鞠默然 1,2,3,4,5罗海波 1,2,4,5,*刘广琦 1,2,3,4,5刘云鹏 1,2,4,5
1 中国科学院 沈阳自动化研究所， 辽宁沈阳006
2 中国科学院机器人与智能制造创新研究院，辽宁沈阳110016
3 中国科学院大学，北京100049
4 中国科学院光电信息处理重点实验室，辽宁沈阳110016
5 辽宁省图像理解与视觉计算重点实验室，辽宁沈阳110016
红外弱小目标检测被广泛应用于预警、制导等**领域中。然而，红外弱小目标所占像素少、缺少形状特征和纹理特征，使得红外弱小目标检测成为一个具有挑战性的课题。针对红外弱小目标检测，提出了一种简单高效的实时红外弱小目标检测网络。检测网络利用自适应感受野融合模块来增加小目标周围的上下文信息，并通过引入空间注意力机制来建立不同区域之间的相关性模型，使不同区域之间的相关性和紧凑性得到加强。为了提高检测网络对目标的定位和正负样本的判别能力，分别利用GIOU loss和Focal loss来设计损失函数。在3个红外弱小目标序列和单帧红外图像上进行实验，检测网络分别取得了91.62%，71.54%，81.77%和90.67%的AP值，且检测速度接近165 FPS。实验结果表明，该红外弱小目标检测网络对复杂背景和低信噪比条件下的红外弱小目标具有较好的检测效果。
红外弱小目标检测 注意力机制 卷积神经网络 深度学习 infrared small target detection attention mechanism convolutional neural network deep learning 张盼盼 1,2,3,4,5,*罗海波 1,2,4,5鞠默然 1,2,3,4,5惠斌 1,2,4,5常铮 1,2,4,5
1 中国科学院沈阳自动化研究所，辽宁 沈阳 110016
2 中国科学院机器人与智能制造创新研究院，辽宁 沈阳 110169
3 中国科学院大学，北京 100049
4 中国科学院光电信息处理重点实验室，辽宁 沈阳 110016
5 辽宁省图像理解与视觉计算重点实验室，辽宁 沈阳 110016
为了解决Capsule网络随着输入图像增大计算量和参数数量急剧增加的问题，对Capsule网络进行了改进并将其用于SAR自动目标识别（SAR-ATR）中。基于大脑视觉皮层以层级结构以及柱状形式处理信息的机制，提出了完全实例化的思想，并运用类脑计算对Capsule网络进行了改进。具体方法是：使用多个卷积层实现层级处理，同时使用了较少的卷积核，但每一层使用的卷积核数量随着层级加深逐渐增加，使得提取的特征更加趋于抽象化；在PrimaryCaps层中，Capsule向量由最后一层卷积层输出的所有特征图构成，使得Capsule单元包含目标局部或整体的全部特征，以实现目标的完全实例化。在SAR-ATR上，将改进的Capsule网络与原Capsule网络、传统目标识别算法和基于经典卷积神经网络的目标识别算法进行对比实验。实验结果表明，改进的Capsule网络训练参数和计算量大大减少，并且训练速度得到很大提升，在SAR图像数据集上的识别准确率较Capsule网络和前两类方法分别提高了0.37和1.96~8.96个百分点。
目标识别 Capsule 网络 完全实例化 类脑计算 卷积神经网络 target recognition Capsule network complete instantiation brain-like calculation convolutional neural networks 红外与激光工程
2020, 49(5): 20201010
鞠默然 1,2,3,4,5罗江宁 6王仲博 1,2,3,4,5罗海波 1,2,4,5,*
1 中国科学院沈阳自动化研究所, 辽宁 沈阳110016
2 中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016
3 中国科学院大学, 北京 100049
4 中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016
5 辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
6 麦吉尔大学, 加拿大 魁北克 H3A 0G4
基于串联(concat)操作的特征融合方法仅仅融合了相邻尺度的特征,并没有充分利用来自其他尺度的输出特征。并且,串联操作只是在通道维度上将不同尺度的特征连接,不能反映不同通道间特征的相关性和重要性。针对这些问题,提出了一种基于注意力机制的特征融合算法。该算法利用注意力机制来融合不同尺度的特征,通过对每个通道的特征进行权重分配来学习不同通道间特征的相关性。将基于注意力机制的特征融合算法与YOLO V3相结合,构建多尺度目标检测器,并利用Focal loss和GIOU loss来设计检测器的损失函数。在PASCAL VOC和KITTI数据集上对不同算法进行对比实验,实验结果表明,多尺度目标检测器具有更高的检测精度和较快的检测速度。
机器视觉 卷积神经网络 特征融合 注意力机制 YOLO V3 光学学报
2020, 40(13): 1315002
鞠默然 1,2,3,4,5,*罗海波 1,2,4,5王仲博 1,2,3,4,5何淼 1,2,3,4,5[ ... ]惠斌 1,2,4,5
1 中国科学院沈阳自动化研究所, 辽宁 沈阳110016
2 中国科学院机器人与智能制造创新研究院, 辽宁 沈阳 110016
3 中国科学院大学, 北京 100049
4 中国科学院光电信息处理重点实验室, 辽宁 沈阳 110016
5 辽宁省图像理解与视觉计算重点实验室, 辽宁 沈阳 110016
针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。
机器视觉 小目标检测 YOLO V3 VEDAI数据集 K-means聚类算法 
