关键词： 种质资源   玉米雄穗   目标检测   无人机   可见光影像   YOLO v7-tiny  

摘要： 针对玉米种质资源遗传多样性丰富导致雄穗大小、形态结构及颜色呈现较大差异,无人机搭载可见光传感器相比地面采集图像分辨率低,以及图像中部分雄穗过小、与背景相似度高、被遮挡、相互交错等情况带来的雄穗检测精度低的问题,提出了一种改进YOLO v7-tiny模型的玉米种质资源雄穗检测方法。该方法通过在YOLO v7-tiny中引入SPD-Conv模块和VanillaBlock模块,以及添加ECA-Net模块的方式,增强模型对雄穗特征的提取能力。利用自建的玉米种质资源雄穗数据集,训练并测试改进模型。结果表明,改进YOLO v7-tiny的平均精度均值为94.6%,相比YOLO v7-tiny提升1.5个百分点,相比同等规模的轻量级模型YOLO v5s、YOLO v8s分别提升1.0、3.1个百分点,显著降低了图像中雄穗漏检及背景误检为雄穗的发生,有效减少了单穗误检为多穗和交错状态下雄穗个数误判的情况。改进YOLO v7-tiny模型内存占用量为17.8 MB,推理速度为231 f/s。本文方法在保证模型轻量化的前提下提升了雄穗检测精度,为玉米种质资源雄穗实时、精准检测提供了技术支撑。

关键词： 系统偏差   非高斯噪声   最大相关熵准则   量测差分   卡尔曼滤波  

摘要： 针对传感器存在系统偏差且噪声非高斯条件下目标状态估计精度较差的问题,提出一种有偏量测下基于最大相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)的目标跟踪方法。该方法通过引入差分机制,利用目标相邻时刻的有偏量测之差构建差分量测方程,有效克服了系统偏差的影响。随后基于最大相关熵准则(Maximum Correntropy Criterion,MCC)量化估计误差的高阶矩信息,并以差分量测为先验条件推导出有偏量测下算法的滤波迭代方程。仿真结果表明,当系统观测值受传感器系统偏差和非高斯噪声干扰时,与现有方法相比,所提方法具有更好的跟踪性能。

关键词： 自动驾驶   深度学习   目标检测   异常案例  

摘要： 基于深度学习的视觉感知技术的发展有利于自动驾驶系统中环境感知技术的进步。然而,对于自动驾驶场景中的异常案例,目前的感知模型还存在一些问题。这是因为基于深度学习的感知模型的能力取决于训练数据集的分布。尤其是驾驶场景中的类别从未出现在训练集中,感知系统也往往很脆弱。因此识别未知类别和极端场景仍然是自动驾驶感知技术安全性的挑战。本文从处理数据集的角度出发,提出了一种新颖的多模态异常案例自动挖掘流程(corner case mining pipeline, CCMP)。为验证CCMP的有效性,在Waymo开放数据集的基础上构建了异常案例子集“Waymo-Anomaly”,该子集共有3 200个图像,每个图像都将包含文本中定义的异常案例场景。并且基于私有数据集Waymo-Anomaly,证明了CCMP针对异常案例场景挖掘的召回率可以达到91.7%。此外,还通过实验验证了目标检测器在包含异常案例的数据集中针对长尾分布的有效性。最终,希望从处理数据集的角度来提高自动驾驶感知模型在现实世界中的真实性。

关键词： 无人机   多目标跟踪   深度学习   特征提取   数据关联  

摘要： 基于视觉的空对空多目标跟踪技术是对无人机目标态势感知的关键技术,目前的研究局限于单目标无人机跟踪和通用多目标跟踪算法的迁移运用。针对空对空条件下现有算法对多无人机目标跟踪不准确的问题,提出一种基于分块增强特征提取与局部几何信息关联的级联多目标跟踪算法,将无人机图像按照机身和机臂特点分块处理,提取目标细粒度形态特征,利用连续时间内目标间相对几何关系变化微小的特性,构建局部区域目标相对几何关系向量,综合上述技术组件设计级联关联算法,提高所提出的算法对无人机目标的检索能力和关联成功率,从而提高算法的跟踪性能。实验表明,在测试集中,所提出的算法相比于目前最先进的多目标跟踪算法OC-SORT算法,身份编号F1值(ID F1 Score,IDF1)提升了5.6%,相比于在通用多目标跟踪领域较优的ByteTrack算法,多目标跟踪准确率(Multiple Object Tracking Accuracy,MOTA)提升了2.7%,实现了对多无人机目标跟踪的最优性能。同时,所提出的算法中用到的技术可应用于SORT、BYTE等数据关联算法中,从而可提高这些关联算法的性能。

关键词： 自动驾驶   目标检测   目标跟踪   深度学习   卷积神经网络   循环神经网络  

摘要： 传统的检测和跟踪方法在复杂驾驶场景下存在精度不高、实时性不足、鲁棒性不强等问题,据此提出了基于深度学习的改进方法。在目标检测方面,设计了一种双阶段检测器,在骨干网络中引入注意力机制,并结合FPN进行多尺度特征融合,该方法利用孪生网络架构,通过时空注意力模块来挖掘目标的显著特征和运动模式,从而增强了网络对目标表征的学习能力。这种端到端的框架设计,避免了传统方法中由于模块化处理而导致的特征表达能力下降的问题。此外,讨论了算法的局限性以及未来的改进方向。实验结果表明,所提出的算法在KITTI和OTB等公开数据集上取得了显著优于现有方法的性能,展现出了良好的精度和实时性。研究成果可为自动驾驶系统的感知模块设计提供新思路。

关键词： 电力设备   指针表   图像去雨   可变形注意力   特征融合中间件  

摘要： 针对复杂天气环境下电力设备图像模糊而造成电力设备识别与检测受到严重影响的问题,设计了可变形特征融合网络来实现图像清晰化,从而提高复杂天气环境下电力设备的检测精度。将可变形注意力作为编码器-解码器组件引入U-Net架构中。将特征融合中间件作为连接上下文信息的桥梁,以此整合上下文信息并保留更多的空间细节信息。以指针式仪表图像为例,进行了指针式仪表图像去雨和指针式仪表自动读数实验。实验结果表明,所设计网络在指针表图像去雨方面有良好的效果,并提高了去雨后指针表的读数精度。

关键词： 脉冲神经网络   人工神经网络-脉冲神经网络(ANN-SNN)转换   目标检测   低时延和高精度  

摘要： 人工神经网络(artificial neural network,ANN)在众多领域取得了显著进展,但其对计算资源和能耗的高需求限制了其在硬件端的部署和应用.脉冲神经网络(spiking neural network,SNN)因其低功耗和快速推理的特性,在神经形态硬件上表现出色.然而,SNN的神经元动态和脉冲发放机制导致其训练过程复杂,目前主要研究集中在图像分类任务上,本文尝试将SNN应用于更为复杂的计算机视觉任务.本文以YOLOv3-tiny网络为基础,提出了Spiking YOLOv3模型,其符合SNN特性的网络模型,在检测任务上实现了更高的准确度,并将平均推理时间减少至约原来工作的1/4.此外,我们还分析了ANN-SNN转换过程中产生的转换误差,并采用量化激活函数对Spiking YOLOv3模型进行了优化以减小转换误差.优化后的模型平均推理时间减少至约原来的1/2,并在VOC与UAV数据集上实现在ANN-SNN无损转换,显著提升了基于该模型的检测效率.

关键词： 目标检测   安防装备   高空作业   YOLOv7-tiny   轻量化   Involution  

摘要： 针对现有高空作业人员安防装备检测算法参数量较大且检测目标相对单一,难以适应复杂的高空作业场景等问题,提出一种基于改进YOLOv7-tiny的高空作业人员安防装备检测算法。首先,将主干网络重新设计为更轻量的YOLOv7-FasterNet,并调整空间金字塔池化结构,实现模型参数量的压缩;其次,在ELAN-L模块中扩展梯度传输路径的分支,解决了模型压缩造成的通道信息缺失问题,提升了特征信息的提取能力;最后,将网络中下采样部分替换为Involution模块,降低参数冗余,增强网络对全局的捕获能力。实验结果表明,改进的YOLOv7-tiny算法能够更好地适应复杂高空作业场景,在开源数据集上具备良好的性能。该算法的平均检测精度达到94.7%,较原模型提升1.5%,参数量较原模型下降11.6%,实验结果验证了算法改进措施的有效性。

关键词： 运动目标检测   全局注意力机制   检测尺度   损失函数  

摘要： 针对自动驾驶领域运动目标检测存在目标相互遮挡、对小目标漏检误检严重、实时性和鲁棒性较差等问题,提出一种基于改进YOLOv5s的方法。将全局注意力模块嵌入到主干网络C3结构的残差块中,增强了网络的整体特征提取能力;将原始网络20×20的检测尺度替换为160×160,提高模型对于小目标的识别能力;采用SIoU Loss作为边界框回归损失函数,使预测框的定位更加精准。实验结果表明,该改进算法在公开的自动驾驶数据集SODA10M上均值平均精度达到了81.3%,较原始网络提升了7.5%,推理速度达到238 frames/s,与主流的目标检测算法相比也表现出一定的优越性。

关键词： 三维目标检测   深度残差网络   体素特征   图像特征   特征融合   双次特征融合网络  

摘要： 针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。