关键词： 红外弱小目标检测   时空特征融合   渐进时序特征累积   多尺度空间特征融合   多帧数据集  

摘要： 为避免现有多帧红外弱小目标检测算法在显式对齐多帧特征时产生的估计误差累积,并缓解网络降采样导致的目标特征丢失,提出了一种渐进时空特征融合网络,采用渐进时序特征累积模块隐式地聚合多帧信息,并利用多尺度空间特征融合模块增强浅层细节特征与深层语义特征之间的交互。针对多帧红外弱小目标数据集稀缺的现状,构建了一个高度真实的半仿真数据集。与主流算法相比,提出的算法在所提出数据集和公开数据集上的检测概率分别提升了4.69%与4.22%。

关键词： YOLOv8   无人机   小目标检测   轻量化   特征融合  

摘要： 针对无人机图像目标像素低、背景复杂、模型部署难等问题,提出一种基于YOLOv8的轻量级多尺度特征融合小目标检测算法。为了降低网络参数量,提高模型检测速度,使用fasternetblock替换C2f的bottleneck,构建轻量化特征提取模块FasterC2f;为了增强模型多尺度特征融合能力,设计全新的聚焦扩散特征金字塔结构,使颈部网络每层特征图都聚焦三层特征信息;设计共享卷积检测头,在优化模型参数量的同时,让每个检测头都包含不同尺度特征信息;重构小目标检测网络,采用更大尺度的三层检测头,提高模型对小目标的特征学习能力。在Visdrone数据集上的实验结果表明,与YOLOv8s相比,该模型的精确率、召回率和mAP分别提高了5.1%,5.4%和6.6%,参数量降低了68%,模型文件体积减少了15.3 MB,FPS提高了16%,表明该模型具有检测精度高、检测速度快、模型易部署等优点。

关键词： 绝缘子   目标检测   迁移学习   Faster-RCNN  

摘要： 针对在室外复杂背景下绝缘子缺陷识别准确率低的问题,提出了一种改进的Faster-RCNN算法,该算法使用ResNet50+FPN替代了原始的骨干网络,并在网络中引入CBAM注意力机制。之后使用K-mean算法定制了锚选框的尺寸,提升对小目标的检测精度。采用在COCO数据集上训练的权重来进行迁移学习。实验结果表明,改进模型相比于原算法,对绝缘子各类缺陷的平均检测精度提升了4.4%,具有一定的工程应用潜力。

关键词： 污水处理厂   智能巡检机器人   快速响应二维码   目标检测   精准定位   深度学习   单次多边框检测算法  

摘要： 为解决污水处理厂加盖封闭后带来的巡检难题,可利用巡检机器人精准定位标识有特征二维码的检测盖板,并打开盖板以获取被巡检区域内的关键信息。由于传统二维码检测技术无法满足高精度的定位需求,提出一种改进的单次多边框检测(SSD)算法。在SSD算法对快速响应(QR)二维码区域进行粗定位的基础上,通过中值滤波和自适应二值化处理,采用透视变换方法矫正变形图像,利用边缘提取和定位码筛选的方法实现对QR二维码的精准定位。构建污水处理厂检测盖板QR二维码数据集,选取图像采集中常见的5种工况进行试验。试验结果表明,相较于开源计算机视觉库(OpenCV)算法,改进SSD算法识别率平均提升约5%、开盖率平均提升约32%,大幅提高了智能巡检效率。该算法有效解决了复杂工业场景下的二维码图像定位问题。

关键词： K-means聚类   动画压缩   三维动画   图像处理  

摘要： 针对高精三维动画存储传输困难的问题,研究提出了一种结合等簇K-means聚类算法,与JPEG压缩技术的三维动画压缩策略,对高精三维动画进行压缩处理。该策略采用等簇K-means聚类算法,对顶点集进行了聚类重排序,缩小了子块数据之间的差距。结果显示,子块尺寸设置为8*8、16*16或32*32时,三维动画的压缩效果基本一致,且压缩效果高于子块尺寸为4*4时的压缩效果。采用该策略可将三维动画的重构误差降至0.1以下。研究提出的三维动画压缩策略有效降低了高精三维动画的存储要求,提高了三维动画的传输便利性。

关键词： 人工智能   深度学习   计算机视觉   图神经网络   数字人文  

摘要： 为了提高艺术品属性预测的准确性,提出了一种新的分类模型ArtGraph。该模型采用了多模态学习策略和多任务策略,并在测试时采用了特定的方法。为了构建知识图谱,使用了WikiArt和DBpedia,并提出了一种基于知识图谱的艺术品属性预测方法。通过实验证明了该方法的有效性和准确性。

关键词： 自适应平滑区间   卡尔曼滤波算法   概率数据互联算法   状态估计  

摘要： 针对概率数据互联(Probability data association, PDA)算法在杂波环境下计算复杂度高的问题,设计了一种基于PDA算法的数据关联方法,当波门内量测点数量大于阈值时,采用PDA算法更新目标状态;当波门内量测点数量小于等于阈值时,采用最近邻思想筛选目标量测点,接着利用卡尔曼滤波(Kalman filter, KF)算法实现杂波环境下的快速滤波更新。在此基础上,通过自适应区间平滑方法,动态修正平滑区间,实现整体状态估计的反向平滑,从而提升算法的精度。不同杂波环境下的实验结果表明,本文方法相较于PDA算法与KF-PDA算法,在保证跟踪效率的同时,有效提升了系统状态的估计精度,验证了该方法的鲁棒性和有效性。

关键词： synthetic aperture radar(SAR)   small ship detection   deep learning   attention module   YOLO   dual‑domain joint  

摘要： Ship detection via spaceborne synthetic aperture radar(SAR)has become a research ***,existing small ship detection methods based on the radar signal domain and SAR image features cannot obtain highly accurate results because of the obvious coherent speckle noise at sea and strong reflection interference from near‑shore *** resolve the above problems,this study proposes a dual‑domain joint dense multiple small ship target detection method for spaceborne SAR image that simultaneously detects objects in the image and frequency *** method uses an attention mechanism module and algorithm structure adjustments to improve the small ship target feature mining *** the frequency‑based image generation,extreme signal strength values are detected in the azimuth and range directions,with the results of the two complementing each other to realize dual‑domain joint small ship target *** comprehensive qualitative and quantitative evaluation results show that the proposed method can attain a final precision rate of 92.25%and achieve accurate results for SAR ship detection in open‑sea,coastal,and port area *** test results for the self‑built SAR small‑ship dataset demonstrate the effectiveness and universality of the method.

关键词： 塔机位姿估计   偏振成像   光照变化   视角变化  

摘要： 实时获取塔机位姿有助于预防塔机安全事故。将相机固定在塔机顶端,可通过求取相机位姿来估计塔机位姿。但在光照变化及较大背景噪声等复杂环境下,基于特征点的相机位姿估计存在精度较低的问题。为此,本文提出了一种基于偏振图像处理的塔机位姿估计方法。首先使用张正友标定法求得相机内参,然后设计靶标并使用连接点法实现图像去畸变,最后通过偏振图像估计塔机位姿。实验结果证明,拍摄距离为30 m时,在不同光照和视角下的偏振图像比光强图像精度更高,位姿平均误差为1.34%。

关键词： 目标跟踪   孪生网络   轮廓分割   多点回归   尺度估计  

摘要： 准确的尺度估计是目标跟踪中的挑战,现有方法存在计算复杂度高、超参数多和精度低的问题。针对以上问题,提出一个利用目标轮廓进行跟踪的孪生分割网络,它由孪生子网络和轮廓分割网络2部分组成,其优点是不需要根据先验知识预先定义锚框,减少了超参数。在此基础上,实现一种基于多点回归的目标轮廓跟踪方法,该方法用区域分类与轮廓回归对目标跟踪建模,能够同时得到正矩形框、旋转矩形框和轮廓等多种目标状态。该方法的跟踪过程是:首先,利用孪生子网络估计目标的初始矩形框;其次,通过轮廓分割网络将初始矩形框的特征向量变形为目标轮廓;最后,根据目标轮廓拟合最终矩形框。在OTB-2015(Success=70%)、VOT-2020(EAO=52%)、TrackingNet(AUC=78.9%)和LaSOT(AUC=64.1%)数据集上的实验结果表明:与现有先进的目标跟踪方法相比,本文提出的跟踪方法具有较优的跟踪性能。