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
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
1 浙江工商职业技术学院，浙江宁波 315100
2 浙江摩根集团有限公司，浙江宁波 315012
红外小目标检测是指从红外图像中分割出小目标，在火灾探测系统和海上监视及救援系统应用中具有重要意义。然而，由于目标尺寸小、特征不明显、背景环境复杂等因素，导致目前红外小目标检测算法的检测性能通常受到限制。针对上述问题，设计了一种基于拉普拉斯金字塔多级 Transformer的红外小目标检测算法。首先，由于红外小目标尺寸较小，容易在网络迭代过程中损失纹理细节信息，利用拉普拉斯金字塔从原始输入的红外图像中提取出不同层级的高频边界信息，进一步通过一种结构信息转换模块与主干网络中不同层级的特征进行融合，用于对损失的纹理信息进行补偿；接着为了进一步提升网络的判别能力，在提高检测准确率的同时抑制虚警率，还采用了一种基于通道维的 Transformer结构，将每个通道特征图作为图像块，并沿着通道维进行自注意力的计算。实验结果表明，与目前先进的检测算法相比，本文所提出的算法具有更高的检测性能。
红外图像 弱小目标检测 图像分割 infrared images, small target detection, Transform Transformer
针对无人机视角下目标尺度差异大、检测场景复杂、目标小且密集而导致的检测精度不高的问题, 提出了一种基于改进YOLOv5n的实时目标检测算法。首先, 通过引入轻量通道注意力(ECA)模块提高卷积神经网络对特征图内有效信息的提取能力; 其次, 在特征金字塔网络输出端后, 加入自适应空间特征融合(ASFF)模块, 提高不同尺度特征图的识别精度; 再次, 使用EIoU损失函数计算预测框和目标框的差异值, 加快收敛速度并提高检测精度; 最后, 改进YOLOv5n的检测头, 优化模型对小目标的检测性能。在VisDrone数据集上训练测试, 相比于基础的YOLOv5n模型, 在640×640分辨率下, 改进后模型的类平均精度(mAP50)提高了6.1个百分点; 在1504×1504分辨率下类平均精度(mAP50)提高了7.1个百分点; 同时, 改进后的模型检测速度在硬件上可达22 帧/s以上。该算法模型在精度提高的同时保证了足够高的检测速度, 更适用于无人机的小目标实时检测。
无人机 小目标检测 注意力机制 损失函数 自适应空间特征融合 UAV small target detection attention mechanism loss function Adaptively Spatial Feature Fusion (ASFF)
