南京理工大学瞬态物理国家重点实验室, 南京 210000
主流的目标检测模型将检测分为分类和定位两个子任务, 分类和定位各自具有独立的子网络, 且在训练过程中采用互相独立的损失函数。这种模型结构和训练方式忽略了分类和定位之间的相互联系, 使得模型预测的类别得分无法体现预测框的定位质量, 进一步导致高定位质量的预测在非极大值抑制(NMS)阶段被低定位质量的预测抑制, 损害了模型的检测精度。针对该问题, 提出了一种一致性损失的概念, 该损失通过在训练过程中约束模型预测的类别得分和定位质量的排名相似度, 提升了二者的一致程度。基于FCOS-ResNet50模型与PASCAL VOC数据集, 所提的损失函数能够提升约1.3个百分点的mAP0.5、4.3个百分点的mAP75和5.4个百分点的mAP90。
目标检测 损失函数 非极大值抑制 分类定位一致性 余弦相似度 object detection loss function Non-Maximum Suppression (NMS) consistency between classification and localizatio cosine similarity
1 辽宁工程技术大学 软件学院，辽宁 葫芦岛 125000
2 中国兵器工业集团 航空弹药研究院有限公司，黑龙江 哈尔滨，150000
3 上海宇航系统工程研究所，上海 201100
4 中国科学院 海西研究院 泉州装备制造研究中心，福建 泉州 362000
在目标检测任务中，传统的边界框回归损失函数所回归的内容与评价标准IoU（Intersection over Union）之间存在不相关性，并且对于边界框的回归属性存在一定不合理性，使得回归属性不完整，降低了检测精度和收敛速度，甚至还会造成回归阻碍的情况。并且在回归任务中也存在样本不均衡的情况，大量的低质量样本影响了损失收敛。为了提高检测精度和回归收敛速度提出了一种新的边界框回归损失函数。首先确定设计思想并设计IoU系列损失函数的范式；其次在IoU损失的基础上引入两中心点形成矩形的周长和两框形成的最小闭包矩形周长的比值作为边界框中心点距离惩罚项，并且将改进的IoU损失应用到非极大值抑制（Non-Maximum Suppression，NMS）处理中。接着引入两框的宽高误差和最小外包框的宽高平方作为宽高惩罚项，确定CRIoU（Complete Relativity IoU，CRIoU）损失函数。最后在CRIoU的基础上加入自适应加权因子，对高质量样本的回归损失加权，定义了自适应聚焦CRIoU（Adaptive focal CRIoU，AF-CRIoU）。实验结果表明，使用AF-CRIoU损失函数对比传统非IoU系列损失的检测精度最高相对提升了8.52%，对比CIoU系列损失的检测精度最高相对提升了2.69%，使用A-CRIoU-NMS（Around CRIoU NMS）方法对比原NMS方法的检测精度提升0.14%。将AF-CRIoU损失应用到安全帽检测中，也达到了很好的检测效果。
目标检测 边界框回归 IoU损失函数 非极大值抑制 自适应聚焦损失 object detection bounding box regression IoU loss function non-maximum suppression adaptive focal loss
1 西安工业大学兵器科学与技术学院，陕西 西安 710021
2 西安工业大学计算机科学与工程学院，陕西 西安 710021
3 西安工业大学发展规划处，陕西 西安 710021
4 西安工业大学电子信息工程学院，陕西 西安 710021
水下环境存在光线差、噪声大等复杂情况，导致传统水下目标检测方法检测精度较低、漏检率较高。针对上述问题，在现阶段通用的Faster R-CNN的基础上，提出一种自动色阶与双向特征融合的水下目标检测算法。首先，采用自动色阶对水下模糊图像进行增强处理；其次，采用PAFPN进行双向特征融合，以增强对浅层信息的表达能力；然后，在训练前后均引入柔性非极大值抑制（Soft-NMS）算法，来修正并生成候选目标区域；最后，采用FocalLoss函数，解决正负样本分配不均衡的问题。实验结果表明，所提算法在URPC2020数据集上的检测准确率可达59.7%，召回率可达70.5%，相比现阶段通用的Faster R-CNN算法，分别提高了5.5个百分点和8.4个百分点，有效提高了水下目标检测的准确率。
目标检测 图像增强 特征金字塔 柔性非极大值抑制 FocalLoss函数 激光与光电子学进展
2023, 60(6): 0610012
1 安徽理工大学 计算机科学与工程学院，安徽淮南23200
2 合肥综合性国家科学中心能源研究院（安徽省能源实验室），安徽合肥30031
3 安徽理工大学 机械工程学院，安徽淮南22001
非极大值抑制（Non-Maximum Suppression， NMS）算法作为目标检测任务的后处理算法，其作用是从候选框集合中选出最优边界框并抑制其他候选框。传统NMS算法选取类别置信度最高的候选框作为最优边界框，忽略了类别置信度与定位精度之间的相关性，类别置信度高并不意味着该框的定位精度高。为了解决以上问题，提出一种新的重定位非极大值抑制（Relocation Non-Maximum Suppression， R-NMS）算法。选择类别置信度得分最高的候选框作为最优边界框，利用R-NMS算法提出的一种边界框距离度量方法替代交并比衡量边界框之间的距离。然后，获取最优边界框周围候选框的位置信息，利用位置信息对最优边界框执行重定位操作从而得到新的最优边界框。采用PASCAL VOC2012数据集进行测试，实验结果表明，与传统算法NMS和Soft-NMS相比，R-NMS算法在目标检测器YOLOv3上的mAP分别提高0.7%、0.5%，R-NMS算法在Faster-RCNN上的mAP达到80.83%。该算法能够有效提高目标检测器的检测精度。
计算机视觉 深度学习 目标检测 非极大值抑制 computer vision deep learning object detection non-maximum suppression 光学 精密工程
2022, 30(13): 1620
1 华东交通大学信息工程学院，江西 南昌 330013
2 南昌市第三医院乳腺肿瘤科，江西 南昌 330009
针对基于深度学习的乳腺癌诊断中小肿块和互相遮挡肿块易被漏诊的问题，提出了一种用于乳腺肿块检测的改进型YOLOv3算法。首先，在特征融合模块中添加了自底向上的路径，并采用级联和跨层连接的方式充分利用底层特征信息，提高了小肿块的识别精度；其次，为了筛选出更精确的预测框，避免互相遮挡的肿块出现漏检的情况，在软非极大值抑制（Soft-NMS）算法中引入了距离交并比（DIoU）来抑制冗余的预测框。实验结果表明，所提乳腺肿块检测算法在检测小肿块和互相遮挡的肿块方面有较高的准确率和速度，平均均值精度（mAP@0.5）达到了96.1%，相比于YOLOv3提高了1.8个百分点，且每张钼靶图像的检测时间仅为28 ms。
图像处理 乳腺钼靶图像 YOLOv3 特征融合 距离交并比 软非极大值抑制 目标检测 激光与光电子学进展
2022, 59(4): 0410003
辽宁工程技术大学软件学院, 辽宁 葫芦岛125105
为保护尺度空间边缘和角点信息,提高特征匹配算法的可靠性,提出一种Sub-Window尺度空间的Attention-HardNet特征匹配算法。该算法通过Sub-window box filter构建尺度空间来充分保留尺度空间图像边缘及角点信息;使用FAST算法提取尺度空间特征点来提高特征点提取速度,再利用圆形非极大值抑制算法对其进行优化,提高准确率;对HardNet特征提取网络添加SENet注意力机制,构成Attention-HardNet,提取鲁棒性更强的128维浮点型特征描述符,最后利用L2距离衡量不同描述符的相似性,完成图像特征点匹配。在Oxford数据集上对匹配算法抗尺度、压缩、光照等性能进行测试,由测试结果可以看出本文算法相较于常用匹配算法,匹配正确率得到较大提升,相较于L2net、HardNet等深度学习方法,匹配正确率提高3%左右,速度约提高10%。
图像处理 sub-window尺度空间 圆形非极大值抑制算法 HardNet SENet注意力机制 激光与光电子学进展
2021, 58(22): 2210006
1 江南大学物联网工程学院, 江苏 无锡 214122
2 淮阴工学院计算机与软件工程学院, 江苏 淮安 223003
针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。
图像处理 火焰检测 区域全卷积网络 可分离卷积 定位置信度 非极大值抑制 激光与光电子学进展
2020, 57(20): 201021
苏州大学计算机科学与技术学院, 江苏 苏州 215000
现有的基于卷积神经网络的边缘检测算法,通常可以给出图像中每个像素为边缘的概率,即边缘概率图。针对边缘概率图细化后边缘存在丢失、间断等问题,提出一种基于梯度掩模滤波的边缘细化算法。为了获得高梯度掩模和低梯度掩模,引入基于Canny边缘检测算法的双阈值方法。对于高梯度掩模滤波后的边缘概率图进行增强,并对低梯度掩膜滤波后的边缘概率图进行削弱。最后,对边缘概率图进行非极大值抑制,得到二值的边缘图。实验结果表明,所提的边缘细化算法具有更多的连续边缘,并且更符合单边缘响应准则。
图像处理 边缘检测 边缘细化 梯度掩模 梯度滤波 双阈值法 非极大值抑制 激光与光电子学进展
2020, 57(18): 181016
昆明理工大学信息工程与自动化学院, 云南 昆明 650500
目标检测是计算机视觉研究中的热门问题,其中加速区域卷积神经网络(Faster R-CNN)对目标检测具有指导意义。针对Faster R-CNN算法在目标检测中准确率不高的问题,先对数据进行增强处理;然后对提取的特征图进行裁剪,利用双线性插值法代替感兴趣区域池化操作,分类时采用软非极大值抑制(Soft-NMS)算法。实验结果表明,该算法在PASCAL VOC2007、PASCAL VOC07+12数据集下的准确率分别为76.40%和81.20%,相较Faster R-CNN算法分别提升了6.50个百分点和8.00个百分点。没有进行数据增强的情况下,在COCO 2014数据集上的准确率相较Faster R-CNN算法提升了2.40个百分点。
目标检测 加速区域卷积神经网络(Faster R-CNN) 感兴趣区域池化 软非极大值抑制(Soft-NMS) 激光与光电子学进展
2020, 57(10): 101009
1 西安邮电大学计算机学院，陕西 西安 710121
2 西安邮电大学陕西省网络数据分析与智能处理重点实验室， 陕西 西安 710121
3 空军工程大学信息与导航学院，陕西 西安 710077
根据目标检测算法中出现的目标漏检和重复检测问题，本文提出了一种基于双阈值-非极大值抑制的Faster R-CNN改进算法。算法首先利用深层卷积网络架构提取目标的多层卷积特征，然后通过提出的双阈值-非极大值抑制(DT-NMS)算法在RPN阶段提取目标候选区域的深层信息，最后使用了双线性插值方法来改进原RoI pooling层中的最近邻插值法，使算法在检测数据集上对目标的定位更加准确。实验结果表明，DT-NMS算法既有效地平衡了单阈值算法对目标漏检问题和目标误检问题的关系，又针对性地减小了同一目标被多次检测的概率。与soft-NMS算法相比，本文算法在PASCAL VOC2007上的重复检测率降低了2.4%，多次检测的目标错分率降低了2%。与Faster R-CNN算法相比，本文算法在PASCAL VOC2007上检测精度达到74.7%，性能提升了1.5%。在MSCOCO数据集上性能提升了1.4%。同时本文算法具有较快的检测速度，达到16 FPS。
计算机视觉 目标检测 非极大值抑制 卷积神经网络 computer vision object detection non-maximum suppression convolutional neural network
