关键词： 水下目标检测   YOLOv7-tiny   结构重参数化   注意力机制   损失函数  

摘要： 水下目标检测算法的研究是实现水下机器人智能捕捞的前提。水下目标检测任务中存在的目标模糊、小目标众多以及相互遮挡等问题对实现精确的目标检测提出了挑战，本研究提出了一种基于YOLOv7-tiny的水下目标算法YOLO-U。该算法通过引入具有结构重参数化的RepViT骨干网络，融合ESE通道注意力机制，增强水下模糊目标的特征提取能力；同时，设计了浅层坐标信息特征融合的特征金字塔网络CAFPN，进一步增强检测模型对方向和位置信息的敏感度，融合不同尺度的特征信息以提高小目标的检测能力；最后，采用WIoUv2边界框损失函数有效降低了简单示例对损失值的贡献，使得模型能够聚焦于遮挡目标，进一步提高遮挡目标的检测精度。YOLO-U算法在URPC2021数据集上mAP50取得了84.6%的检测效果，较YOLOv7-tiny、YOLOv5s和YOLOv8s分别提高了2.1%、5.2%和2.8%，检测结果显示，该算法可以有效提高水下目标检测精度，进一步改善水下模糊目标、小目标和遮挡目标的检测效果。

关键词： 4D millimeter-wave radar   autonomous driving   graph neural network   target detection  

摘要： The 4D millimeter-wave radar has the advantages of small size, low cost, all-weather operation, strong speed measurement ability, and high distance resolution, making it very suitable for autonomous driving systems. However, the existing target detection methods based on 4D millimeter-wave radar are usually directly transplanted from lidar, which cannot effectively adapt to the millimeter-wave radar point cloud features, resulting in poor detection performance. Concerning this, a 4D millimeter-wave radar target detection method based on graph neural network is developed. In the proposed method, a graph neural network based on topological graph and feature propagation is designed to update the point cloud features, which serves as a point cloud feature encoder to output high-dimensional node embeddings. The point cloud with node embeddings is projected onto a two-dimensional bird’s eye view. A backbone network with a channel attention mechanism is used to extract its multi-scale features and fuse them in the channel dimension to output fused feature maps. The fused feature maps are input to the detection head to achieve effective target detection. Experimental results on the public dataset View-of-Delft demonstrate that the proposed method has better target detection performance compared to existing mainstream algorithms. © 2025 Journal of Computer Engineering and Applications Beijing Co., Ltd.;Science Press. All rights reserved.

关键词： 目标检测   对抗样本生成   无人机识别   对抗补丁攻击  

摘要： 构成无人机视觉识别系统组成之一的目标检测算法容易遭受对抗攻击,尤其是物理对抗攻击的威胁更大。针对当前物理对抗攻击方法在无人机目标检测场景中攻击效果较差的问题,提出一种尺度自适应的物理对抗攻击方法——SAPA。设计补丁自适应模块,利用目标真实尺寸构造掩码对补丁进行缩放,以适应目标的多尺度变化。设计针对多尺度、多目标攻击的优化函数,将检测网络不同特征层的最大预测分数与TOG算法中目标消失攻击的损失结合。采用多种物理增强变换提升对抗补丁的物理鲁棒性。使用无人机采集多尺度车辆数据对补丁进行优化。在数字域中,对抗补丁的平均攻击成功率为81.4%。在物理域中,对抗补丁在20 m~65 m高度的平均攻击成功率为42.6%。结果表明,SAPA方法在攻击效果和鲁棒性方面优于现有方法。

关键词： YOLOv8   水下珍品   目标检测   StarNet   注意力机制   Repulsion Loss损失函数  

摘要： 为有效实现水下图像各类珍品快速精准检测,解决水下珍品检测存在遮挡、精度不高及其推理速度慢等问题。文中提出一种基于Star_YOLOv8的水下珍品检测算法。首先,在主干网络融合C2f_StarNB模块有效地捕捉水下图像珍品特征,并实现模型的轻量化快速检测;其次,加入EMA注意力实现通道和空间特征的融合,提升水下图像不同尺度珍品特征的交叉注意力计算效率,减少噪声带来的影响,改善水下图像复杂场景及多尺度目标的显著性特征表达和检测精度;最后,引入动态聚焦Repulsion Loss损失函数,提高模型的收敛能力以及对多尺度分布遮挡珍品的整体检测效果。为验证改进方法的有效性,在水下珍品数据集上展开实验验证,以mAP@0.5指标验证融入的轻量化和注意力方面均优于其他方法,分别取得了8%和9.4%的提升。此外,相较于之前先进的水下珍品检测方法,该方法在mAP@0.5指标上达到0.863的检测性能。实验结果表明,所提方法在水下图像各类珍品的检测精度、速度等模型性能方面有一定提升。

关键词： 人工智能算法   计算机图像处理   清晰度  

摘要： 为提高计算机处理技术水平,本文研究了人工智能算法在计算机图像处理中的应用。首先介绍计算机处理的概念以及基本技术,包括图像识别、分割、增强与复原等。其次介绍了遗传算法、粒子群优化算法、蚂蚁算法,明确人工智能算法在处理图像中应用的基本原理,并在第三部分探讨多元化人工智能算法在计算机图像识别、分割等处理流程中的应用要点,最后通过实例分析,验证了人工智能算法在图像处理中的应用价值,以期为未来计算机图像处理任务提供一种可参考的算法。

关键词： 多目标跟踪   雷达弱小目标   分数阶傅里叶变换   检测前跟踪(TBD)   多核相关滤波(MKCF)  

摘要： 针对复杂海杂波环境下雷达目标跟踪受到强杂波干扰,跟踪难度增加的问题,提出优化多核相关滤波的弱小目标检测前跟踪算法.通过引入分数阶傅里叶变换,将弱小目标从特征不明显的时域变换到幅值变化比较明显的分数阶域,并进行滤波以提高对弱小目标的检测率.针对多核相关滤波(MKCF)方法中模板提取不鲁棒的问题,优化模板提取方法,结合卡尔曼滤波进行目标匹配,根据目标类型采用不同的模板提取方法,采用最大似然方法融合预测结果,以增强目标的跟踪精度.结合检测前多帧跟踪算法,综合多帧信息,选取最佳轨迹估计.实验结果表明,提出算法能够适应复杂的海杂波环境,对低信噪比、杂波干扰强的多目标进行有效跟踪,与传统方法相比具有较好的精度.

关键词： 耕地碎片化   遥感技术   监测与分析   空间结构   多时相遥感影像   图像处理  

摘要： 耕地碎片化是指由于自然和人为因素导致的耕地面积逐渐分割成多个不连续的小块地的现象,是影响农业生产效率和生态环境的关键问题之一。该文基于遥感技术,利用多时相遥感影像,通过图像处理和分类技术,提取耕地信息,并对耕地的空间结构进行量化分析。研究采用了某区域的实际遥感数据,结果表明该方法能够准确识别和监测耕地碎片化现象,通过对耕地斑块的面积、形状指数、边界复杂度等指标的分析,揭示了耕地碎片化的空间分布特征及其变化趋势。研究结果可为土地利用规划、农业政策制定及生态保护提供科学依据,并为进一步的耕地保护与管理工作提供技术支持。

关键词： 小样本目标检测   迁移学习   物体感知RPN   知识蒸馏   分布校正  

摘要： 针对目前基于微调范式的小样本目标检测方法存在模型偏差和检测器难以区分类无关知识的问题,提出一种融合迁移校正与自适应知识蒸馏的小样本目标检测方法(TCAD-FSOD)。其中,对于偏差问题,设计了物体感知RPN模块(OA-RPN)和分布校正模块(DCM)。OA-RPN利用背景筛选机制校正有偏差的RPN结果,DCM利用基类信息辅助校正有偏差的新类分布。对于检测器难以区分类无关知识的问题,提出了自适应温度知识蒸馏模块(ATKD)。ATKD通过自适应温度生成器进行精细的知识蒸馏,使检测器能够渐进式地显式学习基类与新类之间与识别相关的共性知识。实验结果表明,相较于目前已知的最新算法结果,该方法在PASCAL VOC数据集的性能最高提升可以达到2.7%,在COCO上最高提升了0.7%,说明TCAD-FSOD算法能够有效缓解模型偏差,提升对新类的识别能力。

关键词： 航拍图像   小目标检测   多层级特征融合   L-MobileViT   YOLOv8  

摘要： 针对航拍图像大视野、小尺寸、分布密集从而导致小目标检测精度低的问题,提出一种基于YOLOv8改进的融合多尺度特征的航拍检测算法,构建了轻量化的L-MobileViT模块捕获特征间的有效关系,减缓信息丢失,提高模型的检测性能。提出了多层级的多尺度融合模块HF(hierarchical fusion),融合深层级的语义信息与底层级空间纹理信息,提高密集场景下小目标的检测能力。在YOLOv8基础上增加小目标检测头删减大目标检测头,提升小目标检测能力,减少小目标的漏检。实验结果表明,改进后的模型在VisDrone2019与UAV航拍交通小目标数据集(UAVTrafficTinyDataset)中取得了较优的效果,与基线模型相比,m AP@50分别提高17.6%、15.7%,对小目标的检测效果有明显的提升,综合性能优于主流的航拍检测算法,表明改进算法具有更优泛化性与鲁棒性,适用于航拍场景下的检测任务。