关键词： 视觉跟踪器   三孪生网络   目标跟踪   图注意力  

摘要： 针对传统孪生网络视觉跟踪器,在跟踪过程当中只采用初始模板,不能适应目标变化,信息编码方式冗余效率低下,导致跟踪器出现漂移的问题,这里提出了一种基于三孪生网络特征和图注意力机制的跟踪算法。该算法首先分析了不同模板与搜索区域的特征响应,然后构建三孪生特征提取网络,将跟踪器预测的结果作为补充模板送入到三孪生特征提取网络;其次,为了使得信息编码更加有效,引入图注意力机制,加强搜索区域和模板间的信息匹配;最后,采用无锚框的方式对目标的位置进行分类预测,对边框进行回归预测。在GOT-10K,OTB100和UAV123基准数据集上进了测,并与目前主流的跟踪器进行对比实验,结果表明这里提出的算法有效地抑制了跟踪器的漂移现象,提高了跟踪器的跟踪成功率,为跟踪器的设计提供了一种新的方法。

关键词： 樱桃番茄   复杂背景   GAN网络   多目标识别   嵌入式端部署  

摘要： 为满足复杂场景下樱桃番茄采摘机器人精准识别和定位的需求,提出一种复杂背景下单果及成簇樱桃番茄果实的检测方法,采用注意力机制结合目标检测算法(Sim—YOLO)来解决番茄采摘多目标识别的难点问题。首先,结合GAN生成对抗网络和传统的图像增强如mosaic、旋转90°和Hue方法扩充数据集,提高模型的泛化能力。其次,对扩充后的番茄图像在Lab颜色空间下利用K—means聚类算法并结合Canny算子对其进行边缘检测,以初步区分复杂背景与检测目标。并在YOLOv5的骨干网络中加入SimAM注意力机制,增加算法的特征提取能力,提升果梗在相似颜色背景中的定位精度。试验结果表明,Sim—YOLO模型对不同成熟期的温室樱桃番茄的平均检测精确率及召回率分别为84.1%、98.0%,对果实及果梗多目标的平均检测精度为48.9%。果实及果梗多目标的检测精度均高于Faster R—CNN模型、YOLOv2模型和YOLOv3模型。最后,将Sim—YOLO模型通过模型转换部署到边缘计算设备,优化模型推理过程,减轻嵌入式端边缘计算压力,达到25 FPS的检测速率。

关键词： 人脸识别技术   计算机视觉   机器学习   科研人员   人工智能算法   服务行业   科技变革   数字化  

摘要： 在当今数字化飞速发展的时代,人脸识别技术正以前所未有的影响力渗透我们生活与社会的方方面面,而人脸识别技术服务商则宛如幕后的推动者,在这场科技变革中扮演着至关重要的角色。本文根据企业公开信息整理出的这30家公司,就提供有人脸识别技术服务。人脸识别技术服务商,首先承载着技术研发与创新的重任。它们汇聚了一大批专业的科研人员,涵盖计算机视觉、机器学习、人工智能算法等多个领域的专家。这些人才不断钻研,致力于提升人脸识别的准确率、速度以及应对复杂环境的能力。

关键词： 人工智能   无人机   光伏组件   裂纹检测  

摘要： 随着光伏产业的快速发展,光伏组件的健康状况对发电效率至关重要,因此提出了一种基于人工智能图像处理和无人机技术的光伏组件裂纹检测系统,该系统采用卷积神经网络进行裂纹自动检测和分类。通过实验验证,系统平均裂纹检出率达92.8%,满足大规模光伏电站的高效运维需求。研究结果表明,该系统在提高光伏组件故障检测效率和准确性方面具有显著优势,为光伏产业的智能化发展提供了可靠支持。

关键词： 点云   三维目标检测   VirConv   特征增强  

摘要： 针对当前点云三维目标检测算法存在的高误检率以及远距离和小目标检测效果不佳等问题,基于VirConv算法提出一种改进的三维目标检测方法。设计BEV特征提取网络C-ECVNet对VirConv的点云编码网络进行优化,该网络引入显式视觉中心模块增强目标特征,以更精确地提取原始点云的空间结构信息,并融合通道自注意力机制捕获通道间的层级注意力,从而提升模型的效率和泛化能力,增强特征提取能力。在KITTI测试集的实验结果表明,该算法针对复杂环境、远距离目标和小目标进行检测时表现出更强的鲁棒性和更低的误检率。

关键词： 铁路货运   货检   货车装载状态   图像生成   目标检测   生成对抗网络  

摘要： 铁路货车装载状态图像是反映货物列车运行状态的重要载体,其智能化水平直接影响到行车安全和货运安全。受货物类型、货车类型、装载加固方案等因素影响,部分场景下铁路货车装载状态图像较少,难以满足该场景下识别项点目标检测模型构建需要。面向铁路货运检查作业需要,考虑铁路货车装载状态不良图像特征,采取基于生成-对抗的生成约束、前景项点目标提取、启发式项点目标放置等措施,构建基于生成对抗网络、实例分割等多技术融合的铁路货车装载状态图像生成技术模型,为丰富特殊场景下铁路货车装载状态图像库、构建可靠的智能识别模型提供技术支撑。

关键词： 农作物   目标检测   深度学习   轻量级网络   边缘计算  

摘要： 随着计算机视觉领域中深度学习网络模型应用的发展,各类农业场景中的目标检测性能得到极大的推动。与部署在云端服务器的大规模深度学习网络不同,轻量级深度学习网络因其较小的参数量和运算量,在硬件资源有限且实时性要求更高的农业场景中展现出潜力,完成果蔬采摘机器人的目标检测、作物病虫草害目标检测以及作物表型检测等任务。概述当前主流轻量级深度学习网络的模型结构、关键技术模块与模型性能,进行对比分析。归纳总结轻量级深度学习网络在果实目标检测、谷物穗部检测、作物病虫害检测3大类应用场景的研究进展。指出轻量级深度学习网络在农作物目标检测应用上还存在普适性数据集稀缺、模型泛化能力弱、模型检测精度与检测效率的平衡难以把握等问题,并展望通过农业数据集数量、质量与多样性提升,轻量级深度学习网络结构优化,迁移学习应用以及边缘设备硬件加速技术等进一步提升目标检测性能。

关键词： 伪装目标检测   上下文信息   特征交互   多源交互  

摘要： 伪装目标检测旨在检测隐藏在其高度相似环境中的目标,为解决在集成过程中往往难以有效地利用多个特征的独特性和互补性的问题,提出多源交互的伪装目标检测网络。首先,信息提取单元通过集成建模像素空间关系的空间建模组件和捕获通道关系的通道建模组件,在初始定位目标的同时保留丰富的语义信息。其次,多元信息融合单元将不同层级的特征与全局上下文信息进行整合,充分利用特征的唯一性和互补性获取检测特征。最后,语义-纹理互补单元使用空间注意力和通道注意力促进纹理特征和检测特征之间的交互,进而生成高质量的预测图。在四个公共数据集上的大量实验结果优于其他7个模型。

关键词： 粒子群算法   直方图均衡化   模糊估计   图像增强   目标检测  

摘要： 水下建筑物结构老化等缺陷使水电站运行存在巨大的安全风险。水下建筑物图像作为运维人员了解水下情况的主要来源,在水下缺陷检测中发挥着重要作用。针对水电站水下建筑物图像模糊、颜色失真导致的缺陷检测困难等问题,提出一种基于改进直方图校正和模糊估计(Improve Histogram Correction and Fuzzy Estimation,IHCFE)的多层次水下图像增强算法。该算法利用粒子群算法(Particle Swarm Optimization,PSO)自适应确定裁剪因子,并得到自适应对比度增强图像;进而利用IBLA算法解决图像颜色失真问题,得到颜色还原后图像;再以拉普拉斯金字塔对上述图像逐层分解融合,得到多尺度融合图像。将原图、限制对比度自适应直方图均衡化(Contrast Limit Adaptive Histogram Equalization,CLAHE)、综合色彩模型(Integrated Color Model,ICM)、水下图像增强卷积神经网络模型(Convolutional Neural Network Model for Underwater Image Enhancement,UWCNN)和所提算法增强后图像输入Fast RCNN中验证目标检测性能,所提算法拥有最高的目标检测准确率,说明了增强算法的有效性和优越性。

关键词： 目标检测   深度半监督学习   半监督学习   深度学习  

摘要： 基于深度半监督学习的目标检测技术利用少量带标注信息的样本和大量无标注信息的样本进行模型训练,可减少对标注样本的依赖,提高准确性和效率。首先介绍了基于深度半监督学习的目标检测理论,依据损失函数和模式设计方式的不同对其方法进行了分类,然后基于MS-COCO和Pascal VOC数据集对典型方法进行了性能对比,最后分析了其挑战和发展趋势,旨在为相关研究提供参考。