关键词： 深度学习   目标检测   YOLOv8   注意力机制  

摘要： 水电站一般通过视觉检测的方法保证门机运行工况安全.在门机工作区域内,人员和车辆是主要的危险源.基于深度学习方法,针对检测图像中人员和车辆目标尺度不一、存在遮挡的问题,对YOLOv8s模型进行改进.主干使用引入EMA注意力机制和动态卷积的Dy‑EMA_C2f模块替代原有C2f,提高对空间与通道跨维依赖关系的学习能力和对不同尺度目标的特征提取能力,减少运算开销;颈部引入SEAM注意力机制,增强特征融合能力;提出损失函数Focaler-SIoU,聚焦中等处理难度的样本,改善边界回归精度.在网络数据集进行验证实验,改进后的模型精确率P提高了10.3%,召回率R提高了5.5%,平均精度均值mAP提升了8.2%,对遮挡和小尺度的漏检、误检情况明显改善.

关键词： 无人机航拍图像   小目标   YOLOv8   目标检测   可变形卷积   注意力机制  

摘要： 针对现有无人机航拍图像目标检测算法检测精度较低、检测小尺度车辆误差较大等问题,提出一种改进YOLOv8的无人机车辆检测算法Improve⁃YOLOv8。首先,在骨干网络中的C2f卷积层引入可变形卷积模块DCNv2,提高骨干网络适应不规则空间结构的能力,增强模型对遮挡重叠小目标的检测能力;其次,借鉴Large Separable Kernel Attention的思想,提出具有长程依赖性与自适应能力的SPPF⁃LSKA模块,有效减少背景对航拍图像检测的干扰;然后,通过引入DyHead检测头,融合尺度、空间和任务三种注意力机制提升模型检测性能;最后,使用WIoUv3作为边界框回归损失,采用明智的梯度分配策略提高模型的定位能力。实验结果表明,在Mapsai数据集上Improve⁃YOLOv8相较于基准模型,在准确率、召回率、平均精度上分别提升了5.1%、6.1%和5.1%,表现出良好的检测性能,具有实际应用潜力。

关键词： 3D目标检测   融合采样   多尺度特征   可变形卷积   关注度平衡   尺度放缩  

摘要： 针对单目图像中不同深度目标的尺度差异所导致的单目3D目标检测算法精度不佳的问题,提出一种基于融合采样和深尺约束的检测算法.首先,为增强采样特征对不同尺度目标的表征能力,构建多尺度特征融合模块(multi-scale fusion module,MFM),通过分层聚合和迭代聚合对不同层级、不同尺度的特征进行融合采样,从而提高对目标隐式尺度特征的提取能力.此外,构造深度尺度相关化模块(depth-scale correlation module,DSCM),利用深度与尺度之间的线性投影约束将不同尺度的目标补偿式放缩至同一特征水平,以此平衡模型对不同距离目标的关注度.基于KITTI数据集和Waymo数据集的定量结果表明,所提出的算法相较于同类算法在多种难度下的整体平均精度AP3D分别提升了1.56个百分点和3.07个百分点,验证了算法的有效性及泛化性,同时基于两类数据集的定性结果验证了该算法显著缓解了目标尺度差异对检测性能造成的影响.

关键词： 深度学习   计算机视觉   目标检测   轻量化神经网络   特征提取网络   特征融合网络   特征增强  

摘要： 针对视觉安防系统在边缘计算平台部署火焰检测模型时面临的精度与实时性难以平衡的问题,提出一种渐进自适应特征融合的轻量化火焰检测算法。首先,设计轻量级稀疏卷积算子降低模型计算复杂度与内存访问开销。其次,针对分组卷积的通道间信息交互缺陷,基于残差思想构建长距离上下文特征增强的轻量级特征提取组件。为解决深度骨干网络中特征丢失及背景干扰问题,创新性地提出基于高频增强的轻量级特征强化机制,优化空间域和通道域参数,缓解背景干扰问题。在此基础上,建立特征增强-渐进自适应特征融合框架,促进不同尺度特征图充分融合,提高特征图利用率,增强对多尺度目标的识别效果。实验结果表明,所提方法在实时推理速度最高达到27.1 FPS的同时,参数量降低至2.1×10^(6),较基准模型减少69.5%,并达到83.4%的mAP@0.5检测精度,显著优于现有主流方法。

关键词： 大学英语课堂展示   学习投入   计算机视觉技术   展示时段  

摘要： 学习投入是预测学习者学习效果的重要指标,学术界对其与课堂展示间的相关性研究鲜有涉猎。文本以某综合性大学303名非英语专业本科生为研究对象,采用人工智能与计算机视觉技术模型YOLOv7对大学英语课堂中的课堂展示实录进行学习投入多模态数据分析,并辅以问卷调查,形成双向印证。研究发现,学生课堂展示中的行为投入、认知投入和情感投入值均等于或高于3.78,投入结果均值达4.01,说明学生在课堂展示中的学习投入情况良好。此外,不同时段课堂展示对学生行为投入的影响显著,学生专注度及参与度在课堂前10分钟的课堂展示中效果最佳。文本为课堂展示的有效性提供了智能化、多模态、多维度的实证支持,为课堂教学的数智技术应用提供了新视角。

关键词： 目标检测   密集交通   小尺度目标   局部遮挡   直方图特征蒸馏  

摘要： 密集交通场景下的多类交通参与者目标检测仍是一项颇具挑战的视觉任务,对于交通管理和安全至关重要。为此,针对密集交通参与者的局部遮挡和小尺度特点,提出一种深度神经网络检测算法DSODet。首先采用轻量化的CSPDarkNet网络提取交通图像特征;然后设计了多尺度特征融合上采样模块以增强对难检测目标的表达能力;随后增加高分辨率检测分支来提升对小尺度目标的检测能力;最后,提出直方图特征蒸馏训练方法,通过最小化教师模型与学生模型相同层特征直方图的交集比,来有效引导学生模型训练,实现参数优化与轻量化。实验结果表明,DSODet对交通参与者的平均检测精度为66.9%,对局部遮挡的小尺度目标为13.0%,均超越现有主流算法,模型参数量仅为2.9 M,体现了对边缘设备的友好性。相关代码将在https://***/XMUT-Vsion-Lab分享。

关键词： 露天矿   小目标检测   YOLOv11   鲁棒特征下采样   小目标特征增强颈部   PIoU损失函数  

摘要： 露天矿小目标检测任务面临视角广、检测距离远导致目标成像小的挑战,现有目标检测模型存在图像逐层下采样操作引发的特征衰减问题。针对该问题,提出了一种改进YOLOv11模型,并将其用于露天矿复杂背景下小目标检测。改进YOLOv11模型通过引入鲁棒特征下采样(RFD)模块替换跨步卷积下采样模块,有效保留了小目标的特征信息;设计了小目标特征增强颈部(STFEN)网络替代原有特征金字塔结构的颈部网络,在模型颈部引入跨阶段部分融合模块,整合来自不同层级的特征图;将原有的CIoU损失函数替换为Powerful-IoU(PIoU)损失函数,解决了训练过程中锚框膨胀问题,使模型快速精准聚焦小目标。在露天矿区小目标数据集上的实验结果表明:(1) RFD模块使模型参数量减少的同时mAP提升了1.5%;STFEN网络虽使模型参数量有所增加,但mAP提升了2.2%;PIoU损失函数在未改变模型参数量及每秒浮点运算次数的前提下使mAP提升了1.7%;三者联合应用最终使模型mAP提升了3.9%。(2)改进YOLO11模型在保持较高推理速度的同时实现了精度提升,其mAP较YOLOv5m,YOLOv8m,YOLOv11m和RtDetr-L分别提高了2.6%,1.5%,0.9%和2.2%,且模型参数量更小,易于边缘部署。

关键词： 宽带雷达   相参积累   尺度效应   拉东-傅里叶变换   宽带缩放的拉东-傅里叶变换  

摘要： 在高速运动目标的检测中,信号在长时间累积中会在距离域和多普勒域引起跨距离单元走动和跨多普勒单元走动问题。“两跨”问题会严重影响积累增益,为解决此问题近些年已涌现出很多方法,但是已有研究大多针对的是窄带条件下的“停走”回波模型,没有考虑目标速度对回波的尺度伸缩影响,以此类研究中经典的拉东傅里叶变换(RFT)算法为基础提出了一种新的长时间相干积累方法,即宽带缩放的拉东傅里叶变换(WS-RFT)。深入研究了尺度效应对脉冲压缩性能的影响,分析了传统RFT变换的距离和速度偏移,并与WS-RFT算法的检测性能相比较。最后设计了仿真实验,证明了所提出的WS-RFT算法可以极大地提高宽带雷达对远距离、弱和高速度目标的检测性能。

关键词： AOD-Net   去雾   目标检测   注意力机制   BiFPN  

摘要： 深度学习目标检测在传统数据集上取得优异成果,但是在雾天环境下的检测任务仍然具有挑战性。雾天图片细节信息丢失,目标与背景混合,导致雾天目标检测任务难以定位与识别,容易造成漏检与误检问题。文章基于YOLOv9算法进行优化,结合AOD-Net去雾算法,在端到端的框架下,实现了从雾天图像输入到目标检测结果输出的一体化流程;提出GNAM模块,实现注意力权重的精细化调控,关注目标关键特征,避免误检;在Neck层使用BiFPN特征融合网络捕获目标的语义和位置信息,提高特征图质量,减少雾天环境下的漏检问题。更好地满足在雾天环境目标检测需求。实验结果表明,在RTTS数据集上的mAP@0.5和mAP@0.5:0.95分别达到了82.6%和61.8%,能够有效应对雾天场景下的目标检测任务。

关键词： 目标跟踪   传感器控制   联合风险   改进匈牙利法  

摘要： 在多传感器多目标协同跟踪过程中,雷达量测噪声方差随距离变化,距离相关噪声特性使得目标跟踪误差增加。雷达辐射风险和目标威胁风险将导致跟踪精度和传感器安全性下降。对此,在时变量测方差下构造了广义目标跟踪代价,综合考虑雷达辐射截获概率和目标威胁风险,建立时变量测方差下多传感器联合风险控制模型,提出了改进匈牙利法优化求解,通过最小化综合风险合理控制传感器跟踪目标。仿真显示,所提算法在满足对目标跟踪精度要求的同时降低了联合风险。