为进一步提升空中作战条件下目标检测的性能, 本文通过优化 YOLO v3, 提出了一种基于空中红外目标的检测算法 EN-YOLO v3。该算法使用轻量的 EfficientNet骨干网络作为 YOLO v3的主干特征提取网络, 使模型参数大幅减少, 降低模型的训练时间; 同时选用 CIoU作为模型的损失函数, 优化模型损失计算方法, 提升模型的检测精度。结果表明, 优化后的 EN-YOLO v3目标检测算法与原 YOLO v3相比模型尺寸减少了 50.03%, 精准度提升了 1.17%, 能够有效提升红外场景下空中目标的检测效果。
红外场景 空中目标检测 模型优化 infrared scene, aerial target detection, YOLO v3, YOLO v3
南昌航空大学信息工程学院, 江西 南昌 330063
针对传统视觉背景提取(visual background extractor, ViBe)算法在进行行人检测时会产生鬼影的缺点, 本文提出了一种基于改进的 ViBe和 YOLO v3算法的行人检测方法。利用改进的 YOLO v3算法 YOLO v3-SPP(spatial pyramid pooling)对 ViBe算法的初始化策略进行改进以消除鬼影。运用 YOLO v3-SPP算法对首帧图像进行行人检测, 使用本文提出的行人消除方法将检测出的行人进行消除, 并将输出图像代替 ViBe算法的首帧, 从而达到消除鬼影的目的。经过分析和实验验证, 结果表明该算法能够有效解决鬼影问题。
图像处理 行人检测 视觉背景提取 鬼影消除 YOLO v3算法 image processing, pedestrian detection, visual bac
沈阳航空航天大学 电子信息工程学院，辽宁沈阳110000
基于卷积神经网络的目标检测算法发展迅速，随着计算复杂度增加，对设备的性能及功耗要求越来越高。为了使目标检测算法能够部署在嵌入式设备上，本文采用软硬件协同设计方法，使用FPGA对算法进行硬件加速，提出了ZYNQ平台下的Yolo v3-SPP目标检测系统。本文将该系统部署在XCZU15EG芯片上，并对系统所需的功耗、硬件资源及性能进行了分析。首先对要部署的网络模型进行优化，并在Pascal VOC 2007数据集上进行训练，最后使用Vitis AI工具对训练后的模型进行量化、编译，使其适用于ZYNQ端的部署。为了选取最佳的配置方案，探究了各配置对硬件资源及系统性能的影响，从系统功耗（W）、检测速度（FPS）、各类别平均精度的平均值（mAP）、输出误差等方面对系统进行了分析。结果表明：在300 M时钟频率下，输入图片大小为（416，416）时，针对Yolo V3-SPP和Yolo V3-Tiny网络结构，检测速度分别为38.44 FPS和177FPS，mAP分别为80.35%和68.55%，片上芯片功耗为21.583 W，整板功耗23.02 W。满足嵌入式设备部署神经网络模型的低功耗、实时性、高检测精度等要求。
目标检测 硬件加速 ZYNQ Yolo v3-SPP Yolo v3-Tiny object detection hardware acceleration ZYNQ Yolo v3-SPP Yolo v3-Tiny
1 昆明理工大学国土资源工程学院, 云南 昆明 650093
2 南京大学地理与海洋科学学院, 江苏 南京 210023
3 中国南海研究协同创新中心, 江苏 南京 210023
4 江苏省地理信息资源开发与利用协同创新中心, 江苏 南京 210023
5 江苏省软件新技术与产业化协同创新中心, 江苏 南京 210023
6 西南林业大学地理与生态旅游学院, 云南 昆明 650051
针对港口难以自动识别的问题,在高分辨率可见光遥感影像上将深度学习和地理空间分析相结合,提出了船舶-码头-港口递进式识别模型。首先,对构建的码头样本数据集进行数据增强,并用增强后的数据集来训练YOLO v3算法。然后,在大幅遥感影像上利用滑动窗口进行多尺度识别,获取影像底层特征以计算出码头类别和像素坐标。最后,将码头点位转化为地理坐标,使用Getis-Ord Gi *统计方法进行热点分析。并利用经典的密度聚类方法,实现了对港口位置及范围的识别与提取。在实验区中的识别对比结果表明,在1000 m聚合阈值下,所提模型对港池识别的比例达到82.79%。
遥感 光学遥感影像 目标识别 港口 码头 YOLO v3 滑动窗口 激光与光电子学进展
2021, 58(20): 2028002
1 海军航空大学岸防兵学院, 山东 烟台 264000
2 中国人民解放军95668部队, 昆明 650000
针对YOLO V3算法中对于小目标检测精度不高、容易出现漏检误检的问题, 提出了一种基于改进YOLO V3的舰船目标检测算法。首先,通过在YOLO V3原网络结构基础上额外从主干网络引出一个输出尺度, 将其与上一个输出尺度中的特征信息进行特征拼接, 得到具有更丰富语义信息的特征向量; 其次,基于数据集进行聚类改进, 改进度量距离公式、重新设置anchor box的个数与相应参数; 最后, 优化改进YOLO V3的损失函数, 提高模型的整体性能。对测试数据集进行分析实验, 结果表明改进后的检测算法平均精确度达到83.98%, 较之于原YOLO V3, 平均精确度提升了6.72%。
深度学习 目标检测 舰船目标 小目标 deep learning target detection ship target small target YOLO V3 YOLO V3
西南石油大学土木工程与测绘学院, 四川 成都 610500
为解决传统摄影测量编码点定位依赖多种关系准则、判定复杂且识别不稳定的问题,提出一种采用基于改进YOLO v3的目标检测网络分割编码点、利用距离排序识别中心标记点的定位方法。首先针对编码标记点特点改进特征提取网络,从复杂背景中快速识别编码点,然后在预测框内进行图像处理,计算轮廓质心到中心的距离,通过距离排序定位中心圆形标记点,最后构建标尺编码点数据集用于网络训练和测试。实验结果表明,目标检测网络识别编码点的精度达到94.91%,受环境和噪声等的影响小,距离准则准确率高,该定位方法具有适应性好、鲁棒性高的优点。
图像处理 目标检测网络 摄影测量 编码标记点 YOLO v3 激光与光电子学进展
2021, 58(4): 0410011
1 中国科学院 长春光学精密机械与物理研究所 应用光学国家重点实验室，吉林 长春 130033
2 中国科学院大学， 北京 100049
常见的目标检测模型由于模型参数量较大，往往难以部署在无人机、卫星等移动嵌入式设备上。为了对船只进行实时监测，将目标检测模型部署在计算能力较弱的设备上，对基于计算机视觉的卫星图像船只目标检测方法进行研究。针对卫星图像中船舰的形状长宽比例特点，采用K-means++聚类算法选取初始的锚点框; 接着对模型进行多尺度训练，将多尺度金字塔图像作为模型训练的输入; 将YOLO-v3目标检测算法的批归一化层的尺度因子作为通道重要性的度量指标，对YOLO-v3模型进行剪枝压缩。实验结果表明，采用的模型剪枝和压缩方法能有效地对模型进行压缩，模型的参数量减少了91.5%，模型检测时间缩短了60%,极大地减少了系统计算性能的开销。当采用的初始锚点框个数为6个时，平均准确率(mAP)达到77.31%，满足了卫星图像船舰实时性检测的需求。
船只检测 聚类算法 模型压缩 通道剪枝 ship detection YOLO-v3 YOLO-v3 clustering algorithm model compression channel pruning
随着航天遥感技术的发展, 对海洋船舶快速检测识别需求日益增长。基于深度学习提出了一种结合高低分辨率遥感图像的船舶目标检测方法。该方法首先使用YOLO v3模型对宽幅、低分辨率卫星遥感图像中的目标船舶进行快速筛查, 然后针对高分辨率卫星遥感图像信息, 提出了一种基于注意力机制的RetinaNet模型对目标船舶进行精确匹配与分类。仿真实验结果表明, 这种改进的RetinaNet模型在目标检测中具有很好的效果, 使用两种分辨率的卫星进行协同工作能够有效提升工作效率。
遥感图像 目标检测 船舶检测 注意力机制 remote sensing image target detection ship detection YOLO v3 YOLO v3 RetinaNet RetinaNet attention mechanism
重庆理工大学电气与电子工程学院，重庆 400054
针对高压开关设备红外图像异常发热点检测中存在目标位置场景复杂和大小不均衡带来的检测准确率下降问题，基于YOLO v3 算法，通过添加卷积模块及调整部分超参数对其基础网络架构进行优化，以实现高压开关设备异常发热点的快速检测、识别和定位。同时，建立了用于高压开关设备红外图像异常发热点的数据集，通过训练得出合适的权重。实验结果表明，该检测方法识别速度快，准确率高且具有较强的泛化能力，测试准确率达到91.83%，可将其初步应用于高压开关设备异常发热点目标检测中。
高压开关设备 红外图像 目标检测 high voltage switchgear, infrared image, YOLO v3, YOLO v3
1 河北金融学院, 大数据科学学院，河北保定 071051
2 河北金融学院, 金融创新与风险管理研究中心，河北保定 0710051
3 中国电子科技集团公司第五十四所信息传输与分发技术重点实验室，河北 石家庄 050081
为了提升实际作战环境下目标检测识别的性能，本文提出了一种基于红外显著性目标导引的改进YOLO（You Only Look Once）网络的智能装备目标识别算法，该算法利用红外图像提供目标可能的位置引导可见光图像中的深度自主学习，提升检测与识别的实时性。改进YOLO-V3 识别网络是以Darknet-53 为基础网络架构，利用Dense Net 代替具有较低分辨率的原始转移层，同时采用分类网络预训练、多尺度检测网络训练等措施增强特征传播，复用和融合的性能。仿真实验结果表明，本文提出的模型可以有效地提高现有目标检测与识别的性能。
目标识别 红外显著性 目标导引 深度学习 智能装备 object recognition, infrared saliency, object guid YOLO-V3
