关键词： 标签   YOLOv5模型   目标检测   通道剪枝  

摘要： 为高效提取标签关键信息,设计一种旨在低浮点运算和低参数量条件下精准检测标签的方法。将YOLOv5s作为基线模型,为获得更加丰富的梯度流信息,提出具有多尺度信息的自适应融合R2C2f-ECA模块。使用重参数卷积进行特征融合并通过LeakyReLU对神经元激活,避免出现死亡神经元情况的同时,更好地建模输入数据的复杂特征,增强模型的表示能力。针对回归目标不匹配的问题,使用基于动态非单调聚焦机制的边界框损失函数WIoULoss,提高模型的回归性能。实验表明:改进后的模型在物料箱标签数据集上mAP_0.5与mAP_0.5:0.95两项指标分别提高1.9%和2.1%,达到99.1%和94%。融合LAMP通道剪枝与Feature-Based Knowledge蒸馏后的模型大小为4.37 M,仅为原始模型的32%,两项mAP指标较原始模型分别提高1.4%和2.1%,FPS提升43%。

关键词： 目标跟踪   相关滤波   主动轮廓模型   目标尺度观测  

摘要： 针对在相关滤波目标跟踪中,对目标尺度观测不准会造成匹配模板更新错误,从而降低目标跟踪的精度的问题,提出一种Deep Snake协助相关滤波的目标跟踪方法。该方法首先利用相关滤波估计目标的初始状态;然后利用Deep Snake得到目标的轮廓,进而优化目标的尺度。在OTB-2015(成功率70%)和VOT-2019(期望平均覆盖率28.6%)数据集上的实验结果表明:与现有的目标跟踪方法相比,提出的跟踪方法具有较优的跟踪性能。

关键词： 计算机视觉   目标跟踪   相关滤波   记忆修复模型   特征博弈融合   模板更新  

摘要： 针对跟踪任务中出现的目标遮挡和短暂消失等挑战属性,提出了一种结合记忆修复机制的特征博弈融合目标跟踪算法。首先,在核相关滤波器的框架下,提取目标的FHOG特征、SURF特征进行通道串联,再自适应博弈融合ResNet-50网络提取的Conv4-1层深度特征共同构建目标外观模型,避免跟踪算法的特征单一性。然后,改进模型更新策略,通过记忆修复神经元和记忆矩阵实现对特征信息的记忆、回忆和修复,完成遮挡或漂移视频帧的特征损失修复工作,使用修复完整的特征模板对核相关滤波器进行正确更新,提高算法对跟踪对象的辨识度。最后,在OTB100、TC128、UAV123实验基准数据集上与KCF、DCF_CA、SAMF、M2C2F和EMCF算法进行对比测试,实验结果表明改进算法的跟踪准确性和鲁棒性得到提高。

关键词： 卷积神经网络   低光照图像增强   图像处理   特征提取  

摘要： 在低光照环境下,图像质量显著下降,从而影响了各类计算机视觉任务。本文分析了系统的功能需求和性能需求,设计了一种优化的卷积神经网络(Convolutional Neural Networks,CNN)低光照图像增强系统,它具有图像采集、特征提取、图像增强和结果输出功能,并设计了图像传感器、处理器、存储和显示单元。测试结果表明,该系统在提高低光照图像质量方面表现优异,能实现对低光照图像的有效处理。

关键词： 波浪测量   实时三维重建   双目视觉   立体匹配   图像处理  

摘要： 准确测量波浪场演化对于海洋结构物的水动力研究十分重要。本文基于双目立体视觉建立了一套用于测量室内波浪的图像识别方法,以轻质泡沫作为示踪粒子标记波面以获得具有丰富纹理的波面图像,根据极线约束矫正图像,使用阈值分割避免光照不均和水底反射的干扰,使用GPU加速的立体视觉匹配算法,实现波浪图像的实时立体匹配,重建出波面的三维点云与网格模型。通过对图像序列的重建,提取出的波浪时历与浪高仪的测量结果基本一致,波高以及周期值的吻合性良好。结果表明,该方法可以准确测量实验室内的三维波浪场,捕捉瞬时波浪演化,并可提供实时的监控。

关键词： 生物特征识别   掌静脉识别   图像处理   深度学习   K近邻算法   卷积神经网络   图迭代算法   图神经网络  

摘要： 深度学习在计算机视觉中具有强大的特征表达能力,近年来广泛应用于静脉特征的提取与识别。通常,基于深度学习的静脉识别模型在训练阶段,每次仅输入1幅图像及其对应的标签,学习图像与标签之间的映射关系,然而,这种每次只处理单幅图像的方法,难以捕捉不同类别多幅静脉图像之间的关系。为了解决该问题,提出一种基于深度学习的K近邻图迭代静脉识别算法。用较优的深度学习模型提取掌静脉图像特征;利用K近邻算法通过特征距离在训练集中选出最近的K幅图像及其标签,通过这些特征向量生成标签传播矩阵和标签矩阵;利用图迭代算法预测待分类图像的标签,完成分类。在香港理工大学和同济大学提供的掌静脉数据集上进行实验,最高识别精度分别为99.67%和92.72%。

关键词： 多波束水柱图像   目标检测   卷积神经网络   注意力机制   气泡羽状流  

摘要： 针对多波束水柱图像中气泡羽状流样本集小、检测困难的问题,提出了一种基于YOLOv8和注意力机制的改进模型:在YOLOv8目标检测框架的主干网络和颈部网络中加入三个相同的注意力机制模块。实验结果表明,分别加入不同的四种注意力机制模块得到的四个改进模型相较于原始模型的准确度都有提升,其中YOLOv8_TCA效果最佳,mAP0.5:0.95达到了66.7%,较原始模型提升了2.7%,较Faster R-CNN等其他模型效果也是最佳。

关键词： 智能车控制   图像处理   OTSU算法   电磁导航   路径识别  

摘要： 为实现智能车对多种复杂路径的识别,设计了一种以视觉和电磁传感为主、多种传感器融合协作的智能车路径识别及控制方案。视觉传感器获取赛道灰度图像,通过OTSU算法进行自适应图像二值化,然后提取赛道中心线计算智能车的方向偏差;电磁传感器采集的赛道数据经过放大、滤波、归一化后,采用差比和差算法计算方向偏差,并提出环岛等复杂路径的识别算法。根据方向偏差,综合多种传感器测得的车速、角度、距离等信息,采用PID算法实现智能车的方向和速度控制。实验结果表明,智能车可以正确识别弯道、环岛、路障等多种复杂路径,以2 m/s的速度在赛道上稳定行驶。

关键词： 红外弱小目标   目标检测   深度学习   域自适应   无监督  

摘要： 红外弱小目标检测任务是红外探测领域的重点研究内容之一。然而由于其应用场景的特殊性,包含红外弱小目标的数据并不多见,且标注往往并不充分,这给由数据驱动的深度学习目标检测模型带来了挑战和困难。针对红外弱小目标数据集少、缺乏标记信息等问题,提出一种基于可见光-红外跨域迁移的红外弱小目标检测模型,将数据量更丰富的可见光域监督信息迁移到红外域中,实现红外域的无监督训练。首先,在YOLOv5的基础上设计通道增强的数据处理方法,利用低成本的通道分离技巧将可见光图像转换成类红外图像,缩小可见光域和红外域之间的模态差异。然后,构建多尺度域自适应模块,采用对抗训练的方式,对骨干网络提取得到的不同尺度特征在特征空间中进行域混淆以减小域偏移的影响,提高模型对弱小目标的检测性能。实验结果表明,所提方法改进后的模型相比各版本的YOLOv5模型检测精度均有所提升;与其他现有的无监督域自适应目标检测算法相比,所提方法在红外弱小目标的检测精度上明显占优。

关键词： 目标检测   YOLOv7   动态卷积   检测头   C2-Res2Block   MPDIoU  

摘要： 针对无人机航拍图像中尺度变化、小目标且密集遮挡情况导致检测精度降低的问题,提出一种改进YOLOv7的航拍图像目标检测算法。设计一种联合动态卷积的加权采样模块,从多个维度捕捉特征,提高模型特征提取能力;增加浅层特征检测头,保留更多的细节信息,增强对小目标特征的利用能力;在特征融合部分构建一种具有残差结构的多尺度特征聚合模块(C2-Res2Block),使模型融合丰富的多尺度信息。使用MPDIoU度量替换传统IOU计算边界回归损失,提高模型对密集遮挡目标的定位能力。通过在无人机航拍数据集VisDrone2019上进行实验表明,改进后的算法较原模型mAP@0.5提高了4.3个百分点,mAP@0.5:0.95提高了2.4个百分点,参数量减少了6.81×106,与目前主流的目标检测算法相比也取得更高的检测精度,有效提高了对无人机航拍图像的检测精度,并明显改善对航拍目标的误检和漏检情况。