针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题, 提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析, 使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度, 以轻量级网络MobileNetv3作为主干网络进行特征提取; 此外, 基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计, 使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%, 检测速度提升2.19倍, 在UCAS_AOD, RSOD, DIOR这3个遥感数据集上进行测试, 实验结果表明, 算法鲁棒性强, 能够在保证模型检测精度的同时有效提高检测实时性。

针对公路路面病害存在的类别多、尺度变化大及样本数据集小导致的病害检测困难等问题,提出了基于改进YOLOv4的公路路面多尺度病害检测算法。首先,在CSPDarknet-53骨干网络中采用深度可分离卷积替代普通卷积,降低了网络参数计算量;然后,基于Focal loss改进YOLOv4的损失函数,解决了网络训练过程中正、负样本不平衡而导致的检测精度较低的问题;最后,借助迁移学习思想对YOLOv4网络进行预训练,并运用翻转、裁剪、亮度变换、噪声扰动等方法进行数据集扩充,解决了公路路面病害样本不足导致的网络训练过拟合问题。实验结果表明,所提基于YOLOv4+DC+FL算法对公路路面病害检测的平均精度均值可达到93.64%,相较于原始的YOLOv4检测网络提高了3.25%,检测每张图片平均时间为35.8 ms,缩减了7.9 ms。

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题, 对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先, 在特征提取网络中增加2步长的卷积层, 代替原网络中的最大池化层进行下采样; 接着, 使用深度可分离卷积构造反残差块替换传统卷积, 降低模型尺寸和参数量, 增加高维特征提取; 然后, 在原网络两尺度预测的基础上增加一尺度, 形成三尺度预测; 最后, 对损失函数中的边界框位置误差项进行优化。实验结果表明, 改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%, 满足实时性要求, 具有一定鲁棒性。本文方法能够更好地提取目标特征, 多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。

针对目前实时交通标志识别中出现的对于中小型目标检测精度低的问题, 本文提出了一种基于YOLOv3-tiny的深度可分离卷积(Depthwise Separable Convolutions)的轻量级交通标志检测网络。采用深度可分离卷积构建深度可分离卷积模块代替普通卷积搭建特征提取网络,在保证计算量的前提下更好地提取中小型目标的特征信息。同时, 改进多尺度特征融合网络, 提高对中小型交通标志的检测精度, 使用h-swish激活函数减少因为网络层数增加而丧失的图像特征, 实现对多类交通标志的检测。实验结果表明: 本算法有效的提高了对中小型交通标志的检测, 在验证集上对警告标志(Warining)指示标志(Mandatory)、禁止标志(Prohibitory)3类交通标志进行检测, 检测精度(AP)结果分别为9857%, 96.03%, 98.04%。检测平均精度(mAP)97.54%、检测速度为201.5 f/s.平均精度较YOLOv3-tiny提高了1401%。在保证轻型网络的计算量低、检测时效性好的前提下, 有效地提升了检测精度。

针对YOLO系列的目标检测方法参数多、计算量大、生成检测模型规模大等导致对运行硬件平台计算资源要求高的问题,提出一种基于反残差结构的轻量级多目标检测网络(IR-YOLO)。首先,利用深度可分离卷积减少模型参数和计算量;其次,基于深度可分离卷积构造反残差模块,提取高维特征;最后,根据反残差结构特点,利用线性激活函数减少通道组合过程激活函数的信息损失。IR-YOLO算法较YOLOv3-Tiny算法模型尺寸减少47.7%。实验结果表明IR-YOLO算法在不影响检测精度的前提下,可有效减少网络计算量和存储量。