关键词： 目标检测   图像提取   链式FIFO   流水线  

摘要： 现有毫米波雷达目标检测主要基于串行处理平台实现,对大尺寸雷达图像处理的速度存在一定瓶颈。本文基于现场可编程门阵列(FPGA)提出一种以链式先进先出(FIFO)缓冲器为核心,融合图像提取思路的毫米波雷达目标快速检测结构。通过链式FIFO实现多帧数据对齐与并行输出,得到窗口边缘数据;根据自定义窗参数,将边缘数据分区求和并延时缓存,可实现对窗移动前后计算结果的复用,配合流水线式处理结构提高运算效率;对相邻子图像重叠区域合理划分,从大尺寸图像中提取出多个小尺寸子图像单独处理,大幅提升雷达目标检测算法的实现速度,并显著节省片上逻辑资源。基于92~94 GHz的调频连续波(FMCW)毫米波雷达对本文目标检测FPGA实现方法进行验证,对于1000×2000的大尺寸雷达图像可实现120 ms的快速处理,且FPGA布署算法仅消耗32个18K BRAM和6461个LUT。

关键词： Distributed multi-sensor multi-target tracking   Labeled multi-Bernoulli filter   Arithmetic average fusion   Label matching  

摘要： We propose a distributed labeled multi-Bernoulli(LMB)filter based on an efficient label matching *** distributed LMB filter fusion has the premise that the labels among local densities have already been ***,considering that the label space of each local posterior is independent,such a premise is not practical in many *** achieve distributed fusion practically,we propose an efficient label matching method derived from the divergence of arithmetic average(AA)mechanism,and subsequently label-wise LMB filter fusion is performed according to the matching *** with existing label matching methods,this proposed method shows higher performance,especially in low detection probability ***,to guarantee the consistency and completeness of the fusion outcome,the overall fusion procedure is designed into the following four stages:pre-fusion,label determination,posterior complement,and uniqueness *** performance of the proposed label matching distributed LMB filter fusion is demonstrated in a challenging nonlinear bearings-only multi-target tracking(MTT)scenario.

关键词： 改进YOLOv8   小目标检测   DAE-YOLO   Deformable Attention   Inner Wise-IoU  

摘要： 随着无人机技术的快速发展,无人机在城市管理和灾害监测等领域的应用愈加广泛。无人机拍摄的航拍图像具备广泛视角和高覆盖范围的优势,但也面临小目标检测难度大、背景复杂等挑战。针对这些问题,文章提出了一种基于改进YOLOv8的目标检测算法——DAE-YOLO。该模型通过引入Deformable Attention机制,实现了动态调整注意力的关键点位置,提升了对小目标的检测能力;采用创新的Inner Wise-IoU损失函数,通过引入自适应的辅助边界框优化IoU损失计算,提高了边框回归的精度;同时设计了轻量化的Detect_Effi cient检测头,在保证检测精度的同时提升了模型效率。实验结果表明,DAE-YOLO在VisDrone2019数据集上相较于原始模型有显著性能提升:精确率提升7.2%,召回率提升6.9%,mAP50提升9.8%,mAP50-95提升10.7%。在夜间和白天的复杂场景测试中,DAE-YOLO都表现出了优异的小目标检测能力。

关键词： 计算机视觉   视频透视式增强现实   YOLOv8算法   实时战机检测   平均精度  

摘要： 针对实时战机检测面临的目标种类多、检测准确率较低、人机交互不够友好等问题,基于YOLOv8算法和视频透视式增强现实技术设计了一种实时战机检测系统,利用阿里云天池数据集中的美军用飞机数据进行了检测测试,测试结果表明,提出的实时战机检测系统mAP@50接近0.92,mAP@50-95接近0.85,具有较好的检测性能,提高了实时战机检测质效。

关键词： 小样本学习   元学习   目标检测   多尺度特征融合   注意力机制  

摘要： 针对现有小样本目标检测模型存在的尺度变化问题,支持集与查询集之间的外观变化、遮挡导致的误检与漏检问题,本文提出一种融合多尺度特征与注意力的小样本目标检测模型.首先,采用ResNet-101网络进行特征提取,同时引入ASPP(Atrous Spatial Pyramid Pooling)模块获取不同的感受野,以捕获目标细节信息的多尺度特征.其次,采用Bi-FPN网络进行多尺度特征融合,获得更具代表性的查询特征与支持特征,有效缓解尺度变化问题.然后,利用提出的注意力引导特征增强模块对查询特征与支持特征进行自身关注,使得它们具有更好的判别能力,由此促进查询特征与支持特征的融合,以更好地应对外观变化和遮挡带来的挑战,从而缓解误检、漏检问题.最后,将分类头与边界框回归头进行解耦,分别对RPN网络基于细粒度查询特征产生的候选区域进行目标分类与目标定位.在PASCAL VOC与MS COCO数据集上的实验结果表明,所提模型的检测性能优于主流的小样本目标检测模型,相较于基线模型DCNet,mAP平均分别提升了3.5%与2.1%.

关键词： 遮挡物体   目标检测   注意力机制   池化  

摘要： 针对自然场景下,背景复杂、小目标众多、排列密集导致的检测精度低、漏检和假阳性的问题,提出一种基于并行十字注意力机制的遮挡目标检测算法(PCA-OOD),该算法设计的水平最大池化和垂直最大池化能够获取显著的特征信息并减少计算量。随后构建出并行十字注意力机制,利用水平及垂直最大池化捕获各像素点水平及垂直方向的显著特征,以此来避免互相遮挡的同类别物体被误检,同时设计并行分支利用平均和水平池化捕获被主分支忽略的特征信息,降低漏检率。最后,在两大公开数据集PASCAL VOC和MS COCO中进行实验并验证检测器的有效性,获得了79.8%和43.6%的平均检测精确度。

关键词： 表计   深度学习   图像处理   数值识别  

摘要： 针对传统火电厂的巡检工作,本文着重介绍了巡检机器人搭载摄像头对不同类型表计的读数和报警功能。采用深度学习技术识别不同类型的表计,根据表计类型采用不同的图像处理技术进行数值识别,最后根据识别的信息进行报警或者干预,满足了传统火电厂对管理运维以及生产效率的要求,提高了火电厂的智能化水平。

关键词： 井下不安全行为识别   目标检测   深度学习   自注意力机制   YOLOv5s   高分辨率特征提取网络   时空图卷积网络  

摘要： 针对井下目标发生多尺度变化、运动目标遮挡及目标与环境过于相似等问题,提出了一种基于深度学习的煤矿井下人员不安全行为检测与识别方法。采用自上而下的策略,构建了一种基于自注意力机制的目标检测模型YOLOv5s_swin:在基于自注意力机制的模型Transformer基础上引入滑动窗口操作,得到Swin-Transformer,再利用Swin-Transformer对传统YOLOv5s模型进行改进,得到YOLOv5s_swin。针对井下人员与监控探头间距不定导致的人体检测框多尺度变化问题,在检测出人员目标的基础上,使用高分辨率特征提取网络对人体的关节点进行提取,再通过时空图卷积网络(ST-GCN)进行行为识别。实验结果表明:YOLOv5s_swin的精确度达98.9%,在YOLOv5s的基础上提升了1.5%,推理速度达102帧/s,满足实时性检测要求;高分辨率特征提取网络能够准确提取不同尺度的目标人体关节点,特征通道数更多的HRNet_w48网络性能优于HRNet_w32;在复杂工矿条件下,ST-GCN模型的准确率和召回率都较高,可准确地对矿工行为进行分类,推理速度达31帧/s,满足井下监测需求。

关键词： 红外飞机   目标检测   全局上下文   局部上下文   自适应加权  

摘要： 目的针对远距离红外飞机目标检测中存在的由于成像面积小、辐射强度较弱造成无法充分提取目标特征进而影响检测性能的问题,提出一种基于全局—局部上下文自适应加权融合(adaptive weighted fusion of globallocal context,AWFGLC)机制的红外飞机目标检测算法。方法基于全局—局部上下文自适应加权融合机制,沿着通道维度随机进行划分与重组,将输入特征图切分为两个特征图。一个特征图使用自注意力进行全局上下文建模,建立目标特征与背景特征之间的相关性,突出目标较显著的特征,使得检测算法更好地感知目标的全局特征。对另一特征图进行窗口划分并在每个窗口内进行最大池化和平均池化以突出目标局部特征,随后使用自注意力对池化特征图进行局部上下文建模,建立目标与其周围邻域的相关性,进一步增强目标特征较弱的部分,使得检测算法更好地感知目标的局部特征。根据目标特点,利用可学习参数的自适应加权融合策略将全局上下文和局部上下文特征图进行聚合,得到包含较完整目标信息的特征图,增强检测算法对目标与背景的判别能力。结果将全局—局部上下文自适应加权融合机制引入YOLOv7(you only look once version 7)并对红外飞机目标进行检测,实验结果表明,提出算法在自制和公开红外飞机数据集的mAP50(mean average precision 50)分别达到97.8%、88.7%,mAP50:95分别达到65.7%、61.2%。结论本文所提出的红外飞机检测算法,优于经典的目标检测算法,能够有效实现红外飞机目标检测。

关键词： 目标检测   关键点检测   人员定位   深度学习   增强现实  

摘要： 针对目前基于预测框的定位方法受人体姿态影响较大的问题,提出了一种基于人体关键点的巡检人员精准定位方法。首先采用YOLOX(you only look once X)目标检测算法检测出图像中的人员目标;其次,利用改进的人体姿态估计网络获取人体脚部关键点及其像素坐标,并计算出两脚连线中点的像素坐标作为其在图像中的位置;最后,建立二维图像坐标系至三维世界坐标系的映射模型,定位目标在世界坐标系下的精准坐标位置。测试结果表明,所提方法受人体姿态影响较小,其定位精度明显优于基于目标检测框的定位算法。所提算法的欧氏距离平均定位误差、最大误差、标准方差和相对误差分别为13.69 cm、20.21 cm、2.44 cm和1.22%,具有较高的人员定位精度,可广泛应用于电网巡检、运维安全风险管控等电网业务对人员定位精度要求较高的场所。