基于无锚框的多尺度目标检测算法研究

作     者：卢皓 

作者单位：西安建筑科技大学 

学位级别：硕士

导师姓名：王燕妮

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0814[工学-土木工程] 

主      题：多尺度机场目标 无锚框算法 感受野增强 注意力机制 特征融合 

摘      要：在人工智能不断发展的时代下,计算机视觉成为不可缺少的一部分,尤其是多尺度目标检测,它在智慧城市、智能监控等领域中发挥着重要作用。然而,机场环境下的多尺度目标检测过程中,现有目标检测算法仍存在小目标和密集目标的漏检、误检等问题。为实现机场的高效管理,提升智能化水平,针对鸟瞰视角下的飞机目标和X光危险品目标,通过设计和构造两种无锚框的目标检测算法,提升改进算法对机场环境中鸟瞰视角下的小目标、密集目标和重叠目标的检测性能,加速智能化机场的建设。本文主要贡献如下:(1)针对机场密集多尺度飞机目标的漏检、误检等问题,提出一种感受野增强和记忆型特征融合的Center Net算法。首先,引入多尺度感受野模块和残差注意力模块对Res Net50改进,并将其作为新的特征提取网络。感受野增强模块拓宽网络宽度,增强多尺度特征提取能力,残差注意力模型加强网络末端定位目标的能力。其次,用记忆型特征融合模块代替三次反卷积,消除反卷积产生的棋盘效应。同时,浅层细节信息和深层语义信息能通过该融合网络充分融合,输出特征图中的关键信息也进一步增强。实验结果表明,改进算法检测机场停泊飞机目标的准确率为88.46%,与Center Net算法相比提升18.21%,并且检测速度也得到保证。(2)针对X光危险品的背景与目标类似而导致的多尺度重叠危险品检测性能不足的问题,提出一种特征重计算和通道洗牌的目标检测算法。首先,采用改进的解耦式检测头作为该算法检测头,在该检测头中通过重新计算不同通道的特征权重,减少重要特征的丢失,同时加强对多尺度目标的定位能力。其次,引入一种以幽灵模块为导向的空洞空间卷积金字塔模型,扩大对多尺度目标的感知范围,并抑制背景信息的干扰。最后,引入通道洗牌的融合方法改进融合方式,该融合方法将不同通道的特征重新排列,丰富上下文信息,同时也增强语义信息。在多尺度X光危险品数据集上的实验结果表明,改进算法检测危险品的平均准确率达到92.35%,与基础算法相比提升5.48%,且保证了实时性。(3)引入Pascal VOC数据集作为感受野增强和记忆型特征融合算法的交叉验证数据集,同时引入CVC-09夜间行人数据集作为特征重计算和通道洗牌算法的交叉验证数据集,通过不同数据集以及不同种类的目标进一步说明改进算法的鲁棒性和普适性。