关键词： 无人机   智能监测系统   数据处理算法   路径规划   目标检测  

摘要： 全球范围内,无人机的广泛应用为智能监测系统提供了新的可能性。此一研究旨在构建以无人机为主的监测系统,其中包括了丰富的传感元件和尖端的数据处理手法,完成对特定陆地区域的自动守视任务。该系统采取模块化设计,详细至硬件方面,主要囊括无人机平台、载荷板块以及地面控制基站,软件一道,为硬件具象化相关功能。深入探析了诸如飞行管控、任务实施、路径策划和目标侦测等核心技术点。而更为重要的发现是,试点成效显现出该监测系统具备优秀的目标侦测和跟踪能力,从而在大幅度增强监测精度和效能方面显示出强烈的价值存在。此一研究成果对于无人机在环境维护、公安巡逻等多元任务实施方面,无疑具有深远参考价值。

关键词： 鸟类检测   深度学习   半监督学习   目标检测   注意力模块  

摘要： 针对细粒度鸟类检测的数据标注成本高,以及湿地地区鸟类种类繁多、现实场景复杂化等引起的湿地鸟类检测精度低的问题,该研究提出一种基于半监督CST的湿地场景下的细粒度鸟类检测算法(semi-supervised bird detection with CNN and swin transformer,SSBY-CST),首先基于北京14处监测站在不同湿地场景下采集到的图像,构建了涵盖17种鸟类图像数据集,为模型鲁棒性提供可靠数据支撑。其次提出基于伪标签学习法的单阶段半监督学习框架,基于Yolov5主干网络构建教师学生模型,高效利用无标签数据提升检测性能;训练阶段使用双阈值伪标签分配策略替代传统单一阈值伪标签分配,以优化无监督损失函数。然后设计了结合CNN和Swin Transformer的双通道卷积模块CST,以提高不同类别鸟类与湿地背景的区分能力。试验结果表明,仅在100张标注图像下,该文SSBY-CST算法对17种复杂环境下鸟类的检测精准率和mAP@0.5分别为77.5%和58.2%,相比同时期较先进的YOLO模型提升了17.4个百分点和15.5个百分点,在少量标注的前提下实现了较高的检测性能提升,其中黑鹳、西伯利亚银鸥的m AP@0.5分别达到了95.7%和94.5%,相比基线提升了24.9个百分点和14.3个百分点。此外,消融试验分析了双阈值伪标签分配的作用及CST模块的效果,验证了双阈值伪标签分配与CST模块设计的有效性。该框架利用无标注样本在极少量标注量下提升复杂环境下细粒度鸟类检测性能,以加强农林生态的智能数字化管理。该文将半监督扩展到细粒度鸟类检测,为处理农林生态环境下的鸟类检测提供了技术路径。

关键词： 多雷达   目标跟踪   信息融合   K秩法融合  

摘要： 针对多雷达协同目标跟踪的效能分析需求,首先对基于密度估计的主流融合算法建模,并结合高斯-均匀混合分布的熵误差理论分析其融合局限,然后基于序贯蒙特卡罗近似的伯努利滤波与K秩融合设计了多雷达协同跟踪方法,提出了误差减函数作为效能分析指标,用于定量分析多雷达目标跟踪的协同效能。仿真实验表明:当多雷达目标跟踪的过程噪声过大或过小时,融合跟踪性能无本质改善,表明该条件下增加雷达数量的效能低;仅当过程噪声适宜时,融合跟踪性能有明显提升,且提升幅度与雷达数量的增加呈正向递减关系,为权衡雷达节点数量开支提供了指导意义。

关键词： 图像处理   颜色恒常性   语义分割   多区域融合   光源估计   场景语义  

摘要： 针对现有颜色恒常性算法在复杂场景下的适用性差,光源估计精度不高的问题,提出一种多区域融合的全卷积颜色恒常算法.首先,利用金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)模型对目标图像进行场景语义分割;其次,将本文提出的基于全卷积网络架构的端到端光源估计模型(Full Convolutional Illuminant Estimation Network,FCIEN)用于各语义区域进行光源估计,各区域通过加权融合得到整体图像的光源估计值;最后,根据得到的光源估计值使用Von Kries模型对目标图像进行偏色校正.在Gehler-Shi、NUS-8camera等数据集中的实验结果表明,相较于同类型的算法,本文算法的光源估计角度误差值分别下降20.73%、15.22%.实验结果表明,本文算法针对复杂场景的光源估计有着较强的鲁棒性和准确性.

关键词： 视觉车距检测   预警系统   单目测距   计算机视觉  

摘要： 本研究旨在构建一种基于计算机视觉技术的视觉车距检测预警系统。该系统通过分析和处理前方车辆的图像,实时获取车辆间距和速度等关键信息,并向驾驶员提供预警提示,以确保行车安全。本文主要内容包括:构建基于YOLO算法的目标车辆检测模型;采用单目测距技术,结合相机成像原理和相似三角形原理,对车载相机进行标定,建立图像中车辆像素高度与实际距离的映射模型;利用光流法和车距检测模型对前方车辆进行跟踪,并计算车辆间的相对速度。通过目标检测网络得到的车辆定位框及其中心点作为特征点,对连续图像帧中的目标车辆进行跟踪,根据目标车辆的相对位移获得相对速度,并计算预警时间,给出预警信息。

关键词： 深度学习   目标检测   遥感图像   混合注意力机制   YOLOX  

摘要： 为了更好地通过遥感图像监测地面交通流量,应对日趋复杂的路况问题,提出了一种基于YOLOX的全新的一阶段目标检测网络AE-YOLO(Attention-Enhanced YOLO)。采用混合注意力加强的SCACSP特征增强模块,很大程度上抑制了背景信息,突出了目标的显著特征,用解耦头部代替耦合头,大大提高了网络的收敛速度和性能。对损失函数进行改进,使用CIoU Loss代替原来的IoU Loss,从而解决了树木遮挡等造成的车辆漏检问题。试验结果表明,与主流的目标检测网络相比,该方法在精度上有更好的表现。

关键词： 深度学习   目标检测   轻量化技术   骨干网络  

摘要： 传统基于深度学习的目标检测算法通常需要巨大的计算资源和长时间的训练,不能满足工业界的需求。轻量级目标检测网络通过牺牲一部分检测精度,换取更快的推理速度和更轻量的模型,适用于边缘计算设备中的应用,受到了广泛关注。本文介绍了常用于压缩和加速模型轻量化技术,归类分析了轻量化骨干网络结构原理,并在YOLOv5s上进行实际效果对比。最后对轻量化目标检测算法的未来前景以及面临的挑战进行了展望。

关键词： 智能车   TC264芯片   图像处理   自动驾驶   实时数据处理   高分辨摄像头  

摘要： 设计一种基于TC264芯片的摄像头传感器智能车,提高自动驾驶系统的环境感知能力。通过集成TC264芯片与高分辨率摄像头传感器,采用先进的图像处理算法和机器学习技术实现实时数据处理和分析。智能车在复杂路况下表现出色,能够准确识别障碍物并作出快速反应。基于TC264的智能车设计方案有效提高了自动驾驶的安全性和可靠性,为未来智能交通系统的发展提供了新思路。

关键词： 异常检测   无监督学习   语义分割   计算机视觉  

摘要： 为了改善目前常见的异常检测算法受到的异常数据难以获取以及繁多的异常类别之间数据不均衡的制约,提出一种语义分割辅助的单教师-多学生无监督异常检测算法。在知识蒸馏模型中使用多个学生网络参与预测,根据多个学生网络的均值、方差等统计信息生成特征图,增强预测结果的稳定性与准确性;利用特征金字塔的思想,提取多个尺度的视觉特征以提升模型检测不同尺度异常区域的能力;利用语义分割模型良好的边界提取能力,引入语义分割网络对异常检测结果辅助修正。与现有的无监督异常检测算法相比,该方法能够更好地定位与检测工业场景下的物体表面异常。

关键词： 自然语言处理   计算机视觉   人工智能   训练数据   视觉感知   多学科交叉   泛化能力   逻辑推理能力  

摘要： “大模型”(大规模预训练模型)自面世以来,其技术发展日新月异。大模型是引领人工智能领域的变革式新范式,能够提供强大的知识表示与聚合能力,已展现出可与人脑媲美的视觉感知与逻辑推理能力。在超大参数规模、海量训练数据和强大计算资源支撑下,大规模基础模型(CLIP、SAM、GPT-4、Sora、LLa MA等)已成为一系列下游任务的基石,展示出强大的任务性能与卓越的泛化能力,在自然语言处理、计算机视觉、工业数字化和智能化等多个领域有着重要突破和广泛应用,其技术影响力已超越计算机领域,成为多学科交叉创新的关键驱动力。