关键词： 协同感知   3D目标检测   通信延迟   时空序列预测   注意力机制   特征融合  

摘要： 针对车辆协同感知3D目标检测在通信延迟条件下精度较低的问题,提出一种通信延迟下车辆协同感知的3D目标检测方法。设计时空预测模块,提取通信延迟车辆历史感知特征序列中的时空特征,以预测当前时刻的感知特征,基于预测特征构建感知融合模块,利用注意力机制动态融合感知特征,以降低预测误差影响,提高检测精度。该方法在OPV2V、V2XSet和V2V4Real数据集上进行实验,与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明,在所对比的方法中,Where2Comm在不同延迟下的3D目标检测平均精度最优,该方法相比Where2Comm在400 ms下的平均精度分别提高了5.9、3.9和1.5个百分点。

关键词： 目标检测   视网膜黄斑病变   加权双向特征金字塔网络   注意力机制  

摘要： 视网膜黄斑病变是失明的重要原因之一,人工筛查容易出现误诊,而基于深度学习的自动诊断有助于早期的检测和治疗。提出一种基于改进YOLOv5的黄斑病变分类检测算法,针对黄斑病变图像细微特征融合不充分的问题,将YOLOv5颈部的PANet特征融合模块替换为加权双向特征金字塔网络,实现高效的多尺度特征融合,以获得更好的黄斑病变细节特征;针对小目标病变检测能力差的问题,在模型中引入SK注意力机制,通过自适应地调整感受野,增强对黄斑病变区域特征的捕获。对比实验证明所提算法可将小目标检测准确率由原来的91.9%提升至94.2%,全类平均准确率由原来的93.4%提升到96.6%,且在相同条件下,该算法的表现优于其他目标检测网络模型。

关键词： 图神经网络   局部熵   双波段红外图像   目标检测方法  

摘要： 双波段红外图像在目标检测时,若不能有效地将不同波段图像融合,会降低后续目标检测效果,为此提出融合图神经网络与局部熵的双波段红外图像目标检测方法。构建双波段红外图像的目标检测模型,模型建立时,利用单尺度的Retinex方法做图像融合前的增强处理,并通过增强结果对不同波段图像实施滤波处理,实现图像有效融合。再使用加权局部熵方法对融合图像展开处理,获取双波段红外融合图像的目标显著图像。利用卷积网络和图神经网络,通过目标显著图像学习训练提取目标特征,开展特征匹配,实现双波段红外图像目标的精准检测。实验结果表明:该方法在融合双波段红外图像时,保留信息量最大差值仅为5个,融合双波段红外图像能力较强;可有效利用局部熵抑制双波段红外图像内的干扰因素,同时检测双波段红外图像内目标数量为13个,与实际目标吻合,检测双波段红外图像目标精度较高,应用效果较为显著。

关键词： 伪装目标检测   上下文信息   交叉细化   边缘感知  

摘要： 基于边缘感知的模型是伪装目标检测的主流方法之一,其核心是在早期阶段输出边缘预测,能更好地定位和分割伪装目标。而在伪装目标数据集中,由于伪装目标与背景环境有很高的视觉相似性,对早期的边缘预测质量要求很高,错误的前景预测会导致分割不完整,甚至缺失目标,进而造成伪装目标分割效果不佳。为了解决这一问题,提出了一种边缘-分割交叉引导网络ECGNet。利用ConvNeXt模型作为骨干网络,通过1×1卷积对特征通道进行统一处理,在多尺度上提取全局上下文信息。设计了一个分割诱导边缘融合模块和一个边缘感知引导完整性聚合模块交叉融合,关注伪装目标的整体结构,不断细化分割特征和边缘特征。通过引导残差通道注意模块利用这些连接和卷积更好地提取低层特征中的结构细节。在CAMO、COD10K以及NC4K数据集上的实验结果表明,ECGNet性能优于其他22个具有代表性的模型,比HitNet在S_(α)、E_(ϕ)、F^(ω)_(β)和M方面的性能平均提升了0.019、0.019、0.018和0.009。

关键词： 掘进机   位姿测量   高精度定位   图像处理  

摘要： 为了提高掘进机在井下低能见度、狭小空间中的定位准确性,提出了一种基于可视化的掘进机井下高精度定位技术,建立了掘进机位姿测量系统,对靶标特征提取、图像分割技术等进行了研究,最后通过建立掘进机高精度定位模拟实验平台对该系统的实际定位精度进行了研究。结果表明,在50 m的测量范围内,该系统的轴向定位精度在100 mm以内,其角度定位精度在0.6°以内,满足井下掘进机自主定位精度要求。

关键词： 图像处理   烟支缺陷检测   深度学习   注意力机制   NWD损失函数  

摘要： 针对烟支生产过程中微小微弱缺陷(如刺破、黄斑、油渍、隐形夹沫等)检测难度大、对易混淆缺陷的区分能力不足的问题,提出一种改进的缺陷检测网络TCN-Net。融合三重注意力机制,在通道、高度和宽度3个维度进行特征增强,提高微小目标的检测能力,使刺破等缺陷的mAP@0.5提升2.4个百分点;设计一种特征聚焦扩散结构,优化高层语义与低层空间特征的融合,有效提高易混淆缺陷(如油渍、黄斑等)的区分能力,使其mAP@0.5分别提升2.8,1.9个百分点;采用归一化Wasserstein距离损失函数优化目标定位,提升小目标检测精度。试验结果表明,相较于基线模型YOLOv8,TCNNet的mAP@0.5提高5.4个百分点,综合性能优于SSD,YOLOv5和YOLOv7等主流检测算法。研究为烟草工业的缺陷检测提供更精准的解决方案。

关键词： 遥感图像   目标检测   注意力机制   全局特征融合   锚框优化  

摘要： 针对遥感图像目标检测中复杂背景干扰、多尺度目标检测以及检测精度差的问题,提出一种基于改进YOLOv8的遥感图像目标检测算法CGF-YOLOv8。首先,将CPAM双重注意力模块嵌入特征提取网络之后,使模型提取的特征更充分,在处理复杂背景时更好地区分目标与非目标区域。其次,GFPN通过跨尺度特征融合的方式,将不同分辨率的特征信息有效地结合起来,使模型在处理多尺度目标时达到更高的检测准确性。最后,利用FIoU的锚框优化策略,通过赋予每个特征点不同的权重,在提升预测框与真实框匹配精度的同时,显著提高定位精度。在RSOD数据集上的测试结果表明,此方法的平均精度达到了98.6%,帧率FPS为每秒112帧。与原YOLOv8算法比,mAP提升了6.8%,帧率提升了12帧,达到了实时检测的效果。

关键词： YOLO   目标检测   CGLU   CATM   水果成熟度检测  

摘要： 针对水果成熟度检测中存在的精度不足、复杂背景下识别难度大,传统方法在特征提取上表现出明显的局限性等问题,为此,提出了一种基于改进YOLOv11的水果成熟度检测算法(AGLU-YOLOv11),以满足水果成熟度检测中对数据高效、可靠采集的需求。AGLU-YOLOv11通过优化YOLOv11主干网络中的C3k2模块,融合CATM(Conv Additive Self-Attention)与CGLU(Convolutional Gated Linear Unit)设计了C3k2_AddBlock_CGLU模块,显著提升特征提取能力及多品种、多阶段成熟度果实的适应性。同时,在特征融合阶段引入AFCA注意力机制,强化全局特征表达及复杂背景的适应性,实现高效水果质量检测与标注。实验结果表明,AGLU-YOLOv11在Precision、Recall、mAP@0.5和mAP@0.5:0.95指标上相比其他检测模型,在精度、鲁棒性和多尺度目标适应性上表现更优,能够更好地满足识别水果成熟度的需求。

关键词： 小样本学习   目标检测   元学习   特征耦合   特征融合   任务解耦  

摘要： 在当前基于元学习的小样本目标检测方法中,查询图像和支持图像的特征提取过程往往在进行最终特征融合之前是独立进行的,缺乏有效的信息交互,这导致查询特征的代表性信息不足,尤其在样本极度有限的情况下更为显著。为解决这一问题,提出了一种基于特征耦合注意力机制的小样本目标检测方法(FC-FSOD)。FC-FSOD以Faster-RCNN作为基础网络架构,并在此基础上进行了创新。首先,设计了特征增强耦合模块,该模块增强了支持特征,使其成为更具代表性的支持原型;其次,通过注意力机制将原型与查询特征进行耦合,赋予查询特征以特定于支持特征的感知信息;再次,综合考虑查询图像的ROI特征与类级原型之间的差异性和相似性,设计了一种更为鲁棒的特征融合策略;最后,对分类和回归任务进行了解耦处理,消除了全局平均池化对回归预测的负面影响。在PASCAL VOC和MS COCO这两个公开数据集上的实验结果表明,该方法在多种小样本场景中的检测精度均有明显提升。

关键词： YOLOv5   目标检测   超声测温   超声信号提取  

摘要： 针对测量超声波飞行时间时利用互相关算法在噪声形式复杂的情况下会出现波形选取不易导致时延计算错误的问题,提出一种基于YOLOv5的超声波特征信号检测方法,引入互相关算法完成对超声特征信号时延值的计算,完成传感器的标定。训练结果表明,精确率为0.993,mAP@0.5为0.990,mAP@0.5:0.95为0.796。