![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于改进SSD和ISESAM融合的无人机弱小目标检测方法.pdf
《基于改进SSD和ISESAM融合的无人机弱小目标检测方法.pdf》由会员分享,可在线阅读,更多相关《基于改进SSD和ISESAM融合的无人机弱小目标检测方法.pdf(7页珍藏版)》请在咨信网上搜索。
1、舰 船 电 子 工 程2023 年第 9 期1引言目标检测在人脸识别、门禁考勤、过闸乘车等方面具有重要的应用价值,被国内外学者和研究人员密切关注1。目标检测实质是找到一种将图像转换为特征空间的方法,即特征提取方法2。常见收稿日期:2023年3月15日,修回日期:2023年4月17日基金项目:国家自然科学基金项目(编号:6207010855);渭南市科学技术局项目(编号:2020ZDYF-JCYJ-235);渭南职业技术学院校级教改项目(编号:21WJYZ04);渭南职业技术学院青年科技创新团队建设项目(编号:WZYQNKJTD202309);渭南市科学技术局重点研发计划(编号:2022ZDYF
2、JH-134)资助。作者简介:张银环,女,博士研究生,讲师,研究方向:图像视频处理与识别、深度学习及教育教学。薛静云,女,博士研究生,讲师,研究方向:人工智能、模式识别及教育教学。王宁宁,女,硕士,讲师,研究方向:智能建造及教育教学等。韩泽佳,男,硕士,研究方向:深度学习和目标检测。基于改进 SSD 和 ISESAM 融合的无人机弱小目标检测方法张银环1,2薛静云1,2王宁宁1韩泽佳2(1.渭南职业技术学院建筑工程学院渭南714000)(2.西安工业大学机电工程学院西安710021)摘要针对低空无人机目标检测过程中出现的弱小目标、飞行模糊和背景相似,导致目标检测精度降低的问题,论文提出了改进S
3、SD算法以提升目标检测精度。采用轻量化SSD(SSD-MobileNetV3)算法为检测框架,减少模型参数,降低计算复杂度。同时提出一种改进时空注意力(ISESAM)模块,构建通道和空间注意力机制,嵌入YOLOV4网络提高弱小目标检测精度。改进SSD算法的激活函数有效解决神经元可能“失活”的问题,可在低层网络中更有效地提取图像特征。在PASCALVOC和COCO合成的数据集上实验,结果表明论文提出的改进SSD算法获得的检测精度为90.0%。与SSD-MobileNetV3相比,检测精度提高了4.0%,说明论文提出的改进SSD方法对低空无人机目标的检测更加具有鲁棒性。关键词SSD算法;Mobil
4、eNetV3;注意力机制;目标检测中图分类号TN2DOI:10.3969/j.issn.1672-9730.2023.09.007Detection of UAV Weak and Small Objects Based on ImprovedSSD and ISESAM FusionZHANG Yinhuan1,2XUE Jingyun1,2WANG Ningning1HAN Zejia2(1.Civil&Architectural Engineering,Weinan Vocational&Technical College,Weinan714000)(2.School of Mechat
5、ronic Engineering,Xian Technological University,Xian710021)AbstractIn the problems of weak targets,flight blur and background similarity in the process of low-altitude UAV target detection,an improved SSD algorithm is proposed to improve the target detection accuracy.The lightweight SSD(SSD-MobileNe
6、tV3)algorithm is used as the detection framework to achieve low-altitude UAV target detection,reducing model parameters and computational complexity.Simultaneously,an improved spatiotemporal attention(ISESAM)module is proposed to construct channel andspatial attention mechanisms to improve the detec
7、tion accuracy of weak and small targets.The activation function of the improvedSSD algorithm can effectively solve the problem of possible inactivation of neurons and can more effectively extract image featuresfrom the low-level network.Experiments on the datasets synthesized by PASCAL VOC and COCO
8、show that the detection accuracyobtained by the method proposed in this paper is 90.0%.Compared with SSD-MobileNetV3,the detection accuracy is improved by4.0%,indicating that the improved SSD method proposed in this paper is more robust for the detection of low-altitude UAV targets.Key WordsSSD algo
9、rithm,MobileNetV3,attention mechanism,object detectionClass NumberTN2总第 351 期2023 年第 9 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.923总第351期目标检测方法分两类:一类是通过传统机器学习算法提取;另一类是通过深度神经网络方法提取。在计算机视觉领域,利用卷积神经网络在目标检测领域取得了巨大的成就3。基于深度学习的无人机目标检测算法分两类:基于R-CNN系列的二阶段目标检测架构和基于回归的单阶段目标检测架构 4。2014年,Grishick等5提出区域
10、CNN算法,通过使用选择性搜索(Selective Search,SS)的 R-CNN 消除了对几个区域的选择,在PASCAL VOC-2007数据集上的准确率达到67%。尽管R-CNN方法提升了检测精度,但在无人机图像输入CNN网络之前,需将候选框区域中的无人机图像转换为固定大小,造成图像部分特征丢失。2015年,Grishick6提出Faster R-CNN,使用区域建议RPN网络替代了选择搜索算法,在PASCAL VOC2007 数据集上的准确率提升到 70%。2018年Joseph Redmon7提出YOLOV3算法,在TITAN GPU上运行检测速度能超过40fps,而一般视频播放速
11、度为 26fps,因此可实现实时检测,但在PASCAL VOC-2007 准确率仅为 63.4%,检测精度偏低。由于减少anchor的产生直接输出检测结果,造成检测精度不高,特别是对于一些低空无人机小目标。2016年Liu等8提出SSD算法,检测精度与Faster R-CNN相近或者更高,能对低空无人机视频实现实时检测。2022年,Jia等9提出轻量SSD算法对弱小目标进行检测,能够在压缩参数的同时,保证算法检测速度和检测精度,可有效实现对弱小目标的检测。然而该模型将注意力集中于较低特征层,忽略上下文的语义信息,从而对图像中部分重叠目标的检测效果有一定影响。2022 年,文献10 提出改进的Y
12、OLO模型,在检测精度上有较大提升,然而针对弱小目标的检测,由于缺乏理论指导,检测精度仍有较大的提升空间。综之,现有方法存在较少模型参数与较高检测精度之间的矛盾,弱小目标及在遮挡环境下检测精度不高的问题。针对以上问题,本文提出一种改进的 SSD 和ISESAM融合算法,以较低的计算成本换取更高的检测精度。采用轻量化MobileNetV3网络模型作为主干取代SSD算法中的VGG网络,以降低算法复杂性。同时突出了一个新的时空注意力(ImprovedSqueeze Excitation and Spatial Attention Module,ISESAM)模块代替MobileNetV3中SE模块,
13、从时空方面提高检测精度。最后通过实验验证本文提出改进SSD算法先进性。2改进SSD目标检测网络模块改进SSD算法由改进的MobileNetV3与额外功能层组成。研究发现低空飞行的无人机属于小目标,在检测过程中存在背景相似及飞行模糊的问题,采用轻量级MobileNetV3网络模型作为主干取代了SSD算法中的VGG网络,如图1中红色标记部分,以降低算法复杂性。针对检测精度不高的问题,本文提出了一个新的时空注意力(ImprovedSqueeze Excitation and Spatial Attention Module,ISESAM)模块。采用通道和空间注意力机制,可以精确检测弱小目标。同时改进
14、SSD算法中的激活函数解决神经元“失活”的问题,从而能够在低层网络中更有效地提取图像特征。图1改进SSD算法框架3改进SSD目标检测模块ISESAM模块是改进的SSD目标检测模算法核心,它是由 ISE 和 SAM 两模块组成,如图 2 所示。为避免参数爆增而导致计算消耗过负荷问题,并能充分提取图像空间特征,分别提出 ISE 和 SAM 模块。ISESAM模块为通道和空间包含重要信息的像素赋予较大权重,旨在提高目标检测精度。3.1ISESAM模块MobileNetV3 网络模型中的 SE11模块仅学习了通道间特征相关性,忽略了特征空间相关性。研究表明,使用空间注意力模块可以在空间上持续检测,提升
15、小目标检测准确率。这种方法有效的主要原因是特征图的每个元素对应原图的一个区域,对红色红色红色红色红色红色红色红色红色红色红色红色红色红色张银环等:基于改进SSD和ISESAM融合的无人机弱小目标检测方法24舰 船 电 子 工 程2023 年第 9 期输出特征图的每个位置赋予不同的权重相当于对原图的不同区域赋予不同的影响因子。因此,本文提出改进时空注意力模块 ISESAM 代替 MobileNetV3网络模型中的SE模块。ISESAM由和组成,其中,ISE借鉴SE-block设计思想1314并对其进行改进,可为重要行为特征在通道方面赋予较大权重,检测关键特征。SAM是从空间维度关注检测重要特征的
16、模块,ISESAM模块结构如图2所示。图2ISESAM模块结构Wang12通过实验证明 attention block 中保持channel数不变的重要性,证明了避免降维和适当的跨通道交互对于通道注意学习的重要性。同时为了避免SE模块中存在神经元“失活”的问题,本文对SE模块进行优化,提出改进的注意力网络结构(improved SE block,ISE block)。图3SE and ISE-block对比3.2ISE-block设计ISE-block结构,如图3所示,包括一个全局平局池化层(Global Average Pooling,GAP),2个1*1的自适应卷积层 adaptive c
17、onv,一个池化层Leaky Relu,一个标准化BN层和一个Sigmoid激活层,共六层。其中:1)GAP层 丢弃dropout可解决全连接层容易导致模型过拟合问题。其思想是将最后一层多层感知机(Muti Layer Perceptron,MLP)输出的每一张feature map相加求平均,如下式:Zc=Fsq()uc=1H*Wi=1Hj=1Wuc(ij)(1)其中,i,j表示每张feature map像素点的坐标,H,W代表图像的宽、高,uc为局部描述符的集合,共 c个,Zc为视频中第c帧图像像素均值的权重。因此输出的每张 feature map都形成 1*1*C向量输入至softmax
18、 中进行分类。2)标准化(Batch Normalization,BN)层 数据分布在神经网络训练阶段会产生重要影响。使用 Sigmoid激活函数,输入接近于 5时已经处在激励函数的饱和阶段,而上层的LeakyRelu输出值y多半超过 5这一范围,因此,在 Sigmoid激活函数之前应添加BN层。将3)ISE模块产生的特征图HWC输入到SAM模块,设置跨通道数最佳为k=5,对输入的特征图使用空间特征关联操作,进一步提取图像空间特征11。最后通过Sigmoid激活函数输出,为通道上包含重要信息的特征赋予较大权重,从而提高目标检测精度。3.3改进激活函数MobileNetV3在它的深层网络中采用了
19、新设计的Hard-Swish激活函数,但在其浅层网络中ReLU6激活函数,当在x 0 x0(4)Leaky-ReLU()x=max()xx(5)几个激活函数公式的曲线图像,如图4所示,从图中可以看出Leaky-ReLU具有所有ReLU的优点,并且不存在神经元“失活”问题。本文将 Leaky-ReLU 激活函数思想与 ReLU6激 活 函 数 思 想 结 合,形 成 了 一 个 新 的 公 式Leaky-ReLU6,如下式:25总第351期Leaky-ReLU6=min()6max()xx(6)由式(6)可得,组合激活函数分为三个部分,当x0时,函数值为x,其中参数是一个非常小的值,可以在模型训
20、练过程中手动调整,找出模型效果最优的参数值,并在后续的测试过程中继续;当0 x6时,函数为线性增长,当函数值上升到 6时,就保持在6不再上升,改进的Leaky-ReLU6激活函数的图像,如图5所示。-10.0-7.5-5.0-2.50.02.55.07.510.01086420SigmoidTanhLeakyReLUELU图4不同激活函数曲线-10.0-7.5-5.0-2.50.02.55.07.510.06543210LeakyReLU6图5Leaky-ReLU6激活函数图像3.4改进后SSD模型改进后SSD模型详细构造见表1,表中Input代表输入层网络中图片大小;poera代表对特征层进
21、行的 block 操作;瓶颈层 Bneck 代表 bottleneck layers;扩张因子为Exp;#out表示为特征层的通道数;表示添加了 ISESAM。NL 为非线性激活函数Non-Linearity,其 中 HS、L-RE 分 别 代 表 MobileNetV3中的H-Swish和Leaky-ReLU6激活函数。4实验与分析4.1数据库本文所建立的无人机目标检测数据库是根据检测过程中可能出现的不同飞行情况进行构建。本数据库既包括训练无人机的正样本,也包括关于鸟类和大型客机的负样本,由于没有公开的无人机数据库,本文获取的检测数据库主要是通过在公开数据集PASCAL VOC和COCO数据
22、集中的无人机、鸟类和大型客机样本以及自行拍摄样本构建。表1改进的SSD模型具体参数Input224*224*3112*112*16112*112*1656*56*2456*56*2428*28*4028*28*4028*28*4014*14*8014*14*8014*14*8014*14*8014*14*11214*14*11214*14*1127*7*1607*7*1607*7*9601*1*9601*1*1280PoeraConv2dBneck,3*3Bneck,3*3Bneck,3*3Bneck,5*5Bneck,5*5Bneck,5*5Bneck,3*3Bneck,3*3Bneck,3
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 SSD ISESAM 融合 无人机 弱小 目标 检测 方法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。