火箭军工程大学 导弹工程学院，陕西 西安 710025
针对现有目标检测算法未考虑无人机群成员之间相互关系，容易出现漏检、误检群成员和未能感知无人机群队形结构特性的问题，提出了一种基于红外探测的无人机群结构特性感知方法。首先，为减少图像中无人机外观特征损失，设计了空间深度-通道注意力模块，该模块结合空间深度转换模块保留判别特征信息的优点和通道注意力关注通道间相关性的特点，提高了检测网络的特征提取能力；其次，为充分利用图像中无人机群成员的位置、边界框大小等结构信息，提出了群成员关系模块，将无人机的结构信息融入到无人机群成员之间的关联信息，提高了检测网络对无人机群成员的检测定位能力。最后，在自建的Drone-swarms Dataset数据集上开展实验验证。实验结果表明：文中提出的无人机群结构特性感知算法的mAP达到了95.9%，较原始YOLOv5算法的mAP提高了约7%，有效提高了无人机群成员的检测精度；同时，检测速度达到59帧/s，实现了无人机群目标的实时检测，进而实现了无人机群队形结构特性的感知。
红外探测 无人机群 群成员结构 通道注意力 群成员关系 infrared detection UAV group group member structure channel attention group member relation 红外与激光工程
2024, 53(1): 20230429
火箭军工程大学 导弹工程学院，陕西 西安 710025
针对红外图像相比于RGB图像纹理较少的特性，提出一种使用Lp归一化权重的红外目标检测网络压缩方法，旨在改进基于卷积神经网络的目标检测方法对红外图像场景的适应性，在压缩网络规模的同时提升其泛化能力。首先阐述了Lp归一化权重的稀疏性可以通过调节p进行精确控制这一现象。基于该现象，提出了一种目标检测网络稀疏化训练方法。该方法分别使用Lp球面梯度下降与经典梯度下降训练主干网络和检测器，以平衡网络规模与拟合精度。仿真红外数据集测试结果表明，其在网络规模和目标检测精度方面均优于稠密模型：在网络规模上，稀疏化方法将Faster R-CNN、(Single Shot multibox Detector，SSD)与YOLOv3的有效参数分别减少了52%、78%和66%；在检测精度上，稀疏化方法将Faster R-CNN、SSD和YOLOv3的(mean Average Precision, mAP)分别提高了0.1%、0.3%和0.2%，验证了所提出方法的有效性。
红外目标检测 稀疏神经网络 Lp归一化 受约束梯度下降 infrared object detection sparse neural network Lp normalization constrained gradient descent 红外与激光工程
2021, 50(8): 20200510
火箭军工程大学导弹工程学院, 陕西 西安 710025
针对现有基于平视图像目标检测算法在航拍图像上检测精度不高的问题,提出一种具有动态感受野的单阶段目标检测算法。该算法采用SE-ResNeXt作为特征提取网络,在RetinaNet结构中添加bottom-up短连接通路和全局上下文上采样模块,增强了检测层特征的结构性和语义性。构造具有动态感受野的检测子网络,动态选取适当尺度的感受野特征进行目标检测。在实景航拍数据集上进行实验评测,并与相关算法作对比,结果表明改进算法在数据集上表现良好,性能指标具有明显提升,即使在光线昏暗、下视视角、斜下视视角和密集目标等场景图像中,也具有较好的检测效果。
机器视觉 目标检测 航拍图像 RetinaNet 动态感受野
火箭军工程大学导弹工程学院, 陕西 西安 710025
显著性目标检测是机器视觉领域的研究热点,具有广泛的应用前景。针对现有显著性目标检测算法存在的显著区域检测不均匀、边缘表示模糊等问题,提出一种双注意力循环卷积显著性目标检测算法。在U-Net全卷积骨干网络中添加像素间-通道间双注意力模块,在跨层连接前对底层特征进行预处理,减小噪声和杂波干扰,提高显著区域检测性能。在骨干网络后端使用循环卷积模块,将最后的预测图与底层卷积层特征进一步结合,增强预测区域边缘的表示效果。在三个公开数据集上进行实验评测,并与相关算法进行对比,结果表明所提算法能更好地均匀突显显著区域和细化区域边缘。
机器视觉 显著性目标检测 全卷积神经网络 注意力机制 循环卷积网络
