关键词： YOLOv8s   小目标   轻量化   BiFPN   目标检测  

摘要： 小目标检测一直是目标检测领域的热点,而航拍小目标图像具有尺度变化大、视角和姿态变化多样等特点,容易造成漏检、误检。针对这些问题,提出基于YOLOv8s改进的轻量化小目标检测算法。首先,在Backbone部分使用CESE_C2f模块,利用轻量化注意力机制提升检测效果并降低参数量;其次,根据BiFPN思想设计新的网络结构,充分利用已有网络信息加强深层与浅层特征信息的融合;最后,使用新的轻量化检测头LW_Detect(Lightweight_Detect)大幅度降低运算量与参数量,以满足实时性要求。实验结果表明,所提算法在Visdrone数据集上的mAP50和mAP50:95分别达到41.4%和24.9%,相较原始YOLOv8s算法精度提高了1.6%和1.3%,参数量和运算量降低了36.8%和42.8%。

关键词： 计算机视觉   目标跟踪   目标检测   边界框估计   判别相关滤波器  

摘要： 针对视频序列中外观变化、背景杂波和严重遮挡等因素导致的目标跟踪精确度低的问题,提出一种新型的双阶段自适应跟踪模型。该模型包含目标检测和边界框估计2个阶段:在目标检测阶段,模型对目标进行粗略定位;在边界框估计阶段,精确确定目标位置。为应对视频场景复杂性及小目标跟踪的挑战,采用了多特征融合技术构建丰富的目标表示。实验结果表明,与在线和实时跟踪(SORT)、Tracktor++、FairMOT、Transformer等模型相比,本模型表现出最优的综合性能,有效平衡了计算速度与跟踪精确度之间的关系,展现出良好的应用潜力。

关键词： YOLOv8   SENet   目标检测   超参数  

摘要： 为了解决无人机航拍的河流漂浮垃圾检测的难题,文章提出了一种改进YOLOv8的目标检测算法,用于检测河流漂浮的小目标垃圾。在原有YOLOv8算法模型的基础上,添加了SENet注意力机制,提高了小目标检测的表征能力,并进行了超参数的微调。改进后的模型相比原有的YOLOv8s算法,平均精度(mAP)提升了4.4%,达到80%。因此,改进的YOLOv8s更适用于小目标检测。

关键词： 变电设备   红外图像   目标识别与检测   计算机视觉   深度学习  

摘要： 变电站设备准确的红外热图像识别与检测是其温度状态智能分析的先决条件。为了克服复杂背景的干扰,提出了改进的轻量级YOLOv7方法,以提高在复杂红外背景下变电站设备的识别效果。提出的方法引入了高分辨率P2检测头来改进小目标检测,无参数注意模块SimAM在复杂红外背景中更好地提取不同变电设备目标特征,CARAFE模块在上采样过程中减少特征信息的损失,进一步增强算法的鲁棒性。实验及测试结果显示提出的模型比原始YOLOv7-tiny高出2.6%检测精度,实现了101 FPS(帧数)的实时推理速度,证明了所提出的模型在变电站设备的红外图像目标识别方面的优势,特别是较小的变电设备,并且提出的模型比其他轻量级模型拥有更高的识别检测精度。

关键词： 图像处理   粪污   卷积神经网络   牛粪捡拾  

摘要： 中国草原面积广阔,牛粪作为草原畜牧业的副产品,既对牧草生长有负面影响,又是重要的资源。牛粪分布零散,传统捡拾方式效率低,为了解决上述问题,该文提出一种改进牛粪图像检测模型,用于检测牧区牛粪,以提高牛粪捡拾的效率和智能化水平。1)替换注意力机制轻量化主干网络EfficientFormerV2,提高对边界敏感性并减少模型复杂度。2)改进颈部网络BiFPN,增强特征融合能力。3)改进损失函数Inner-IoU,提高边界框回归的定位精度。4)替换瓶颈层改进FasterNet block,以减少计算复杂度并加快推理速度。5)添加捡拾判断机制,利用预测阶段检测框对区域牛粪做出分类。改进后的网络模型在准确率为92.6%,召回率为87.7%,平均精度均值为87.4%的情况下,参数量减少到4.02M,浮点运算量减少到8.1G,检测速度提升到34.7帧/s。试验结果表明,改进模型在保持模型轻量化的同时,具有较高的平均精度均值,能够有效地完成牧区牛粪的识别与定位任务,适合在资源受限的移动设备和牧区环境中应用,为牛粪智能化捡拾车的研究提供技术支持。

关键词： 异物侵限检测   深度学习   目标检测   YOLOv8算法   CBAM注意力机制   EIoU   RepConv  

摘要： 快速、准确地从监控影像中检测侵入铁路的异物对保障列车运行安全具有重要意义。针对列车运行过程中出现的小型目标和与背景相似度较高的物体难以被准确识别的问题,提出一种改进的YOLOv8算法,可快速、准确地检测铁路图像中的侵限。首先,在Backbone网络主干层引入CBAM注意力机制,提高轨道异物特征提取速度,令模型更加关注于图像中的关键特征,同时抑制不相关的铁路背景信息。其次,针对模型中CIoU损失函数在宽高比上的模糊定义问题,将EIOU损失函数替代原有的损失函数,最小化目标框与锚盒的宽度和高度之差,提高边界框回归的精度的同时加快模型的收敛。最后利用分组卷积对传统目标检测头进行优化,在不损耗模型精度的情况下提高模型的效率,令模型在实际应用中具有更好的性能。实验结果表明,改进的YOLOv8算法在数据集上的mAP值达到96.2%,在检测精度上达到较高的水准,证明该模型在现实生活中具有应用价值。

关键词： YOLO   动植物表型   目标检测   关键点检测   目标分割   轻量化  

摘要： 动植物表型是动植物特征与性状的定量描述,表型特征的精准计算与分析是推进数字农业发展的重要基础。得益于深度学习技术的迅猛发展,以YOLO系列算法为代表的计算机视觉模型在动植物表型分析任务中展现出了优良性能和巨大潜力。以家畜类、家禽类、作物类、果蔬类等动植物为对象,分别从目标检测、关键点检测、目标分割3方面概述了YOLO系列算法应用研究进展。最后指出YOLO系列算法未来发展趋势,包括轻量化架构设计、小目标精准检测、弱监督学习、复杂场景部署、大模型目标检测等。

关键词： 遥感图像   有向目标检测   Oriented RepPoints   注意力机制   损失函数  

摘要： 为解决Oriented RepPoints算法在遥感图像有向目标检测中因遥感图像背景干扰信息较多和目标尺度大小不一所导致的检测精度不高、易漏检误检等问题,提出一种改进Oriented RepPoints的遥感图像有向目标检测方法MA-RPDet(Mixed Attention RepPoints Detector).首先,采用了PVTv2作为主干网络,该网络利用线性空间缩减自注意力机制提取出更具局部连续性的特征图,并保持与卷积运算类似的线性复杂度.其次,在特征融合阶段设计了串联性混合注意力模块,进一步强化了重要特征,促进了多尺度特征的高效交互.最后,引入平滑GIoU损失函数对模型学习策略进行优化,提高了检测精度.在两个遥感图像目标检测数据集DOTA和HRSC2016上的实验结果表明,所提方法的检测精度mAP分别达到了77.19%和90.3%,均高于其他对比算法,证明了本文方法的有效性.

关键词： 三维单目标跟踪   极坐标特征表示   前景注意力   深度学习  

摘要： 目前主流的三维单目标跟踪方法是通过匹配模板与搜索区域的特征来跟踪目标,因而,模板和搜索区域的特征提取与匹配十分重要。但是,当前主流方法提取到的点云特征具有方向敏感性,会对后续的特征匹配以及检测产生不良影响。为了缓解上述问题,论文提出了基于极坐标表示与前景注意力机制的三维单目标跟踪网络。该模型通过极坐标空间变换帮助网络学习具有旋转不变性的点云特征。此外,前景点数量稀少会导致跟踪模型无法充分关注前景目标。为此,论文提出了前景权重增强模块,使得三维跟踪模型能更好地跟踪前景物体。论文在KITTI以及NuScenes数据集上进行的大量实验的结果表明,论文方法在汽车类别上,比基准方法分别提升了3.9%、7.6%与2.5%、8.0%的准确率与成功率。

关键词： 雷达目标检测   低信杂比   信息几何   矩阵流形   流形变换  

摘要： 基于信息几何的目标检测方法为解决雷达目标检测问题提供了新的技术途径。该文以矩阵信息几何理论为基础,考虑复杂非均匀环境下,回波信杂比低,目标与杂波在矩阵流形上区分性差,导致传统信息几何检测器性能受限的问题,提出一种基于流形变换的信息几何检测器。具体地,该文建立了流形到流形映射变换,并提出待检测单元与杂波中心的几何距离联合优化方法,从而增强变换后流形上目标与杂波的区分性。通过仿真和实测数据验证,所提方法具有较好检测性能。基于仿真数据实验,当信杂比高于1 dB时,所提方法的检测概率可以达到60%以上,同时,实测数据验证结果表明,当检测概率达到80%时,相较于传统信息几何检测器,该文所提检测器能够提升检测信杂比为3~6 dB。