其对更浅层的辅助效果基本消失。对此,结合长短时记忆(LSTM)网络在处理上下文信息上的优势对FPN结构进行改进,在不同深度的特征层之间建立一条自上而下的记忆链接,建立多门控结构对记忆链上的信息进行过滤和融合以产生表征能力更强的高级语义特征图。最后,将改进的FPN结构加入到SSD(Single Shot MultiBox Detector)算法框架中,提出新的特征融合网络——MSSD(Memory SSD),并在Pascal VOC 2007数据集上进行验证。实验表明,该改进取得了较好的测试结果,相比于目前较先进的检测算法也有一定的优势。