关键词： SAR舰船检测   边缘特征增强   目标检测   图像去噪   注意力机制  

摘要： 合成孔径雷达图像用于舰船检测时,不可避免地受到相干斑噪声影响,并且近岸舰船检测易被复杂背景信号淹没。对此提出一种基于边缘特征融合网络的舰船检测算法RBox-YOLO,以YOLOv8为基线网络通过优化Canny算子边缘来增强图像中的边缘轮廓,形成较完整的物体边界。引入一种基于坐标注意力机制的FDN模块融合去噪后图像,以提高复杂背景下捕获关键信息的能力。采用双线性插值法的上采样与注意力机制结合的CAU模块,减少上采样带来的细节特征损失。另外,使用一种基于旋转框的损失函数来提高复杂背景下舰船的检测效果。实验结果表明,RBox-YOLO算法既保持了YOLOv8算法实时检测速度,平均精度还提高了8个百分点。初步判定RBox-YOLO算法具有良好的检测性能和较高的应用价值。

关键词： 无人机   目标检测   量化加速   行人跟踪   重识别  

摘要： 将智能检测跟踪算法与无人机(UAV)的灵活性相结合是UAV应用的研究热点。针对UAV的视角及运动导致目标滑移和遮挡的问题,提出一种基于检测和重识别的UAV行人跟踪算法。对训练好的YOLOv5进行TensorRT加速,解决UAV计算资源有限的问题;以量化加速的目标检测算法与重识别算法为基础,构建行人跟踪算法框架;设计判定行人匹配度,完成行人匹配系统设计。仿真试验表明:训练后的YOLOv5和OSNet具备一定的精度,采用TensorRT加速后的YOLOv5网络在保证精度的情况下,帧率有了近50%的提升。飞行试验表明:所提算法在行人穿插及障碍物遮挡的情况下,可以实现对目标的稳定跟踪,具备一定的实用性和有效性。

关键词： 目标检测   无人机图像   小目标   特征融合   损失函数  

摘要： 无人机因其飞行高度和拍摄角度的独特性,采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少,容易受背景信息干扰和出现聚集遮挡,是当前检测模型性能不佳的主要原因之一。提出一种面向小目标的无人机图像目标检测模型UAIDet(unmanned aerial vehicles images detector),从解决信息冲突和检测框回归难入手,提升模型的检测性能。其一,构建自适应的通道融合模块,在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突,抑制特征融合时的尺度不一致性,提高小目标物体的检测能力;其二,设计误差敏感定位损失函数,在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性,提高定位损失函数的鲁棒性,优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验,mAP(means average precision)和AP50(average precision at IOU threshold 50%)分别达到了22.0%和37.1%,相较于基准模型分别提高3和4.7个百分点。TinyPerson数据集上的mAP和AP50为9.9%和29.1%,分别提高了4.29和4.2个百分点,证明UAIDet模型的有效性和鲁棒性。

关键词： 伪装目标检测   多尺度特征提取   跨级特征融合   深度学习  

摘要： 伪装目标检测是一项在复杂场景中定位和识别伪装目标的任务.目前基于深度神经网络的方法已初步运用,但在复杂场景下遇到干扰时,许多方法无法充分利用目标的多级特征来提取丰富的语义信息,仅依靠固定尺寸特征识别伪装目标.为解决这一问题,本文提出了一种基于多尺度特征融合交互的伪装目标检测网络.该网络包含两个创新设计:多尺度特征感知模块和双阶段邻级交互模块.前者旨在通过结合多尺度特征的方式充分捕获复杂场景中丰富的局部-全局场景对比信息.后者则是整合来自相邻层的特征以利用跨层相关性将有价值的上下文信息从编码器传输到解码器网络.本文在CHAMELEON、CAMO-Test、COD10K-Test这3个公共数据集上对提出的方法进行了评测并与当前的主流方法对比.实验结果表明,本文方法的性能超越了当前的主流方法,在各项指标上达到了优异的性能水平.

关键词： 目标检测   YOLOv8   学生课堂行为检测   模型构建  

摘要： 提高教育质量是培养创新型人才的关键。而传统课堂中,教育者掌握学生行为要通过课堂观察和随机提问等人工的方式进行,此类方式存在课堂信息传递与反馈滞后等问题。为此,基于YOLOv8深度学习算法,构建了学生课堂行为检测模型。通过在真实课堂环境中采集数据,并对其进行标注、格式转换等处理,将处理好的数据用于训练以此构建检测模型。该模型对写字、端坐、玩手机、睡觉、站立、低头6种学生课堂行为进行识别。研究表明,检测结果精确度达到83.3%,验证了此模型的有效性,实现了对学生课堂行为自动化识别和分类,以此检测结果辅助教育者判断学生学习情况并做出教学决策。

关键词： 空气预热器   积灰堵塞   可视化监测系统   图像处理   神经网络算法  

摘要： 在能源结构转型背景下,结合实际工程需求,针对燃煤机组回转式空预器运行防堵及在线监测,结合先进的图像分析方法形成一套基于图像与数据特征融合的空预器积灰堵塞诊断系统,实现对空预器局部与整体的堵塞程度、发展趋势的监测,保障了空预器的安全运行,提高了运行维护的智能化水平,为“双碳”战略下我国能源结构稳步转型提供技术支持。

关键词： 电力巡检   周边视觉注意力机制   高阶空间交互   视觉变压器   级联蒸馏架构  

摘要： 针对输电线路无人机智能巡检中多个小目标缺陷检测精度低且复杂环境下缺乏鲁棒性等问题,提出基于仿生视觉骨干的级联蒸馏输电线路目标检测模型。首先,设计2个共用骨干网络的高效模块构建级联蒸馏结构:动态锚框蒸馏模块和动态锚框提纯模块,前者负责粗略寻找可能存在目标的区域,后者负责细化该区域,从而提出一种新的渐进式目标检测方法,解决输电线路中受遮挡目标的漏检问题。其次,构建仿生特征提取骨干网络,通过模仿生物感受野充分聚合上下文信息,提升骨干网络对线路中尺度较小目标的特征提取能力。然后,设计周边视觉模块,利用人类独有的视觉机制控制局部信息的交互强度,克服输电线路中复杂多变的背景对模型的干扰。最后,构建生成了输电线路目标的数据集,并通过仿真实验验证了模型的泛化性和鲁棒性。

关键词： 深度学习   目标检测   车道线检测   预标注   模型融合  

摘要： 针对标注内容烦琐、耗时等问题,提出一种多模型融合投票预标注方法。在预标注过程中,将Cascade_RCNN、RetinaNet、CondLaneNet三个模型的检测结果进行融合,然后将各个模型生成的坐标结果进行提取、判断、匹配、参数平均、排序等处理,得到最终的预标注结果。在公开数据集以及自建数据集上进行多次试验的结果表明,算法能够提高预标注精度,减少标注过程中人工标注工作量,具有较好的效果,验证了该方法的有效性。

关键词： 主动雷达   被动雷达   目标测量误差特性   目标数据融合   测量误差椭圆   扩展卡尔曼滤波  

摘要： 从主动雷达和被动雷达对空中目标跟踪数据融合的角度,通过一种数学近似处理与几何图形解析相结合的雷达测量误差定性分析方法,归纳空间离散分布主、被动雷达对同一目标的测量误差分布特征。在满足目标与主、被动雷达部署点所成张角较小时,提出一种新颖的主、被动雷达目标测量数据融合方法,通过优化加权系数分配准则以充分结合2种雷达各自的测量精度优势,对目标跟踪数据在地理球坐标系中进行融合处理以提高测量精度,最后采用扩展卡尔曼滤波算法对目标融合数据进行平滑处理。仿真结果表明,本方法可以结合主动雷达和被动雷达的目标测量精度优势,能够缩小目标数据融合后的测量误差椭圆,整体提高融合后的目标跟踪数据测量精度。

关键词： 异步感知   事件相机   计算机视觉   事件帧   语义分割   信息获取延迟  

摘要： 在事件相机事件帧的生成方式上,传统的固定时间间隔方法和固定事件数量方法产生的事件帧均会出现图像纹理过于稀疏和图像模糊的现象,导致基于这两种种方式生成的事件帧执行的视觉任务效果降低。针对上述问题,提出了一种异步感知信息的自主神经隐式事件帧生成方法,能够根据累计事件数据的信息量生成事件帧。首先,设计了基于残差网络的图像质量判别网络,用于异步感知事件时隐式判别事件帧所包含的语义信息量;然后,将基于质量判别网络定义的事件帧嵌入到语义分割任务中,在保证分割精度的情况下,降低了基于事件相机任务的信息获取延迟;最后,将提出的方法在公开数据集DSEC上进行了验证,相比传统方法,该事件帧生成方法在保持语义分割精度的生成每一帧事件帧的信息获取延迟降低了30 ms。