东北石油大学计算机与信息技术学院，黑龙江 大庆 163318
针对目前基于点云的三维目标检测算法中小目标检测效果差的问题，提出了基于改进PointPillars模型的三维目标检测方法。首先，改进了PointPillars模型中的pillar特征网络，提出了一个新的pillar编码模块，在编码网络中引入了平均池化和注意力池化，充分考虑了每个pillar模块的局部详细几何信息，提高了每个pillar模块的特征表示能力，从而提升了模型的小目标检测性能。其次，基于ConvNeXt改进了骨干网络中的二维卷积下采样模块，使模型在网络特征提取阶段能够提取丰富的上下文语义信息和全局特征，从而增强了算法的特征提取能力。在公开数据集KITTI上进行验证，实验结果表明，所提方法具有更高的检测精度，相较于原网络，改进后的算法的平均检测精度提升了3.63个百分点，证明了该方法的有效性。
三维目标检测 PointPillars 小目标检测 注意力池化 ConvNeXt 激光与光电子学进展
2024, 61(8): 0812007
1 长春理工大学光电工程学院，吉林 长春 130022
2 长春理工大学空间光电技术研究所，吉林 长春 130022
目前多光谱行人检测算法大多对可见光与红外图像融合方法展开研究，但是充分融合多光谱图像所需的参数量巨大，会导致检测速度降低。针对这一问题，提出了一种基于时效性较高的YOLOv5s的多光谱行人检测算法。为了保证算法的检测速度，选用可见光与红外光通道方向上的合并方法作为网络的输入，并通过对传统算法的改进来提升检测精度。首先，用可变形卷积替换部分标准卷积，增强了网络对不规则形状的特征目标的提取能力；其次，用多尺度残差注意力模块替换网络中的空间金字塔池化模块，减弱了背景对行人目标的干扰，提升了检测精度；最后，通过改变连接方式，增加大尺度特征拼接层，提升了网络的检测最小尺度，提升了网络对小目标的检测效果。实验结果表明，改进后的算法在检测速度上有明显优势，并比原算法的mAP@0.5和mAP@0.5∶0.95分别提升了5.1和1.9个百分点。
行人检测 可变形卷积 注意力机制 小目标检测 YOLOv5s 激光与光电子学进展
2024, 61(10): 1037004
1 长春理工大学 机电工程学院，吉林 长春 130022
2 长春理工大学 重庆研究院，重庆 400000
“黑飞”无人机一旦带有炸弹等物品，会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络，具有更小的网络结构和参数，更适合检测小目标，但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题；针对此问题，提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先，建立无人机图像数据集；其次，设计一种新的注意力机制模块SMSE嵌入到特征提取网络中，增强对复杂背景下无人机目标的关注度；然后，在主干网络中融入RFB结构，扩大特征层的感受野，丰富特征信息以增强特征提取的鲁棒性；然后，改进网络中的特征融合机制，通过新增小目标检测层，增加对小尺度目标的检测精度；然后，改变损失函数提高模型的收敛速度，减少损失以增强模型的鲁棒性；最后，引入可变形卷积(Deformable convolution, DCN)，更好的根据目标本身形状进行特征提取，提升了检测精度。在PASCAL VOC公共数据集上进行对比实验，结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny，平均精度(map@0.5)提升了6%；在自制无人机数据集上进行实验，结果表明YOLOv7-drone与原算法相比，平均精度(map@0.5)提高了6.1%，并且检测速度为72帧/s；与YOLOv5l、YOLOv7目标检测算法进行对比实验，结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%，验证了文中算法的可行性。
目标检测 复杂背景 注意力机制 小目标检测 target detection complex background attention mechanism small target detection 红外与激光工程
2024, 53(1): 20230472
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院智能红外感知重点实验室, 上海 200083
3 中国科学院大学, 北京 100049
空间目标监视和检测是维护空间环境安全的重要保障, 天基观测是其中的一个重要观测手段。在天基观测图像中, 恒星和空间小目标形状、大小相似, 影响空间小目标的检测。且空间环境复杂, 图像的噪声也会对空间小目标检测造成干扰。针对以上问题, 提出了一种基于轨迹预判的空间小目标在轨检测方法。首先对图像进行预处理, 包含使用图像滤波剔除坏像元和背景影响以及阈值分割。对相机进行畸变误差校正, 再进行坐标系转换以及匹配星表剔除大部分恒星。然后采集多帧图像, 对候选目标进行轨迹关联、预判, 确定搜索范围。最后实现对空间小目标的检测。本检测方法具有以下几方面的优势: 在低信噪比下, 实现高检测精度和低虚警率; 减少搜索范围, 提高在轨实时检测能力; 具备对连续帧图像上目标不连续出现的检测能力, 适应更复杂的空间环境下目标检测需求。本检测方法的检测能力在硬件系统上得到了验证, 实验结果表明, 该算法在检测信噪比为2的目标时也具有99.9%的检测率和0.002%的虚警率, 为在轨空间小目标检测提供参考。
空间小目标 信息处理 可见光图像 目标检测 星图匹配 space small target information processing visible light image target detection star map matching
1 宜宾学院智能制造学部, 四川宜宾 644000
2 广西科技大学广西土方机械协同创新中心, 广西柳州 545006
3 云南财经大学信息学院, 云南昆明 650221
4 中国科学院光电技术研究所, 四川成都 610209
为有效去除动态背景对弱小目标信号的干扰, 提出改进特征空间的红外弱小目标背景建模法来抑制背景。先采用改进的各向异性滤波算法从空域角度进行滤波以约束图像各个组分的差异, 紧接着取连续时间域上多帧滤波后的图像组成一个特征矩阵, 借助于主成分分析法进行特征分解, 最后将输入图像投影到特征空间上进行背景建模, 同时为了适应动态变化的背景, 在时域上以一定学习率来更新背景模型。实验结果表明, 提出的算法比传统的算法取得更好的背景估计效果, 结构相似性 SSIM、对比度增益 I和背景抑制因子 BIF分别大于 0.97、15.46和 5.25。
弱小目标 动态背景建模 各向异性滤波 主成分分析 dim and small target dynamic background modeling anisotropic filtering Principal Component Analysis 太赫兹科学与电子信息学报
2023, 21(9): 1109
南昌航空大学信息工程学院, 江西南昌 330063
针对复杂云层背景下红外小目标检测的虚警现象和实时性要求, 提出一种基于结构张量筛选和局部对比度分析的新算法。结合目标区域结构张量最大特征值大于其他背景区域结构张量最大特征值的特点, 滤除大部分非目标区域, 保留少量可疑区域, 再对可疑区域进行局部对比度计算, 能够增强目标、抑制残留背景, 并有效减少计算量。算法步骤如下: 首先, 在滑动窗口捕获的局部图像区域内构建结构张量矩阵, 将最大特征值大于特定阈值的区域标记为可疑区域; 然后, 对可疑区域进行比差联合型局部对比度计算, 生成显著度图; 最后, 利用自适应阈值分割实现小目标的分离。实验结果表明: 该算法在复杂云层背景下具有更高的检测率、更低的虚警率以及更少的运行时间。
红外小目标检测 可疑区域筛选 结构张量 局部对比度 infrared small target detection, suspicious area s
1 军事科学院, 北京 100071
2 天津(滨海)人工智能创新中心, 天津 300000
3 中国人民解放军 96911部队, 北京 100089
4 军事科学院, 北京 100071国防科技大学计算机学院, 湖南长沙 410073
远距离广视角场景中由于红外热成像仪成像原理的局限性、大气环境的干扰、远距离传输介质对红外辐射的衰减, 检测目标面临巨大挑战。本文在详细分析了图像背景复杂、目标特性弱小、图像对比度低和结构特性缺失等红外弱小目标图像特性的基础上, 从基于目标突显和背景预测两大类概述了单帧红外图像弱小目标检测技术的研究现状, 并探讨了红外弱小目标检测研究的发展趋势。
红外弱小目标检测 目标突显 背景预测 数理驱动 数据驱动 infrared dim small target detection, target highli
1 航天工程大学, a.研究生院
2 航天工程大学, b.电子与光学工程系, 北京 101000
针对当前SAR图像中飞机检测尺寸较小导致小目标检测率低、虚警率高的问题, 提出一种基于YOLOv5的改进方法。先采用K-means聚类算法针对飞机小目标尺寸优化锚框, 在主干网络融合Swin Transformer模块, 同时引入自适应学习权重的多尺度特征融合机制和全局注意力机制(GAM), 使网络跨越空间通道维度放大全局维度交互, 提高模型捕获不同维度信息的能力;并且增加一个小目标检测层, 提高网络对SAR图像飞机小目标检测能力。实验结果表明, 相较于原YOLOv5 方法, 改进方法在SAR图像尺寸较小飞机目标的检测上具有更强的特征提取能力和更高的检测精度。
SAR图像 小目标检测 SAR image small target detection YOLOv5 YOLOv5 Swin Transformer Swin Transformer GAM GAM
为了提高红外目标检测的性能，提出了一种结合帧差的核相关滤波弱小红外目标检测算法。算法首先通过核相关滤波训练当前帧获得最大回归值，相对间隔帧求取差值，以此进行循环移位，从而实现对帧间背景运动的补偿；再者借助帧间差分法提取当前帧相对运动特征，增强区分弱小目标和红外背景的能力；最后对相对运动特征进行阈值分割获得最终检测结果。仿真实验显示本算法能有效检测出复杂环境下红外弱小目标，与其他同类算法相比，本算法可以很好地对杂波和点状干扰源进行抑制，获得较高的目标检测率，同时将大量运算置于频域中，运算效率也优于其他算法。
红外图像 弱小目标检测 核相关滤波 帧间运动补偿 相对运动特征 帧间差分 infrared image, weak and small target detection, K
