关键词： 分布式多目标跟踪   航迹随机有限集   加权算术平均融合   TPHD滤波器   TCPHD滤波器  

摘要： 分布式多传感器多目标跟踪方法可通过信息融合充分利用各传感器量测信息，有着优秀的跟踪性能、鲁棒性与组网灵活性，在军事以及民用领域有着广泛应用，是当今的研究热点。其中，基于航迹随机集的分布式多目标跟踪方法由于无需额外处理即可直接输出平滑的航迹估计，有着极高的研究价值。然而，在航迹随机集理论框架下，已有的实现方法无法兼顾航迹状态空间结构以及最小信息差异准则（Principle of Minimum Information Difference， PMDI）的要求。本文在基于加权算术平均（Weighted Arithmetic Average， WAA）融合准则的分布式多目标跟踪框架下，结合航迹概率假设密度滤波器（Trajectory Probability Hypothesis Density， TPHD）滤波器与航迹基数概率假设密度（Trajectory Cardinality Probability Hypothesis Density， TCPHD）滤波器，提出了一种基于状态空间结构（State Space Structure，SSS）的分布式跟踪方法，并给出了基于高斯混合模型（Gaussian Mixture Model，GMM）的方法实现。该方法利用航迹状态空间结构信息，将航迹随机集的信息融合问题分治为多个独立的单一线性空间内子随机集信息融合问题，基于PMDI推导得出各子随机集融合后验分布，将其合并后即为航迹随机集融合后验分布，并以此为理论基础设计了基于GMM的实现方法以及基于目标状态估计的航迹状态估计方法。新方法满足PMDI，可高效利用各传感器的后验估计信息，且仅对同一子空间内的起始时刻与状态维度相同的航迹信息进行WAA融合，可采用目标随机集的实现方法。仿真实验比较了新方法与多种跟踪方法的跟踪性能，表明了该算法的有效性。

关键词： 无人机图像   目标检测   YOLOv8n   特征提取  

摘要： 无人机由于其效率高、成本低、机动性好等优点,在各种复杂地形环境检测中的应用越来越广.然而,航拍图像中的目标分布密集、尺度变化大且存在大量小目标,其目标检测成为当前无人机技术研究的热点和难点.针对这一问题,提出一种基于改进YOLOv8n的无人机小目标轻量化检测算法DCD-YOLO(dynamic capture drone YOLO).具体为,在主干网络部分,利用CDR模块的多速率扩张卷积和残差结构,实现基本特征提取;在颈部,引入加权双向特征金字塔模块(BiFPN),利用跨尺度连接和加权融合输入特征,更快速高效地实现多尺度特征融合;内容引导卷积和自注意力(CGCA)融合模块融合浅层特征图和深层特征图,通过学习到的空间权重调整输出特征图,缓解了梯度消失问题,增强了细节特征;在检测头部分,引入动态检测头,实现检测头和注意力的统一,提高检测能力.实验表明,在Vis Drone2019无人机数据集上,DCD-YOLO实现了0.407的m AP@0.5综合检测精度,相比基线模型YOLOv8n提升了21.9%,相比主流的算法和YOLO系列目标检测算法,DCD-YOLO具有更优秀的检测性能,较好地实现了模型检测精度和模型大小的平衡.

关键词： 3D目标检测   点-体素   感受野融合   几何聚合   小目标检测  

摘要： 交通场景的3D目标检测旨在通过点云数据对场景中的车辆和行人等进行识别，本文着重于提升小目标检测的性能。本文设计了全新的多模态特征编码方案：基于双向感受野融合的体素特征编码方法和基于局部几何聚合的点-体素特征混合编码方法。另外，本文模块均针对两阶段模型的前期特征强化，提前规避细节错误；本文模块独立性强，可扩展到所有两阶段模型中。实验对比使用KITTI数据集的两阶段3D检测模型，结果显示本文方法在不同遮挡难度中，行人类对象和骑行类对象的准确率可分别实现3%和5%的显著提升。并且对比KITTI数据集行人类3D检测SOTA，本文方法在基本同步的时间延迟下，在其整体准确率提升的同时，小目标对象检测的准确率更高。

关键词： 小目标检测   NWD损失函数   小目标检测层   可变形卷积  

摘要： 针对YOLOv8算法在无人机视角下小目标性能不佳的问题，提出了一种改进后的YOLOv8-NDTiny算法。改进原有的CIoU损失函数，引入NWD损失函数，提高算法对于小目标的敏感度；在保持算法原有参数量的同时，将原有C2f模块中的卷积模块替换成可变形卷积，使得模型能够适应复杂的场景；优化了颈部结构，将原有的检测头替换成小目标检测层，使模型更加轻量化，并提高网络对小目标的感知能力。经实验数据表明，改进后的算法相比原算法在VisDrone2019数据集上mAP50%和mAP50%:90%分别提高了2.4%和1.8%，并且参数量为原先的71%。

关键词： 单站无源运动定位   多目标跟踪   高斯混合   有限集统计   容积卡尔曼滤波  

摘要： 针对单站无源运动定位中的多目标定位问题，基于随机有限集(random finite set， RFS)的高斯混合多目标滤波器（Gaussian mixture multi-target filter，GM-MTF）提出了一种多目标单站无源运动定位方法。首先，基于单站无源运动定位方法，将定位问题等效为目标跟踪问题，同时构建无源定位体系下的多目标跟踪非线性量测模型。其次，基于GM-MTF，给出融合了容积卡尔曼滤波器的高斯混合实现过程以适应量测非线性模型，并给出完整的实现过程。在此基础上，联合相位差变化率定位法提出了一种二次滤波的单站无源多目标定位方法。所提方法通过将单站无源运动定位和随机有限集多目标滤波器进行巧妙融合，从而将单目标定位场景进一步拓展到复杂的多目标场景。同时，通过仿真结果表明，对比传统的相位差变化率定位法，所提方法不仅定位精度优势明显，而且在复杂的杂波环境下具备一定的抗干扰能力和鲁棒性。

关键词： 输电线路   山火检测   烟雾检测   图像处理   目标检测  

摘要： 山火监测与定位是提高输电线路可靠性的关键。然而，高压电沿线山火图像数据具有一定的复杂性且检测目标易混淆，传统的目标检测算法无法满足山火检测任务在识别精度与速度方面的需求。为此，提出一种两阶段的高效低报警率山火检测算法，以实现高召回率高精确率的实时山火检测系统。算法架构中，第一阶段采用基于正负山火图像样本的目标检测算法，以神经网络模型YOLOv7作为目标检测器，在训练时使用足量且比例均衡的正负样本图像，提升模型的可靠性；第二阶段采用易混淆目标分类算法，以轻量级神经网络MobileNetV3作为特征提取网络，并根据第一阶段得到的易混淆类别选择不同的分类权重参数，提升易混淆目标的易分性。此外，分析了训练数据对山火目标检测算法的影响，并在山火检测数据集上进行了该算法与主流目标检测器的对比实验，结合模型的多进程并行推理帧率，验证了该算法的有效性。

关键词： 目标检测   YOLO   边缘设备   推理精度   推理速度   数据读写量   计算复杂度   模型部署  

摘要： 现有目标检测模型在边缘设备部署时，其检测性能和推理速度的平衡有较大提升空间。针对此问题，基于YOLOv8提出一种可部署到多类边缘设备上的目标检测模型。在模型的骨干网络(Backbone)部分，设计了EC2f结构，在降低参数量以及计算复杂度的同时降低数据读写量；在颈部网络(Neck)部分，将Neck替换为YOLO(you can only look once)v6-3.0版本的Neck，加速了模型推理，并将推理精度维持在较好水平；预测头网络(Head)部分设计了多尺度卷积检测头，进一步降低了模型的计算复杂度和参数度。设计了两个版本(n/s尺度)以适应不同的边缘设备。在X光数据集的实验表明，模型在推理精度上比同尺度的基准模型提升了0.5%/1.7%，推理速度上提升了11.6%/11.2%。在其他数据集上的泛化性能测试表明，模型的推理速度提升了10%以上，精度降低控制在1.3%以内。总的来说，模型在推理精度和速度之间实现了良好的平衡。

关键词： Transformer   目标跟踪   归纳偏差   编码器   轨迹提示  

摘要： 单纯使用Transformer进行目标跟踪的特征提取时，由于没有归纳偏差而无法自适应目标尺度和外观的变化。为此借助CNN引入多尺度特性，提出了一种基于跨尺度融合特征与轨迹提示的目标跟踪方法（Cross Scale Fusion of features and Trajectory Prompts Tracker， CSFTP-Tracker）。在构建目标跟踪网络输入时，将模板图像与搜索图像同时输入到CNN与ViT网络融合的编码器中，主要设计了一种多级空间感知金字塔模块（Multi-Level Spatial Awareness Pyramid， MSAP），首先，对多尺度CNN特征通过自注意力机制增强目标位置信息，然后将该多尺度特征与ViT中F-embeddings特征相融合，输入到ViT编码器。这种融合策略不仅增进了ViT内部补丁之间的信息交互，还使网络能够同时利用CNN的局部特性和Transformer全局依赖能力。其次，将ViT提取的融合特征与轨迹提示特征输入解码器中，使用自回归学习目标位置，在GOT-10k数据集上的实验结果表明，相较于基线模型，所提出的网络在以下性能：平均重叠率（AO）提升了1.3%，成功率得分在阈值为0.5时(SR0.5)也提高了1.4%。

关键词： 无人机   小目标检测   YOLOv8s   注意力机制   特征融合   遮挡目标检测  

摘要： 针对无人机航拍图像中检测性能低、遮挡严重、小目标特征提取难度大及模型参数量大的问题，提出了基于YOLOv8s的RSD-YOLO算法。首先，设计了感受野注意力模块（CSP-RFA）替代C2f模块，以提升小目标特征提取能力，有效应对传统卷积操作对位置变化不敏感的问题。其次，主干网络和特征融合网络进行了轻量化处理，新增了大尺寸特征图检测分支，并提出了感受野金字塔网络（RFPN），优化特征流动方向，增强特征表达能力。同时，检测头模块经过优化，将多尺度特征集成至具多级注意力机制的检测头中，并替换了损失函数，提升了模型对小目标的检测性能。在模型压缩方面，采用LAMP剪枝，进一步减少了模型的参数量和大小。实验结果表明，轻量化后的RSD-YOLO在公开数据集VisDrone2019上较基线模型有显著提升，精度（P）提高了10.0%，mAP0.5提升9.5%（增幅24.1%），mAP0.5:0.95提高6.9%（增幅29.4%）。模型参数量从11.12M减少至4.05M（减少63.6%），计算量从42.7GFLOPs降至25.5GFLOPs（减少40%）。此外，在仅检测遮挡小目标的新数据集上，RSD-YOLO在P、mAP0.5、mAP0.5:0.95上分别提升了9.1%、16.1%和10.7%。

关键词： 输电线路   防振锤   缺陷检测   多尺度目标   特征融合   注意力机制  

摘要： 利用无人机对输电线路进行巡检的过程中，航拍的防振锤图像目标尺度多变且背景复杂，容易导致漏检、误检。为此，针对现有目标检测算法在复杂背景和多尺度目标检测方面的局限性，提出了一种基于改进YOLOv8的防振锤缺陷目标检测算法。首先，为了增强模型的多尺度特征提取能力，提出多尺度特征提取（MSFE）模块，有效扩大模型的感受野；其次，为了在多尺度特征融合过程中抑制复杂背景的干扰，设计空间金字塔核注意力（SPKA）模块，提升模型对目标的全局感知能力；最后，由于小尺度目标在图像中容易被忽略，在网络中增加丰富小目标语义信息的特征层（STSIL），提高小目标缺陷检测能力。对比实验中，改进算法与基线模型YOLOv8s相比mAP50提升了5.7%，防振锤正常、倾斜、掉落的AP50分别提升了3.4%、4.5%、9.2%，证明了改进算法对防振锤缺陷检测的有效性与先进性，且其应用将有助于保障电力系统的安全可靠运行。