关键词： 目标检测   域自适应   缺陷检测   纹理增强   频域信息  

摘要： 织物缺陷目标检测在纺织生产过程中是不可或缺的关键步骤。然而，在实际情况下获取大量标注数据是十分困难的。无监督域自适应方法为该问题提供了有效的解决方案，能够在没有目标域数据标注的情况下提升模型在目标域的性能。然而，现有的方法虽然在经典数据集上表现出色，但在应用于更复杂、纹理丰富的织物缺陷检测任务时，模型性能会明显下降。为了解决这一问题，我们提出了一种基于纹理知识引导（Texture Knowledge Guided，TKG）的跨域织物缺陷检测方法，旨在增强目标检测迁移模型在织物图像上的检测性能。TKG方法包含三个关键模块：纹理增强模块、联合注意力模块和一致-对抗模块。具体而言，纹理增强模块通过傅里叶变换来增强输入图像中的纹理信息，使得模型能够更好地捕捉到复杂的纹理特征；联合注意力模块引入了一种注意力机制，能够捕获更为全面的纹理和结构信息，通过自适应地调整不同区域和通道的权重，增强模型对关键纹理和缺陷区域的关注；一致-对抗模块通过一致性训练和对抗性训练增强模型对目标域数据的适应性，提升模型在目标域的检测性能。实验结果表明，TKG方法在织物缺陷目标检测任务中与现有方法相比表现出显著的优越性，在斜纹到平纹的跨域检测实验中，TKG方法在mAP50指标上实现了最高3.1%的性能提升，展示了该方法在实际织物生产环境数据中优秀的跨域缺陷检测能力。

关键词： 复杂场景   目标检测   小目标   多尺度特征融合   YOLOv8  

摘要： 为解决施工场景下安全帽佩戴检测时，由于人员密集、遮挡和复杂背景等原因造成小目标出现漏检和错检的问题，提出了一种基于YOLOv8n(You Only Look Once v8n)的双重注意力机制的跨层多尺度安全帽佩戴检测算法。首先，设计增加微小目标检测头，提高模型对小目标的检测能力；其次，在特征提取网络中嵌入Double Attention注意力机制，更关注复杂场景下目标信息的特征捕获；再者，将特征融合网络替换成基于重参数化泛化特征金字塔网络（RepGFPN）改进后的跨层多尺度特征融合（Selective Layer Generalized Feature Pyramid Network, S-GFPN）结构，实现小目标特征层信息和其他特征层的多尺度融合，建立长期的依赖关系，从而抑制背景信息的干扰；最后，采用MPDIOU(Intersection over Union with Minimum Points Distance)损失函数解决尺度变化不敏感的问题。在公开数据集GDUT-HWD上实验结果表明，改进后的模型比基线模型mAP@0.5的值提升了3.4个百分点，对各色安全帽的检测精度值分别提升了2.0、1.1、4.6、9.1个百分点，在密集、遮挡、小目标、反光和黑暗五类复杂场景下可视化检测效果也优于基线模型，为实际施工场景中安全帽佩戴检测提供了一种有效方法。

关键词： 海洋底栖生物   水下目标检测   小波池化   多尺度特征融合  

摘要： 针对水下环境复杂性带来的多尺度目标检测挑战，提出了改进算法WPS-YOLOv8。首先，设计了小波池化卷积模块(wavelet pooling convolution， WPConv)，该模块通过小波池化技术降低通道压缩后特征图的分辨率，有效抑制了传统下采样过程中产生的频率混叠伪影，提升了特征提取质量和表达能力。其次，提出了局部逐点分组重排卷积模块(partial pointwise group shuffle convolution， PGConv)，该模块通过结合局部卷积与逐点卷积，能够在减少信息冗余的同时保持通道间的信息交互，弥补了深度可分离卷积的不足，增强了特征融合效果。最后，提出了ShapeLoss损失函数，综合考虑影响不同尺度目标检测精度的因素，通过集成Shape-IoU和Shape-NWD两种损失测度，有效提升了对多尺度目标的总体检测精度。实验结果显示，相较于YOLOv8，WPS-YOLOv8在URPC2018和UTDAC2020水下数据集上的平均精度均值(mean Average Precision， mAP)分别提升了8.6%和4.4%，展现了其在水下多尺度目标检测中的出色表现。

关键词： 开放世界目标检测   反向传播梯度   图分割算法   特征范数   卷积神经网络  

摘要： 开放世界目标检测(Open-World Object Detection,OWOD)将目标检测任务拓展至真实多变的环境中，要求模型能够准确识别已知和未知对象，并逐步学习新知识。针对现有开放世界目标检测方法中未知类的召回率偏低和误识别的问题，提出了一种梯度区分与特征范数驱动的开放世界目标检测研究方法(Gradient-discriminative and feature norm-driven open-world object detection,GDFN-OWOD)。针对未知类召回率偏低的问题，提出梯度区分性表征模块(Gradient-DiscriminativeRepresentation Module,GDRM)，利用反向传播的梯度差异准确区分未知类别和背景，以提高未知类召回率；此外，引入基于图分割的框聚类算法(Graph-Based Segmentation for Bounding Box Clustering,GSBC)，将物体边界框的确定建模为图分解问题，减少冗余的边界框，进而减少模型的计算量；针对未知类误识别问题，采用基于特征范数的分类器(FeatureNorm-Based Classifier,FN-BC)，选择性能最优的卷积层识别已知和未知类别，以达到更高的识别准确率。在OWOD数据集上的实验结果表明，在T1、T2、T3任务中未知类召回率分别提升了1.1、2.1、0.9个百分点，绝对开集误差(A-OSE)分别降低了35.1%,28.7%,12.2%。与现有的开放世界目标检测方法相比，有效缓解了未知类的召回率偏低和误识别的问题。

关键词： 船舶检测   恶劣天气   YOLOv8   PKINet   特征聚焦   金字塔网络  

摘要： 针对现有内河航道中因为雨雪雾等恶劣天气带来的船只检测困难的问题，提出一种基于YOLOv8的航道船舶目标检测方法YOLOv8-Ship。该算法设计一种特征聚焦扩散金字塔网络，融合YOLOv9中的ADown模块让每个尺度的特征保留更多上下文信息；同时引入聚核初始网络(PKINet)以及上下文锚点注意力模块(CAA)改进C2f，来增强中心区域的特征；最后采用深度可分离卷积取代骨干网络中的普通卷积，来减少模型参数量和计算量。实验结果表明，在雨雪雾的天气条件下，与传统的YOLOv8n相比，改进后的算法精确率提高了0.5%，召回率提升了3.4%，F1分数提升了2%，mAP@0.5提升了1.2%，平均精度达到97.5%，有效提高了内河航道恶劣天气下过往船只的识别精度，具备较强的鲁棒性。

关键词： YOLOv7-tiny   钢材表面缺陷检测   目标检测   SPDConv   动态蛇形卷积   NEU-DET  

摘要： 针对当前钢材表面缺陷算法存在检测精度低和小目标检测困难等问题，提出一种基于YOLOv7-tiny的改进算法。首先，提出了高效动态蛇形层聚网络DSELAN，并将其嵌入到特征提取网络中，以提高模型对复杂缺陷目标的关键特征提取能力；其次，引入SPDConv作为下采样模块，来避免小目标的细粒度信息的丢失，有效解决了小目标检测困难的问题；最后，针对大目标缺陷检测效率低，增加一个大目标检测层，以扩大模型的感受野，提高对大目标缺陷的检测精度。实验结果表明，改进后的YOLOv7-tiny算法在NEU-DET数据集上的平均检测均值mAP达到了81.4%，比原算法提高了6.7%，检测性能也优于其他主流检测算法，并且具有较少的参数量和较快的检测速度，满足工业钢材缺陷的实时性和高效性的要求。

关键词： 空间小目标   复杂场景   成像模型   图像处理   动态仿真  

摘要： 针对天基空间目标检测技术研究对空间图像数据源的普遍需求，重点面向智能算法训练数据不足以及传统算法使用数据单一等问题，以生成空间小目标复杂场景下动态数字序列图像为目的，设计了一种基于天基观测平台的可见光数字成像仿真系统。提出了一种小目标成像模型，基于二维形状特征点描述法及成像解析模型，对空间目标进行数字建模及成像模拟；设计了一种背景恒星成像方法，经过视场恒星选取、成像坐标转换和亚像素级位置建模，可实现精度达±0.005像素的星点目标位置成像建模；设计了空间环境下多种光照背景的动态模型，并进行了成像噪声分析及建模，拓扑了空间目标检测图像的场景种类及鲁棒性检测的试验条件。最后，在运动仿真算法设计中加入了目标灰度动态变化、目标曲线运动、运动拖尾以及平台抖动等成像仿真功能。仿真结果表明，该仿真系统可生成定制化的动态数字图像序列。经必要性与充分性验证评估，本数字仿真系统满足空间目标检测算法开发对多元图像数据的需求，对空间目标检测算法研究有一定使用价值。

关键词： YOLOv8   双流架构   红外图像   多尺度融合   特征提取  

摘要： 强光扰、低光照等恶劣条件是矿井下目标检测的一大困扰，单一可见光的检测时常出现漏检或误检的情况，现有的可见光与红外图像融合算法往往无法更好的同时提取两种图像的特征。针对上述问题，提出了一种可见光与红外图像多尺度融合目标检测算法DF-YOLOv8。通过构建双流特征提取器架构，分别对低分辨率红外图像和可见光图像进行特征提取；采用双线性插值法对特征图进行上采样，通过通道注意力机制进行特征图的融合处理；引入融合加权特征损失函数和一致性损失策略，优化模型的适应性和鲁棒性。消融实验与对比实验的结果表明，采用上述方法，模型在自建数据集CoalMine Video上的平均精度均值（mAP）达到87.9%，相较于YOLOv7、YOLOv8分别提升6.0%、5.7%，在确保实时监测需求的同时，检测速度达到67fps。

关键词： 视频目标跟踪   孪生网络   注意力机制   语义注意力  

摘要： 随着深度大模型技术的不断发展，基于孪生网络的视频目标跟踪算法主干网络也不断深化，参数量不断增多。这导致了模型训练时间和成本的成倍增长，对模型在边缘设备上的部署造成了困难。因此，本文主要针对如何提升轻量级小模型对目标位置和语义信息提取能力的问题，提出了基于位置和语义分离注意力机制的轻量视频目标跟踪算法。算法首先对归一化注意力机制进行改进并结合水平和竖直方向卷积构建了位置注意力，嵌入到主干网络的浅层特征，实现对目标位置信息的提取。然后联合通道方向归一化注意力与压缩激发注意力，并将其与主干网络的深层特征进行融合实现对目标语义信息的提取。与之前的注意力机制不同，本文分别利用网络中浅层特征有利于空间信息的提取和深层特征有利于语义特征提取的性质将位置注意力和语义注意力分离，在不明显增加网络参数量的情况下，提升算法对目标位置和语义信息的提取能力。在通用视频目标跟踪数据集上的实验结果表明，本文所提算法能够提升基于轻量级孪生网络跟踪算法的精度和成功率。

关键词： 小目标检测   状态空间模型   空间信息聚合   注意力机制   辅助边界框  

摘要： 小目标检测旨在解决传统目标检测算法在处理微小目标时的困难。小目标检测需要克服目标尺寸小、像素少、目标与背景之间差异小导致难以检测的问题，对目标检测算法的鲁棒性、准确性提出了更高的要求。设计了一种基于状态空间模型的小目标检测算法，探索状态空间模型在目标检测领域的应用，设计了一种滑动窗口扫描机制以将二维图像转换为一维序列，更适用于小目标检测任务；设计了一种空间信息聚合模块，通过双分支结构分别计算全局和局部注意力，抑制无关背景信息；针对传统交并比损失进行改进，关注边界框形状和尺度对检测性能的影响，并使用辅助框加速模型收敛。在公开数据集VisDrone 2019上进行了充分的实验，论证了所提出方法的有效性。