关键词： 车辆工程   无人驾驶方程式赛车   激光雷达   目标检测   深度学习  

摘要： 针对无人驾驶方程式赛车感知系统锥桶检测精度不高的问题,提出一种人工特征提取和深度学习结合的FSAC赛道锥桶3D目标检测方法。对原始点云进行感兴趣区域提取、体素化格栅滤波、地平面滤除、欧式聚类,生成一阶段的目标检测框;基于柱状体素对原始点云数据进行表示,利用PointNet思想逐点提取特征,将每个点还原到H、W分辨率上形成伪图像。使用卷积神经网络处理伪图像结果,使用SSD目标检测网络生成二阶段目标检测框,通过检测框确认模块将两阶段检测框进行交并比计算,交并比大于设置阈值时判定为锥桶。在校园模仿赛场环境进行的实验结果表明:结合人工特征提取和深度学习的锥桶目标检测算法取得了较好的效果,漏检率为0.08%,误检率为0.02%,帧率在60 FPS左右,提高了赛车的环境感知能力。

关键词： 深度学习   目标检测   YOLO   轻量化  

摘要： 为了实现对现有物流行业中输送线上纸箱外形异常检测问题的优化,在YOLOv8框架的基础上,改进了骨干网络,推出一种融合ShiftConv模块的轻量化骨干网络。提出了一种新的检测头DSDET,使网络在轻量化的同时保持较高精度,为解决在目标遮挡情况下检测效果不佳的问题,使用了Repulsion Loss损失函数,通过损失函数使同类间的预测框尽可能远离,从而使检测网络模型在存在较多遮挡情况的纸箱外观异常的检测任务中有更高的精度。通过在自制纸箱数据集上对目标检测网络模型进行测试,平均检测精度可达93.8%,与原有YOLOv8相比检测精度提升2.4%,这种方法可应用于自动化物流实际场景下的纸箱外形异常目标检测。

关键词： 立体匹配   深度学习   计算机视觉   损失函数   数据集  

摘要： 传统立体匹配算法通过匹配人工设计的特征描述来实现,但对遮挡、弱纹理及重复纹理及边缘等区域的计算效果并不理想。近年来,基于深度学习的立体匹配算法研究成为该领域的主流方向,且在算法性能及鲁棒性上均得到较大提升。为了系统梳理基于深度学习的立体匹配算法的研究现状与发展趋势,对立体匹配算法原理、传统立体匹配算法、基于深度学习的端到端及非端到端的立体匹配算法进行介绍,并对相关训练方法、损失函数及常用公开数据集进行总结,同时在常用数据集上对各类代表性算法进行对比分析,最后对立体匹配算法将面临的挑战和未来发展方向进行讨论。

关键词： 双目相机   目标检测   目标跟踪   特征点  

摘要： 面对复杂环境对人物目标信息进行实时检测和跟踪的需求,设计并实现了一套基于双目相机的目标检测与跟踪系统。并且以较低的成本有效地解决了现有主流检测跟踪系统在获取人物深度信息方面的局限性。通过使用英特尔D435i双目相机,系统能够实时获取外部环境的RGB信息及深度信息。接着,系统基于高效的目标检测算法YOLOv8和目标跟踪框架ByteTrack,对获取的RGB图像帧进行处理,实现对图像帧中出现的目标人物进行检测和跟踪。在检测过程中记录目标的特征点信息,并结合双目相机同步获取的深度图像帧数据,计算特征点的深度信息,从而完成对目标深度信息的测算。最终,将设计开发的系统集成部署到Nvidia Jeston Orin边缘计算平台进行实验验证,实验结果表明,系统的识别跟踪准确率和性能均达到了预期目标。

关键词： 图像处理   点云语义分割   局部特征增强   反密度函数   深度学习   特征向量  

摘要： 相比二维图像数据,三维点云数据普遍具有无序性、稀疏性和密度不均匀性,同时点与点之间的相关性以及结构信息的获取也是很大的挑战。正是由于点云的这些特性,对于特征信息不显著的物体的语义分割,一直是点云处理领域的一大难题。为此,提出了一种用于点云语义分割的局部特征增强网络,该算法设计了一种局部特征聚合模块用于增强特征信息。该模块将点云的相对点位置与其对应点特征串联在一起,从而获得增强的特征向量,实现了特征信息的增强。通过该模块使网络能够有效地学习复杂的局部结构信息,增强对局部几何信息的处理能力。此外,该算法在提取特征时采用反密度函数对稀疏区域的点赋予较大的权重,对稠密区域的点赋予较小的权重,从而有效消除了点云的密度不均匀性造成的影响。实验结果表明,该算法在斯坦福大规模三维室内空间数据集的平均交并比达到了67.4%,整体准确率达到了88.4%,相比DGCNN分别提升了11.3%和4.3%,对特征信息不显著的目标物的分割效果提升显著。

关键词： 目标跟踪   双重特征增强模块   自适应频域滤波器   样本不平衡   凝聚损失  

摘要： 视觉目标跟踪是计算机视觉领域的一项基础任务,在实际生活中有着广泛的应用,因此视觉目标跟踪技术的研究具有重要意义。之前的跟踪算法存在三个尚未解决的问题,一是随着ResNet网络的提出,空间特征提取得到了大幅加强,但仍有较大的进步空间;二是对于提取出的特征,跟踪器如何突出有效信息、抑制无用信息来达到更好的跟踪效果;三是样本不平衡问题导致模型无法判别未出现过的样本,进而限制了模型的性能。为了解决上述问题,论文设计了双重特征增强模块来优化ResNet骨干网络提取的空间信息。再利用傅里叶变换将空域特征转化为频域特征,接着在频域中利用可学习的滤波器自动过滤出适合当前跟踪器的特征,同时抑制背景中其他杂乱的特征信息。最后,引入凝聚损失函数,扩大困难样本范围并惩罚简单样本,显著缓解了样本不平衡问题。在四个具有挑战性的数据集上的大量实验结果表明,对比同期最先进的算法,论文提出的方法具有更加良好的性能。特别地,在TLP数据集实现了62.0%的成功率得分,在VOT2020LT数据集实现了1.7%的提升。

关键词： 甲状腺结节   Mask R-CNN   目标检测   神经网络  

摘要： 目的/意义采用基于区域卷积神经网络的目标掩码分割算法(mask region-based convolutional neural network, Mask R-CNN)建立目标检测模型,智能识别甲状腺超声图像结节位置,为超声医生决策提供参考。方法/过程收集超声结节图像1 650张,使用labelme工具进行结节位置标注。对Mask R-CNN的主干网络分别采用MobileNetV3、ResNet50、ResNet101和ResNet152进行替换,并引入特征金字塔和感兴趣区域对齐,采用迁移学习训练策略训练模型,比较不同网络下目标检测效果。结果/结论主干网络采用ResNet101训练的模型平均精确度为86.8%,平均召回率为95.3%,平均F1分数为90.6%,优于其他主干网络,能更精确地检测甲状腺结节,具有一定临床应用价值。

关键词： 复杂背景   储藏小麦   害虫识别   图像处理   人工神经网络  

摘要： 在小麦害虫图像检测识别中,因害虫的种类繁多,形态各异,且往往受到光照、背景等环境因素的影响,增加常规神经网络的训练难度,使得常规神经网络在训练过程中出现梯度消失的问题,从而导致最终识别结果的精度偏低。为此,对常规神经网络进行优化,研究并设计一种小麦害虫图像识别方法。将采集的小麦害虫彩色图像转换为灰度图像,利用小波变换技术去除图像噪声,结合形态学操作滤除图像的冗余信息,提高图像的质量。对滤波后的小麦害虫图像进行线性变换和对比度调整,实现对数据集的离线增广,构建出一个包含大量样本、类别丰富的小麦害虫图像数据集。针对数据集中的图像提取小麦害虫特征,引入神经网络算法构建识别模型,通过增加分支数与卷积层数,对模型进行改进与优化,以降低网络的深度。将小麦害虫特征输入至改进后的模型中实现小麦害虫图像识别。实验结果表明,本研究方法能够准确输出小麦害虫的图像类型,识别准确率较高。

关键词： 深度学习   对抗样本   YOLOv8   目标检测   对抗补丁  

摘要： 目前,基于人工智能目标检测技术的摄像头得到了广泛的应用.而在现实世界中,基于人工智能的目标检测模型容易受到对抗样本攻击.现有的对抗样本攻击方案都是针对早版本的目标检测模型而设计的,利用这些方案去攻击最新的YOLOv8目标检测器并不能取得很好的攻击效果.为解决这一问题,针对YOLOv8目标检测器设计了一个全新的对抗补丁攻击方案.该方案在最小化置信度输出的基础上,引入了EMA注意力机制强化补丁生成时的特征提取,进而增强了攻击效果.实验证明该方案具有较优异的攻击效果和迁移性,将该方案形成的对抗补丁打印在衣服上进行验证测试,同样获得较优异的攻击效果,表明该方案具有较强的实用性.

关键词： YOLOv8   深度学习   渔船牌号   目标检测  

摘要： 本研究旨在构建了基于YOLOv8模型的渔船牌号识别技术,针对船牌号图像存在的部分目标小、模糊、存在遮挡的特点,对YOLOv8模型改进,主要包括:删除20×20像素大目标检测层,增加160×160像素小目标检测层,提高算法对小目标检测性能并轻量化网络模型;引入GAM注意力机制模块,提高对小目标检测的精确率;用RepVGG替代C2F改进主干网络,提升召回率。实验表明,改进算法性能良好,其中准确率达到98.41%。同时,与原YOLOv8n模型进行对比,检测精确率提高1.3%,召回率提高2.1%,mAP值提高1.6%,模型体积缩减53.7%。通过本研究,文中期望为渔船牌号识别技术的发展提供有益的参考和启示。