基于鞋样的视频追踪技术是公安机关刑事侦查的一种常用技战法,在公安实战中起到巨大的作用,然而该项技术大量依赖于人工筛选,工作量大且效率低,容易出现漏检的状况。鉴于此,提出一种基于SSD(Single Shot MultiBox Detector)模型的鞋子自动检测算法,实现对行人鞋子的自动检测与定位。首先对SSD模型的结构和先验框参数进行设计,使其符合鞋子检测的实际应用。然后采用调节网络参数的方法提高网络的检测性能和稳定性,完善适用于鞋子检测的网络模型和方法,最终得到准确且高效的单类别鞋子检测网络。最后在课题组前期构建的鞋样本数据库中进行性能评价。实验结果表明,所提算法的平均精度达到0.891。
图像处理 鞋子检测 卷积神经网络 视频侦查 激光与光电子学进展
2021, 58(6): 0610009
1 火箭军工程大学核工程学院, 陕西 西安 710025
2 西北工业大学航海学院, 陕西 西安 710072
基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。
机器视觉 合成孔径雷达 神经网络 舰船目标检测 单发多盒探测器 复杂场景
火箭军工程大学导弹工程学院, 陕西 西安 710025
特征金字塔网络(FPN)在融合不同尺度特征图时采用上采样和相加的方法,然而经过上采样的特征图的空间层级化信息丢失严重,简单地进行相加必然引入一定的误差。同时,FPN结构的深层特征信息前向传递性较差,其对更浅层的辅助效果基本消失。对此,结合长短时记忆(LSTM)网络在处理上下文信息上的优势对FPN结构进行改进,在不同深度的特征层之间建立一条自上而下的记忆链接,建立多门控结构对记忆链上的信息进行过滤和融合以产生表征能力更强的高级语义特征图。最后,将改进的FPN结构加入到SSD(Single Shot MultiBox Detector)算法框架中,提出新的特征融合网络——MSSD(Memory SSD),并在Pascal VOC 2007数据集上进行验证。实验表明,该改进取得了较好的测试结果,相比于目前较先进的检测算法也有一定的优势。
机器视觉 目标检测 特征金字塔 长短时记忆网络 记忆滤波通道 SSD网络
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院大学, 北京 100049
3 中国科学院红外探测与成像技术重点实验室, 上海 200083
提出了一种用于空中红外目标检测的增强单发多框检测器(SSD)方法。分析了感受野与特征图层数的关系,同时采用池化和转置卷积操作的特征图双向融合机制,从整体上增强了特征的表达能力。通过引入浅层特征图的语义增强分支,并在高分辨率特征图上增加预测框,可提升小尺寸目标的定位精度。在VOC2007小目标和空中红外目标数据集上进行了对比测试,平均精度分别提高了7.1%和8.7%,此时检测速度略有下降。结果表明,增强SSD可在空中红外目标检测中获得较好的性能。
机器视觉 单发多框检测器 空中红外目标 目标检测 特征融合 语义分割
