关键词： 深度学习   目标检测   Swin Transformer  

摘要： 在目标检测任务中,基于Detection Transformer(DETR)的无锚框方法由于不需要依赖复杂的后处理步骤如非极大值抑制从而受到了广泛的关注。针对DETR使用的残差骨干网络ResNet(Residual Network)在提取全局信息能力上的不足,本文章提出一种基于改进的Swin Transformer的目标检测算法。该模型的骨干网络基于Swin Transformer改进,在这里使用了一种新的规范化方式,称为“后规范化”,这种新的方式会在整个网络产生更温和的激活值,然后将骨干网络与特征金字塔结合,获得不同尺度上的特征表示,从而能够更好地适应不同尺度的目标或图像变化。

关键词： 深度学习   目标检测   特征融合   注意力机制  

摘要： 针对自动驾驶感知任务中由于道路环境复杂、车载雷达和摄像头数据融合不充分导致的一些高危险性动目标检测效果过差的问题,本文在Centerfusion的基础之上设计了一种雷达和视觉多层级信息融合的目标检测网络MLFusionNet。首先在输入层增加了数据级融合,将雷达回波特征以像素值的形式和图像进行拼接后再通过一个二级残差融合模块输入到编解码网络,丰富了网络的输入信息;然后在骨干网络的编码器和解码器之间设计了一种瓶颈结构的上下文模块,通过多分支的卷积结构获取特征图中更广泛的上下文信息,并通过压缩通道的方式降低参数量;最后设计了一种并行注意力融合模块,解决了特征级模态融合不充分的问题。在nuScenes数据集上的实验结果表明MLFusionNet的NDS达到了46.6%,相比较多模态网络Centerfusion汽车、卡车和行人的mAP分别提升了1.4%、3.0%和1.5%,说明网络更加关注驾驶环境中的高危险性动态目标。

关键词： YOLOv3   目标检测   注意力机制   CIOU损失  

摘要： 家禽产业的发展依赖于精确高效的家禽部位目标检测技术,但当前该技术面临家禽生物多样性和生长变化性使目标特征提取困难、检测环境复杂导致检测工作难度增加等问题的挑战。针对家禽分拣中鸡的部位目标检测问题,本文提出一种名为AM-CIOU-YOLOv3的改进算法。该算法采用轻量化的Darknet-53骨干网络,力求高效提取目标特征;同时,该算法还引入双重注意力机制,即SE(Squeeze-and-Excitation)模块和STN(Spatial Transformer Network)模块,依据输入数据特征和上下文信息分配权重,聚焦关键部位特征并过滤干扰信息。此外,还将IOU损失替换成CIOU(Complete IOU)损失,借助多维度信息融合精确评估预测框与真实框的匹配程度。通过仿真实验将AM-CIOU-YOLOv3算法与YOLOv3、Faster R-CNN、YOLO和SSD等算法进行对比,结果表明AM-CIOU-YOLOv3算法在准确率、召回率、F值以及识别时间等方面具有显著优势,该算法能够充分满足鸡部位识别的实时性和精准性要求,可为相关家禽部位的识别工作提供有效的技术支持。

关键词： RGB通道   抠图   曲线调整   通道混合器   通道计算  

摘要： 通道作为图像信息的载体,是Photoshop的核心功能之一,在图像处理中发挥着重要作用,尤其是在调色和精确选区方面。文章以RGB通道为例,阐述了其技术原理,并结合实例分析了RGB通道在图像抠图和调色中的应用方法和应用技巧。

关键词： 目标检测   多尺度特征融合   智能船舶   注意力机制   YOLOv3  

摘要： 文中提出了一种实海域高精度的小目标检测算法.算法以YOLOv3作为基础模型,通过增加高分辨率特征层保留更多小尺度目标的细节特征信息.利用跳跃残差连接改进了YOLOv3的多尺度特征融合结构,以降低特征融合导致的目标特征损失,同时增强不同尺度特征图之间的信息交互.设计了双重注意力特征融合模块聚合局部特征与全局特征并细化融合特征图,降低融合特征图的混叠效应.在实海域数据集和VOC2007数据集上进行了验证,结果表明:提出的方法能够有效地提升模型的检测精度,尤其是小尺度目标的检测精度提升约15%,同时检测时间未出现明显增加.

关键词： 合成孔径雷达   舰船目标检测   YOLOv7   坐标注意力机制   NWD度量  

摘要： 为了解决SAR图像舰船目标检测的现有主流算法中图像模糊、缺乏纹理特征而导致的目标检测精度低和小目标检测难度大等问题,同时考虑不引入过多参数量以免影响网络实时性,提出了一种基于坐标注意力机制和NWD度量的改进YOLOv7的SAR图像舰船目标检测方法。首先,该方法在坐标注意力机制中引入了最大池化和残差结构,以提高模型特征提取能力;其次,将密集连接和轻量化卷积相结合,设计了SPPCSPC-P模块,以增强特征间的融合;另外,在主干网络中增加了小目标检测层,以改善模型对小目标检测精度低的问题;最后,利用NWD度量和CIoU损失设计了加权定位损失函数,进一步提高了模型检测精度。利用SSDD数据集进行实验,实验结果表明,所提方法的平均精度达到了98.38%,高于YOLOv7网络2.09个百分点。

关键词： 遥感目标检测   YOLOX   位置注意力机制   加权双向特征金字塔   上下文解耦头  

摘要： 针对遥感影像背景复杂,影像内不同类别目标间尺寸差异较大,现有模型对于其内小尺寸目标检测精度较低的问题,对YOLOX进行改进,实现了一种遥感影像目标检测方法。在骨干网络内引入位置注意力模块,让模型专注学习正样本特征;使用双层加权特征金字塔代替现有特征融合网络,并在检测端使用上下文解耦检测头对目标框回归与目标分类任务充分分解。实验结果表明,本文模型在测试集上的平均精度均值达到90.14%,较YOLOX模型提高了9.97%,较YOLOv8模型提高了4.34%,单张图像的检测速度仅为0.019 s,具有实时检测能力。

关键词： 计算机视觉   涂层缺陷   检测标准  

摘要： 论文综述了计算机视觉在钢结构涂层缺陷检测方面的研究进展。重点介绍了计算机视觉在钢结构涂层缺陷检测方面的实现方式、遇到的困难和相关检测标准。进一步理清计算机视觉在钢结构涂层缺陷检测方面的影响因素,促进计算机视觉在涂层缺陷检测领域的发展。

关键词： 接触角测量   图像处理   Young-Laplace方程   目标函数   优化算法  

摘要： 精确求解液滴基础物理公式Young-Laplace方程组,理论上可获得比量高法、圆及椭圆拟合法、曲线拟合法更高精度的接触角值,但该方程组的非线性多变量微分属性影响了其求解速度、精度和可靠性。针对欧氏距离做Young-Laplace方程组目标函数的不足,提出使用曲线相似度作为目标函数,利用改进DTW算法对其求解。同时,运用变步长网格搜索法、遗传算法和粒子群算法等多种优化算法对液滴的实际轮廓进行寻优拟合,得到了最接近实际轮廓的理论曲线。根据得到的理论曲线,利用Young-Laplace方程组计算出液滴的接触角,并与常用的测量方法进行对比。结果表明,本方法测量简便、结果准确、可靠性高,测量误差小于0.1°,是一种可行的接触角测量方法。

关键词： YOLOv3   人体检测   LR-Darknet41网络   特征融合   RFB-s  

摘要： 针对YOLOv3在人体检测上对小目标对象检测精度低、漏检率高,以及其检测速度无法满足现阶段实时检测需求的问题,论文提出基于改进YOLOv3的人体目标检测算法。首先,对VOC数据集中person类别使用K-means++聚类算法重新聚类,生成新的先验框,优化先验参数;其次,对YOLOv3骨干网络Darknet53进行通道剪枝,得到轻量化的骨干网络LR-Darknet41,减少模型参数,提高检测速度;最后,在特征融合部分,将部分深浅层特征通过RFB-s模块进行融合,扩大感受野,增强对小目标对象的检测。实验结果表明,所提出的改进算法相较原算法,漏检率降低3.7%,检测精度提高4.1%,检测速度达到53.6帧/秒。