关键词： 合成孔径雷达   目标检测   注意力机制   特征金字塔   损失函数  

摘要： 合成孔径雷达(Synthetic Aperture Radar ，SAR)图像因其全天时、全天候、高分辨等特性已广泛应用于军事侦察、灾害监测、城市规划等领域，然而，SAR图像的成像机理导致SAR图像受噪声影响严重且存在SAR目标类别存在不均衡问题，使得SAR目标特征刻画较困难；同时针对上述问题，本文提出一种基于动态聚合网络（Dynamic Aggregation Network，DANet）的SAR目标检测方法，该网络以无锚框全卷积一阶段目标检测（Fully Convolutional One-Stage Object Detection，FCOS）网络为基础网络框架。DANet在特征金字塔网络中嵌入具有动态坐标注意力的动态聚合模块，以提高噪声影响下SAR目标特征学习能力。此外，为了缓解SAR数据集中不同类别之间数量不平衡的问题，DANet在检测头的回归分支引入了类平衡动态IoU损失函数，通过动态非单调机制和类平衡因子引导模型参数更新。在MSAR-1.0数据集和SAR-AIRcraft-1.0数据集上的实验结果表明，DANet在上述SAR目标检测数据集上的目标检测准确率分别达到了70.25%和52.36%，相比基准网络FCOS，其平均精度（Mean Average Precision， mAP）分别提高了2.73%和3.67%。与其他相关算法相比，DANet在SAR图像目标检测精度方面具有明显优势。

关键词： 目标检测   图像处理   深度学习   RTDETR   无人机图像  

摘要： 应对无人机视角图像的小目标检测存在误检漏检，检测性能差等问题，提出一种改进RTDETR模型。在主干网络融入由轻量级可变卷积核 （AKConv）和中值增强空间通道注意力机制组成BasicAK MECS模块，增强了特征提取效果；Neck部分引入Slim-neck，轻量化模型的同时提高检测的准确性和效率；在上采样部分，利用动态尺度序列特征融合（DySSFF）模块，提升小目标特征信息提取能力。损失函数使用Inner-SIoU，注入边界框的形状和尺度信息，增强边界框回归效果。实验结果表明，所提出的模型在 Visdrone2019数据集上的mAP和mAPs分别提升了2.2%和0.9%，有效提高了模型目标检测能力。

关键词： 注意力机制   Transformer   多光谱目标检测   跨模态   自适应特征融合   特征增强  

摘要： 多光谱目标检测技术通过融合来自不同光谱模态的图像（如RGB图像与热红外图像），以实现在低能见度等复杂环境中准确检测出物体。然而，现有方法在模态交互过程中往往会导致某一模态特征信息占据主导地位，以至于忽略或丢失另一种模态的关键特征信息，难以充分挖掘和利用不同模态之间的互补信息以及模态内固有的特定细节信息。此外，大多方法采用较为简单的特征融合策略，导致模型并不能有效区分和融合各模态的关键特征，限制了模型检测精度的提升。为解决这些挑战，提出一种跨模态自适应融合网络模型（Cross-modality Adaptive Fusion Network， CAFNet），该网络架构由跨模态交互Transformer（Cross-modality Interactive Transformer，CMIT）模块、多模态自适应加权融合（Multimodal Adaptive Weighted Fusion，MAWF）模块和3D注意力特征增强（3D Attention Feature Enhancement，3D-AFE）模块共同组成。其中基于Transformer结构设计的CMIT模块用于有效挖掘和利用模态间的互补特征信息和模态内的细节特征信息；MAWF模块用于实现高效的多模态特征自适应融合；3D-AFE模块则通过引入Non-local和SimAM注意力机制，增强模型对关键特征的全面感知能力。在FLIR、LLVIP和VEDAI多光谱数据集上的大量实验结果和消融研究证实了所提方法的有效性，且检测性能超越多个当前主流方法。

关键词： 碾压混凝土坝   水利工程施工   视频监控   深度学习   计算机视觉   碾压施工  

摘要： 碾压混凝土坝坝面施工时间控制对浇筑质量影响巨大,而碾压混凝土坝坝面施工环境复杂,指派专人定时定点手动记录的传统方式存在人员成本大、效率低和安全管理难度高等难题。针对以上问题,本文提出一种视觉化的碾压混凝土坝仓面碾压及摊铺状态智能监控和分析方法。通过利用布置于施工现场的视频监控系统获取坝面施工的图像数据,采用QueryInst深度学习算法对坝面各区域施工状态自动化识别,并考虑图像数据的时间关系,实时统计分析现场施工阶段和各阶段施工时间。本方法应用于某碾压混凝土坝仓面施工状态的监控过程,应用效果表明:所提方法能够准确、有效地识别仓面各区域的施工状态并自动统计各施工阶段的时长,从而为施工现场管理提供出丰富的数据支持和参考依据。

关键词： 目标检测   膝关节骨性关节炎   分布映射   YOLOv8   坐标注意力机制  

摘要： 膝关节骨性关节炎常因检查时分类不明确而导致误诊，影响治疗效果，现有的检测方法在检测精度和准确区分病变类别方面表现不佳。为此，本文提出一种基于YOLOv8改进的膝关节骨性关节炎检测分类算法，旨在提高检测分类的准确性。首先，设计了分布映射模块(V-PENet)，通过对输入的图像进行预处理，将复杂的数据分布统一映射成简单的数据分布，帮助YOLO网络更好的训练。同时，增添语义感知模块(PTB)，提升模型上下文感知能力，增强其对全局信息的理解。然后，引入CA坐标注意力机制，丰富特征信息，进一步增强模型对中尺度目标信息的捕捉能力。最后，采用WIoU v3损失函数替代原有的CIoU损失函数，优化定位精度。与基准模型YOLOv8n相比，准确率提升9.9个百分点，mAP@0.5达81.2%。相较其他检测方法，本文提出的改进模型在准确性上具有显著优势，能够更好地满足膝关节骨性关节炎检测分类的需求。

关键词： 双目测距   尺度不变特征变换   随机抽样一致性   目标跟踪   相对位置  

摘要： 为提高双目测距的精度与速度，提出了一种基于尺度不变特征变化（SIFT）与随机抽样一致性（RANSAC）的双目测距方法。首先基于YOLOv8（Ultralytics YOLOv8）进行目标跟踪，确定感兴趣区域并使用SIFT算法进行特征点匹配；其次基于匹配点对的横坐标、纵坐标以及位置特点设置图像矫正约束、视差约束、目标跟踪约束，进行第一次筛选；然后基于匹配点对间相对位置关系不变的特点，通过余弦相似度以及向量模的比值设置相对位置约束，进行第二次筛选；最后通过RANSAC算法进行第三次筛选并计算距离。实验结果表明，与传统的双目测距方法相比，提出的方法具有良好的稳定性及较快的运行速度。在20m的距离范围内，特征点匹配平均精确度为95.73%，测距平均误差为3.81%。

关键词： 水下目标检测   YOLOv7   特征融合   损失函数  

摘要： 传统的水下目标检测方法在复杂水下环境中面临诸多挑战，例如特征提取不准确、小目标检测效果差以及缺乏鲁棒性等问题。为了克服这些局限性，本文提出了一种适用于复杂水下环境的目标检测算法EEN-YOLO。首先，所提算法在YOLOv7网络的基础上引入了EVC模块，将底层特征与深层特征沿着通道维度相连接，扩大了感受野。其次，在检测头中增添Elan-Neck++结构，通过该结构中下采样模块提高了小目标检测精度。最后，采用NWD损失函数替换原算法中的CIoU损失函数，解决了原算法无法正确度量小目标边界框的问题。在公开数据集URPC上进行的实验结果表明，改进后的EEN-YOLO算法的mAP达到了88.3%。相比于YOLOv7、YOLOv8n、EfficientDet-d0、SSD，分别提高了3%、4.5%、7.8%和13.1%。

关键词： 机动目标跟踪   交互式多模型   马尔可夫概率转移矩阵   容积卡尔曼滤波  

摘要： 针对传统交互式多模型(IMM)算法概率转移矩阵固定导致跟踪精度低的问题，提出概率转移矩阵自适应IMM(AIMM)算法，主要做法是基于相邻时刻模型概率变化信息和当前时刻不同模型后验概率信息，引入马尔可夫矩阵元素修正函数，实时调整概率转移矩阵的每个元素，最后结合容积卡尔曼滤波(CKF)并设置仿真实验验证所提算法的有效性。仿真结果表明：所提的AIMM-CKF算法有效提高了匹配模型的概率和模型切换的速度，与传统IMM-CKF算法以及其他自适应算法相比具有更好的跟踪效果。

关键词： 树种识别   目标检测   特征提取   深度学习   YOLOv7  

摘要： 为解决目前大规模树种识别工作强度大、效率低且检测准确率欠佳的问题,本研究利用无人机采集的树冠影像,结合深度学习理论和网络剪枝技术,建立了高效的树种识别模型YOLOv7-Trees-T。以YOLOv7网络为基础,在特征提取网络中引入LSK(large selective kernel)注意力机制,在遥感场景中通过动态调整空间感受视野,模拟各种测距情景,提高检测精度;采用GSConv轻量级混合卷和一次性聚合VoVGSCSP模块重置特征融合网络,减少模型参数的同时实现特征多重利用;引入I-MPDIoU损失度量,解决在预测框与真实框具有相同宽高比,但宽度和高度值不同时导致损失函数无法收敛的问题,使模型更好地学习目标位置信息,提高模型回归效率;最后采用Network Slimming网络剪枝方法对模型进行剪枝微调,剔除对网络贡献率较低的通道,实现模型轻量化。研究结果表明,改进后的树种识别模型在数据集上平均精度达到96.39%,较原始YOLOv7模型提高了4.58%。通过使用网络剪枝方法,在保持检测精度的前提下,使浮点运算量和参数量分别下降了28.8%和63.4%,模型规模降低了63.6%。该算法模型能够利用无人机RGB图像快速准确识别树种,可为后续森林管理提供数据支持。

关键词： 遥感影像   目标检测   YOLOv4   非对称卷积   位置注意力  

摘要： 基于YOLOv4提出一种改进的遥感影像地面目标检测模型。在骨干网络中,以非对称卷积核组及其等效卷积核代替常规卷积核进行特征提取运算,同时通过位置注意力模块进一步增强模型对正样本特征的学习强度。在特征增强网络中,增加了额外的输出特征图尺寸来增强模型对小尺寸目标的检出能力,最终在检测输出端通过softNMS算法优化模型的候选框输出机制。实验结果表明,所提出的改进算法相比原始模型有着更好的综合检测精度与鲁棒性,同时能够在测试环境下实现对遥感影像内不同类目标的实时检测,能够在城市规划、军事侦察、应急救灾等领域内具有一定的应用价值。