关键词： 计算机视觉   网络安全   入侵检测系统  

摘要： 阐述计算机视觉技术在网络安全中的关键应用,包括入侵检测系统(IDS)、视频监控和面部识别。通过评估计算机视觉技术的应用价值,不断加强网络安全管理,有效缓解网络威胁。

关键词： 图像处理   缺陷检测   无监督学习   注意力机制   空洞金字塔池化  

摘要： 针对工业产品表面缺陷检测中特征重建精度低导致图像级、像素级、区域级误判率高的问题,提出了一种改进深度特征重建(deep feature reconstruction, DFR)的无监督缺陷检测方法。首先,在特征重建过程中引入跳跃连接,增强特征重建精度,提高模型对正样本特征的重建能力。其次,引入注意力机制,提升算法对缺陷区域的关注,并探索空间注意力对不同目标缺陷检测的影响。然后,在特征重建算法中引入空洞金字塔池化,在不增加参数量的情况下多尺度捕捉上下文信息,提高模型对不同尺寸缺陷的检测能力。最后,使用L_(2)-SSIM(L_(2)-结构相似性)损失函数约束特征重建,在保持像素相似性的基础上同时保留特征结构。基于MVTecad数据集的实验结果表明,所提算法的图像级检测精度、像素级检测精度和区域级检测精度分别为97.5%、 97.2%和93.1%,均优于对比算法。

关键词： 图像处理   绝缘子   缺陷检测   YOLOv5   轻量级网络  

摘要： 针对绝缘子多类型缺陷检测速度慢、检测精度低的问题,提出一种用于输电线路绝缘子多缺陷检测的轻量级网络(Multi-Defect Detection Network, MDDNet),该算法主要针对绝缘子电弧烧伤和绝缘子伞裙破损的多类型绝缘子缺陷联合检测。基于Ghost-C2f模块构建GC-Darknet53特征提取网络,增强特征提取能力并较少特征冗余;引入三尺度融合(Tri-Fusion)机制构建新型TF-Neck颈部网络,充分融合深层语义信息与浅层的细粒度信息,提高小目标缺陷检测精度;选用结构相似性交并比(Structural Similarity Intersection over Union, SIoU)损失函数提高模型定位能力。实验结果表明,提出的MDDNet模型平均精度均值(mean Average Precision mAP)达到92.1%,与YOLOv5相比,在参数量减少了20%的情况下mAP提升了3.0%,与其他现有一阶段算法相比,MDDNet算法检测速度达到86.1帧/秒,能够在保证轻量化的同时提高检测精度,满足绝缘子多缺陷检测的应用需求。

关键词： 深度学习   目标检测   垃圾识别   轻量化   YOLOv7模型  

摘要： 为提高垃圾分类效果,利用深度学习模型YOLOv7,实现垃圾的智能识别与分类。居民可用手机拍摄垃圾,算法将自动分析并给出垃圾分类建议。该模型在自制数据集上的准确率达到90.7%,具有较高准确性。为优化模型,采用GSConv和PConv替换原卷积,实现轻量化处理,删减冗余参数。实验显示,轻量化后模型参数减少23.1%,推理速度提升30.1%,为居民垃圾分类提供了实用方案,有效提升了居民端垃圾目标检测的准确率,进而为居民日常垃圾分类提供了可行性技术方法参考。

关键词： 目标检测   多尺度特征提取   水下目标探测   注意力机制  

摘要： 水下目标检测已成为计算机视觉的热门研究领域之一,现有的水下场景数据集中的水下目标存在尺度分布跨度大且分布密集的问题。针对现有光学成像水下目标检测技术在挖掘、表征水下目标多尺度特征方面的局限性,提出了基于尺度序列特征金字塔和金字塔分割注意力机制的YOLOv7水下目标检测算法。首先,在YOLOv7算法基础上引入了一种新的尺度序列特征金字塔,以增强模型的多尺度特征提取能力;然后,引入一种高效的金字塔分割注意力机制,以提升模型提取细粒度多尺度空间信息的能力;最后,在2个公共数据集上进行了试验。试验结果表明,该算法在多种水体的不同目标上都能表现出较好的性能。

关键词： 目标检测   深度学习   数据合成   三维重建   域随机化  

摘要： 深度学习目标检测算法需大量训练数据支撑,数据增广是一种自动生成训练样本的有效手段。为在原始样本稀缺时提供大量高质量训练样本,提出一种基于三维重建的物体空间数据增广合成方法,克服现有数据增广要么需要复杂手工建模、要么样本视角多样性不足的问题。首先用少量多视角图像重建目标三维模型,再通过多域随机化图像渲染得到不同环境下任意视角图像,然后将渲染图与随机背景融合并自动生成标注信息,得到海量多样化合成样本。构建5种训练数据集并在典型目标检测算法上对上述增广方法开展实验验证,结果表明合成样本对原始稀缺样本数据集有显著增强作用,可大幅提高目标检出概率和目标检测定位精度,而且对一般数据集也具有很好的适用性。

关键词： 自适应增强   低照度   目标检测   注意力机制   联合训练  

摘要： 在低光环境下的检测任务中,由于低亮度、低对比度以及噪声等不利因素影响,会存在对目标的漏检、错检等现象。针对此问题,提出基于图像自适应增强的低照度目标检测算法。将传统图像处理方法与深度学习相结合,设计图像自适应增强网络,使用多个可调滤波器通过级联的方式进行结合,对输入的低光图像进行逐步增强,各滤波器的调节参数由卷积神经网络根据输入图像的全局信息进行预测。将图像自适应增强网络与YOLOv5目标检测网络相结合进行端到端的联合训练,使图像增强效果更有利于目标检测。由于在低光目标检测过程中易出现漏检现象,对通道注意力机制SE-Net进行改进,设计特征增强网络,并嵌入到YOLOv5网络中Neck部分的末端,以减少网络特征融合过程中造成潜在目标特征的信息损失。实验结果表明,所提算法在真实低光数据集ExDark上的检测精度达到了77.3%,相较于原始YOLOv5目标检测网络提高了2.1个百分点,检测速度达到79帧/s,能够实现实时检测的效果。

关键词： ITS   交通状况   信息技术  

摘要： 随着城市化进程的加速,城市交通面临着前所未有的挑战,日益增加的车辆数量导致交通拥堵和事故频发的问题日益严重。在这种背景下,智能交通管理系统(ITS)显得尤为关键,它不仅可以提高城市交通的流畅性和效率,还能显著增强道路安全,从而提升整个城市生活的质量。本文通过综合分析多种前沿技术在智能交通系统中的应用情况,揭示了这些技术如何在现代交通管理中发挥至关重要的作用。这些技术不仅改善了交通状况,减少了能耗和污染,还提高了交通系统的安全性和运行效率,成为推动现代城市交通进步的重要力量。

关键词： 目标检测   深度学习   红外小目标   时空域特征融合   注意力机制  

摘要： 针对红外图像有效像素少且信噪比低,在空间域下目标与背景和噪声难以区分的问题,提出了一种基于时空域特征融合和改进YOLOv5目标检测网络的红外目标检测方法。该方法通过三维残差结构构建时空域特征融合模块,实现对红外弱目标时空域特征的高效提取,降低红外图像空间域噪声对目标检测的干扰;通过引入CA(Coordinate attention)注意力机制改进YOLOv5卷积神经网络,增强模型对微弱目标的敏感性,解决弱目标检测中目标相对于背景非常微弱的问题。实验结果表明,该方法与YOLOv5s网络相比,精确率增加2.2%,召回率增加2.1%,交并比阈值为0.5时的平均精度值增加3.5%,验证了时空域特征融合方法可以提高红外弱小运动目标的检测精度。

关键词： 计算机视觉   图像处理   伪装目标检测   上下文信息   特征融合  

摘要： 在伪装目标检测中,针对以往的特征融合研究大多采用多级特征集成,而忽略了不同特征间的差异,提出一种基于全局上下文交互融合网络用于伪装目标检测.利用改进的金字塔视觉转换器(PVTv 2)模型作为骨干网络,在多个尺度上提取全局上下文信息.首先,设计边界增强模块来关注伪装目标的结构细节,并获取物体的边缘特征;然后,借鉴动物捕食机制提出特征融合解码模块,该模块提供位置信息用于潜在目标定位来产生粗略定位图;最后,通过所搭建的全局上下文聚合模块进行多层次信息的充分交互,减少特征聚合过程中的信息丢失.采用4个公开数据集、4种评价指标进行实验,实验结果表明,所提出网络性能优于其他17个具有代表性的模型.