目标检测是遥感影像解译当中最重要的任务之一。当前,基于深度学习的遥感目标检测模型大多依赖于预定义的锚框,且往往忽略了场景中的上下文信息,导致检测性能和泛化能力受限。基于此,本文提出了一种面向遥感影像目标检测的场景关联无锚...目标检测是遥感影像解译当中最重要的任务之一。当前,基于深度学习的遥感目标检测模型大多依赖于预定义的锚框,且往往忽略了场景中的上下文信息,导致检测性能和泛化能力受限。基于此,本文提出了一种面向遥感影像目标检测的场景关联无锚框YOLO网络(Scene Related Anchor-Free YOLO,SRAF-YOLO)。SRAF-YOLO首先引入了一种场景增强的多尺度特征提取模块,通过将场景特征与目标特征融合,生成富含场景上下文信息的场景增强特征,并进一步利用多尺度操作提取包含场景语义的多尺度特征,有效引入场景上下文信息。在此基础上,设计了一种场景辅助无锚框检测头,利用特征图中的场景信息对目标类别预测进行约束,以提升检测精度,同时无锚框结构有效减少了锚框相关参数的计算量。在RSOD和NWPU VHR-10数据集上的实验结果表明,SRAF-YOLO通过融合场景信息和无锚框机制提升了目标检测精度,平均精度均值(mAP)分别达到94.58%和95.95%,相较于基线模型YOLOv8分别提升了1.51%和3.0%,并优于其他对比方法。在外部数据集上的验证结果进一步证实,该算法具备良好的泛化能力。展开更多
The free object generated by a set in the category of complete L-fuzzy posets is discussed in this paper. The construction of a free complete L-fuzzy poset generated by a set is obtained, which is a generalization of ...The free object generated by a set in the category of complete L-fuzzy posets is discussed in this paper. The construction of a free complete L-fuzzy poset generated by a set is obtained, which is a generalization of the free complete lattice generated by a set.展开更多
针对目前Anchor-free目标检测方法CenterNet(Objects as Points)生成热力图不准确、检测精度不足的问题,提出了一种基于特征迭代聚合的高分辨率表征网络CenterNet-DHRNet。首先,引入高分辨率表征骨干网络,并用迭代聚合的方式对不同分辨...针对目前Anchor-free目标检测方法CenterNet(Objects as Points)生成热力图不准确、检测精度不足的问题,提出了一种基于特征迭代聚合的高分辨率表征网络CenterNet-DHRNet。首先,引入高分辨率表征骨干网络,并用迭代聚合的方式对不同分辨率的特征图进行融合,提高网络的分辨率,有效减少图像在下采样过程中损失的空间语义信息。其次,使用高效通道注意力机制对高分辨率表征骨干网络的输出进行优化。最后,利用结合空洞卷积的空间金字塔池化操作增强网络对不同尺度物体的感受野。实验在PASCAL VOC数据集和KITTI数据集上进行,结果表明:CenterNet-DHRNet精度更高,满足实时检测的性能要求,具有良好的鲁棒性。展开更多
由于Anchor-based方法存的一些问题,如目标不规则、手动设计anchor、匹配机制无法匹配极端目标等,提出使用Anchor-free方法用于安防领域的行人与车辆的检测。论文在利用CornerNet-lite进行目标检测的基础上,提出“同类别匹配抑制规则”...由于Anchor-based方法存的一些问题,如目标不规则、手动设计anchor、匹配机制无法匹配极端目标等,提出使用Anchor-free方法用于安防领域的行人与车辆的检测。论文在利用CornerNet-lite进行目标检测的基础上,提出“同类别匹配抑制规则”算法,以降低误报率。所提出的算法基于真实场景的行人与车辆数据集进行测试评估,在不同的场景下,如烈日、阴天、雨雪、夜晚、白天等。实验结果表明,使用安防数据集测试时,改进的算法平均精度(Mean Average Precision,mAP)为0.35,比原方案提高0.05。论文所提出的算法为一般的目标检测算法提供高检测率和低误报率。该算法是有效的,为开发实时行人与车辆检测算法铺平了道路。展开更多
文摘目标检测是遥感影像解译当中最重要的任务之一。当前,基于深度学习的遥感目标检测模型大多依赖于预定义的锚框,且往往忽略了场景中的上下文信息,导致检测性能和泛化能力受限。基于此,本文提出了一种面向遥感影像目标检测的场景关联无锚框YOLO网络(Scene Related Anchor-Free YOLO,SRAF-YOLO)。SRAF-YOLO首先引入了一种场景增强的多尺度特征提取模块,通过将场景特征与目标特征融合,生成富含场景上下文信息的场景增强特征,并进一步利用多尺度操作提取包含场景语义的多尺度特征,有效引入场景上下文信息。在此基础上,设计了一种场景辅助无锚框检测头,利用特征图中的场景信息对目标类别预测进行约束,以提升检测精度,同时无锚框结构有效减少了锚框相关参数的计算量。在RSOD和NWPU VHR-10数据集上的实验结果表明,SRAF-YOLO通过融合场景信息和无锚框机制提升了目标检测精度,平均精度均值(mAP)分别达到94.58%和95.95%,相较于基线模型YOLOv8分别提升了1.51%和3.0%,并优于其他对比方法。在外部数据集上的验证结果进一步证实,该算法具备良好的泛化能力。
文摘The free object generated by a set in the category of complete L-fuzzy posets is discussed in this paper. The construction of a free complete L-fuzzy poset generated by a set is obtained, which is a generalization of the free complete lattice generated by a set.
文摘针对目前Anchor-free目标检测方法CenterNet(Objects as Points)生成热力图不准确、检测精度不足的问题,提出了一种基于特征迭代聚合的高分辨率表征网络CenterNet-DHRNet。首先,引入高分辨率表征骨干网络,并用迭代聚合的方式对不同分辨率的特征图进行融合,提高网络的分辨率,有效减少图像在下采样过程中损失的空间语义信息。其次,使用高效通道注意力机制对高分辨率表征骨干网络的输出进行优化。最后,利用结合空洞卷积的空间金字塔池化操作增强网络对不同尺度物体的感受野。实验在PASCAL VOC数据集和KITTI数据集上进行,结果表明:CenterNet-DHRNet精度更高,满足实时检测的性能要求,具有良好的鲁棒性。
文摘由于Anchor-based方法存的一些问题,如目标不规则、手动设计anchor、匹配机制无法匹配极端目标等,提出使用Anchor-free方法用于安防领域的行人与车辆的检测。论文在利用CornerNet-lite进行目标检测的基础上,提出“同类别匹配抑制规则”算法,以降低误报率。所提出的算法基于真实场景的行人与车辆数据集进行测试评估,在不同的场景下,如烈日、阴天、雨雪、夜晚、白天等。实验结果表明,使用安防数据集测试时,改进的算法平均精度(Mean Average Precision,mAP)为0.35,比原方案提高0.05。论文所提出的算法为一般的目标检测算法提供高检测率和低误报率。该算法是有效的,为开发实时行人与车辆检测算法铺平了道路。
