一种基于视觉注意的小目标检测方法_谢文亮
《基于空洞卷积和边缘引导的目标检测方法研究》
《基于空洞卷积和边缘引导的目标检测方法研究》一、引言目标检测是计算机视觉领域的一项重要任务，它旨在确定图像中特定目标的位置并对其进行准确标注。
近年来，随着深度学习技术的快速发展，基于卷积神经网络（CNN）的目标检测方法已成为研究热点。
其中，空洞卷积和边缘引导是两种有效的技术手段，可以提升目标检测的准确性和效率。
本文将针对基于空洞卷积和边缘引导的目标检测方法进行深入研究，探讨其原理、应用及优势。
二、空洞卷积技术原理及应用1. 原理空洞卷积（也称为膨胀卷积）是一种特殊的卷积操作，通过在卷积核中引入“空洞”来扩大感受野，从而捕获到更大范围的上下文信息。
在目标检测任务中，扩大感受野有助于提高对目标特征的提取能力，进而提升检测准确率。
2. 应用在目标检测任务中，空洞卷积广泛应用于特征提取阶段。
通过在不同层次的特征图上应用不同膨胀率的空洞卷积，可以有效地扩大感受野，捕获到更多上下文信息。
这些上下文信息对于提高目标检测的准确性和鲁棒性具有重要意义。
三、边缘引导技术原理及应用1. 原理边缘引导是一种基于边缘检测的目标定位技术。
通过检测目标边缘信息，可以更准确地确定目标的位置和形状。
在目标检测任务中，边缘引导可以与卷积神经网络相结合，提高对目标形状和结构的识别能力。
2. 应用边缘引导技术在目标检测中的应用主要体现在两个方面。
一方面，可以通过边缘检测算法提取出目标的边缘信息，为后续的目标定位和形状识别提供依据。
另一方面，可以将边缘信息融入到卷积神经网络中，与特征提取和分类等任务相结合，提高目标检测的准确性和鲁棒性。
四、基于空洞卷积和边缘引导的目标检测方法本文提出了一种基于空洞卷积和边缘引导的目标检测方法。
该方法首先通过卷积神经网络提取图像特征，然后在特征提取阶段应用空洞卷积技术扩大感受野，捕获更多上下文信息。
接着，利用边缘检测算法提取出目标的边缘信息，为后续的目标定位和形状识别提供依据。
最后，将边缘信息和特征信息相结合，进行目标分类和位置回归。
基于视觉感知机制的织物疵点轮廓检测
计算机系统应用 ISSN 1003-3254, CODEN CSAOBNComputer Systems & Applications,2021,30(11)：323-328 [doi: 10.15888/j.cnki.csa.008188] ©中国科学院软件研宄所版权所有.
E-mail: ************.cnhttp://www.c-s-a.org.cn Tel: +86-10-62661041
基于视觉感知机制的织物疵点轮廓检测®师昕，赵雪青(西安工程大学计算机科学学院，西安710048)通讯作者：赵雪青，E-mail:*******************.cn
摘要:针对传统人工织物疵点检测存在的误检及低效等问题，提出了一种基于视觉感知机制的自适应织物疵点轮 廓检测方法.首先，模拟视觉系统中视网膜感受野对视觉信息的处理机制对织物疵点图像进行滤波及疵点增强;其 次，依据初级视皮层（VI)区对视觉信息响应的方向选择性机制构建织物疵点图像边缘检测模型，实现对织物疵点 图像的边缘检测.最后，采用自适应阈值选择的方法对检测到的边缘进行二次处理，获得织物图像疵点的轮廓.为验 证本文方法的有效性和准确性，对4类织物疵点图像进行测试，并定性和定量两方面进行比较分析，结果表明文中 提出的方法能够较好地检测出织物疵点轮廓信息，不仅可以得到质量较高的织物疵点轮廓图像，而且在整个检测过 程中能够自适应的选择参数，避免受人的主观因素影响，具有实际的应用价值.关键词:织物疵点;视觉感知;视网膜;初级视皮层区（VI);轮廓检测
引用格式：师昕，赵雪青.基于视觉感知机制的织物疵点轮廓检测.计算机系统应用,2021,30(1丨):323-328. http://www.c-s-a.org.cn/1003-
3254/8188.html
Fabric Defect Contour Detection Based on Visual MechanismSHI Xin, ZHAO Xue-Qing(School of Computer Science, Xi’an Polytechnic University, Xi’an 710048, China)Abstract: With regard to erroneous detection and low efficiency problems in the traditional manual detection of fabric defects, a self-adaptive detection method for fabric defect contours is proposed based on the visual perceptual mechanism.
基于YOLOv8s改进的小目标检测算法
基于YOLOv8s改进的小目标检测算法雷帮军;余翱;余快【期刊名称】《无线电工程》【年(卷),期】2024(54)4【摘要】针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。
Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution,PConv)和高效多尺度注意力(Efficient Multi-scale Attention,EMA)机制构建全新的F_C_(2)f_EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module,SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism,GAM)通过全局上下文的关联建模,充分获取小目标的上下文信息;使用GSConv和Effective Squeeze-Excitation(EffectiveSE)设计全新的G_E_C_(2)f,进一步降低参数量,降低模型的误检率和漏检率;使用WIoU损失函数解决目标不均衡和尺度差异的问题,加快模型收敛的同时提高了回归的精度。
实验结果表明,该算法在VisDrone2019数据集上的精确度(Precision)、召回率(Recall)和平均精度(mean Average Precision,mAP)为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。
基于深度学习的无人机视觉目标检测与跟踪研究
基于深度学习的无人机视觉目标检测与跟踪研究摘要：随着无人机技术的不断发展，无人机在各种应用领域中的作用越来越重要。
其中，视觉目标检测与跟踪是无人机关注的重点之一。
本文提出了一种基于深度学习的无人机视觉目标检测与跟踪方法，通过强大的图像识别和深度学习算法，实现了高精度的目标检测和实时的目标跟踪。
1. 引言随着机器学习和深度学习技术的快速发展，无人机视觉目标检测与跟踪得到了迅猛的发展。
传统的目标检测算法往往依赖于手工设计的特征提取器，难以适应复杂场景下的目标识别。
而深度学习模型由于其强大的特征学习能力和泛化能力，在无人机目标检测与跟踪中取得了显著的成果。
2. 目标检测目标检测是无人机视觉系统中的核心任务，其目标是从图像或视频序列中准确识别出感兴趣的目标。
基于深度学习的目标检测算法利用卷积神经网络（CNN）对图像进行特征提取和目标分类。
常见的深度学习目标检测算法有Faster R-CNN，YOLO等。
2.1 Faster R-CNNFaster R-CNN是一种享有盛誉的目标检测算法，其提出了区域提议网络（RPN）和共享卷积特征的思想。
RPN通过滑动窗口在图像上生成一系列候选目标框，并使用分类和回归器来均衡地训练全卷积网络。
2.2 YOLOYOLO（You Only Look Once）是另一种流行的深度学习目标检测算法，其采用单个网络直接预测目标框的类别和位置。
YOLO 具备实时性能，并且可以在单个网络中检测多个目标。
3. 目标跟踪目标跟踪是无人机视觉系统中的重要任务之一，其目标是实时追踪特定目标在图像或视频中的位置。
基于深度学习的目标跟踪算法通常将其视为序列学习问题，通过对目标特征的连续追踪来实现。
3.1 Siamese网络Siamese网络是一种常用的目标跟踪方法，它由两个相同结构的子网络组成，用于计算目标特征和搜索区域的特征。
通过度量这两个特征之间的相似性，可以实现目标的连续跟踪。
3.2 循环神经网络循环神经网络（RNN）在序列学习问题中具有很好的效果，因此被广泛应用于目标跟踪领域。