关键词： 图像处理   可见光与红外光   深度学习   图像融合   多尺度   跨阶段密集连接  

摘要： 针对目前可见光与红外光图像融合过程中的关键细节信息丢失,目标对比度较低的问题,提出一种基于多尺度跨阶段密集连接网络的图像融合算法。通过多尺度卷积与跨阶段的密集连接网络实现双模态图像的特征提取工作,结合CA注意力机制提高模型的融合效果,并以L1范数作为特征融合规则来获取融合特征图,并最终通过解码网络实现图像的重构工作。实验结果表明,在公共数据集TNO中,文中提出的算法在结构相似度、信息熵以及差异相关系数三项指标中获得了最优值,相较于次优值分别提高了4.14%、2.66%、2.59%,在边缘信息度量上取得了次优值,与最优值相差3.3%。综合主客观评价,文中提出的方法可获取高质量的融合图像,具有明显的优势。

关键词： 无人机遥感影像   水体识别   精度验证   图像处理   机器学习  

摘要： 本研究聚焦于无人机遥感影像技术在水体识别领域的精度验证策略及其潜在应用价值的探讨。我们采用了高分辨率无人机遥感影像数据,并集成了尖端的图像处理技术和机器学习模型,系统性地分析了水体识别的精度验证流程,同时对制约识别精度的核心要素展开了深入探讨。结果 显示,无人机遥感影像技术在水体识别方面展现出高度的准确性和广泛的应用潜力,为水资源管理、生态环境监测以及自然灾害评估等多个关键领域提供了强有力的技术支撑。本研究提出的验证方法和所得结论,对于促进无人机遥感技术在水体识别领域的深入发展和广泛应用,具有至关重要的学术意义和实用价值。

关键词： 3D目标检测   激光雷达点云   自适应下采样   点注意力  

摘要： 点云下采样与特征提取是基于激光雷达点云的自动驾驶3D目标检测算法中不可或缺的步骤。然而,传统的下采样方式对点云中所有的数据点都是无差别选择,这使得目标上的点被均匀稀释,点数较少的目标可能会丢失其全部点,且目前的点云特征提取方式只保留特征中相同维度的最大值,不能充分利用点云特征。为改进以上不足,提出一种基于激光雷达点云自适应下采样和点注意力特征聚合的3D目标检测方法。通过使用学习式的点云自适应下采样,可以获取数据点的类别信息,从而实现激光雷达点云的分类下采样。同时,使用点注意力特征聚合方法,依据点之间的注意力系数进行采样点的特征聚合,可以充分利用点云的特征信息。在KITTI数据集上中等难度场景中对车、行人和骑行者的检测精度分别达78.49%、44.82%、63.59%,验证了该方法的有效性。与其他方法相比,其对点数较少目标物体的检测精度有明显提升。

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： 钻机   视频分析   目标检测   YOLOv8   注意力  

摘要： 由于井下环境复杂,低光照、人员遮挡、眩光等多种因素都会影响钻机检测精度。针对上述问题,提出一种钻机目标检测模型CAS-YOLOv8。为减少低光照因素干扰,设计了C2fGE结构,增强不同通道之间的信息融合;为解决人员遮挡问题,提出ADownCS模块,提高特征提取能力;对于眩光问题,在网络中增加混洗注意力;为减少环境中小目标对检测的干扰,依据钻机尺寸,去除特征图较小的检测头。试验结果表明,与原始YOLOv8相比,CAS-YOLOv8的mAP@0.5增加4.8%、参数量降低73.8%。

关键词： 红外弱小目标检测   稀疏注意力   特征融合   鲁棒性  

摘要： 针对复杂背景下红外弱小目标像素占比少,细节纹理特征匮乏导致特征提取困难、检测率低、虚警率高的问题,提出一种基于稀疏注意力和多尺度特征融合的红外弱小目标检测网络。该网络利用Resnest的分割注意力提取不同尺度特征,引入Biformer注意力模块学习目标与背景之间的远程关系,采用融合模块将高、低层特征进行融合,经过Head模块输出检测结果二值图。实验结果表明,本文方法在IoU和F_(measure)这两项指标中均取得最优,与DNANet方法相比,所提方法的交并比(IoU)提高3.9%、F_(measure)提高5.6%;与ABCNet方法相比,所提方法的IoU提高5.8%、F_(measure)提高10%;并且在不同复杂背景下均可有效检测出红外弱小目标,体现良好的鲁棒性和适应性,可以有效应用于复杂背景中的红外弱小目标检测。

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： 树冠识别   主动学习   伪样本筛选   目标检测  

摘要： 【目的】基于监督深度学习的遥感影像树冠检测逐渐成为森林资源清查和监测的重要技术手段。然而,已有方法需要大量标注样例,导致了高昂的成本和较低的通用性。在该挑战下,本研究设计了一种新的主动学习方法开展了UAVs光学影像下端到端的桉树树冠识别。【方法】采用“Teacher-student”交互学习模式,在每轮学习中通过Teacher模型生成候选伪样本,基于伪样本筛选策略得到高价值的目标伪样本,再将其与已有样本放入Student模型学习,之后将Student模型的参数迁移给Teacher模型。经过以上多轮交互学习,Teacher模型即为所求。特别地,该方法在模型中引入了梯度均衡机制损失以降低对易样本的过度训练,设计了新颖的空间交叠度以加强模型对树冠遮挡严重和多树种共存等难伪样本的学习比重,采用了多尺寸网格掩码等数据增强方法提升模型对桉树空间分布模式、多光照场景和异常拍摄视角的适应性,显著减少标注工作量并提高模型性能。【结果】利用大疆Phantom4 Pro V2.0无人机对广西国有高峰林进行数据采集,形成了8 000张256 pixel×256 pixel影像构成的包含幼龄林和近成过熟林标注的样本集。利用该样本集对所提方法和其他监督学习方法及主动学习方法进行对比分析。结果表明,所提的主动学习方法在使用少量样本的情况下具有比监督学习方法和最新主动学习方法更优异的性能:在使用26%的数据作为样本时,该方法的F1值为0.8,满足了树冠识别实用性要求;而当样本增加到34%时,该方法更是取得了0.9的F1值,与全监督学习性能相当。【结论】提出的主动学习方法在小样本约束下能自动获取准确的树冠范围信息,可节省大量数据处理和样本制作时间,具有高效、便捷和低成本的优势,对提升森林监测效率和自动化水平具有重要意义。

关键词： 视频卫星   遥感影像   目标检测   吉林一号  

摘要： 近年来视频卫星的成功研发,使对地表动态目标的实时性监测成为可能。为将视频卫星运用于智能交通领域,首先需实现卫星视频中车辆目标的高效检测,该项技术是获取一切交通信息的前提。然而,卫星拍摄的视频数据与地面监控视频差异悬殊,现有检测算法难以全面、且准确地检测出卫星视频中车辆目标。为此,本研究在对现有检测算法适用性进行评价的基础上,结合视频影像特点,引入特征背景建模法,通过构建非感兴趣区掩膜,剔除大量误检目标,以获取更加准确全面的车辆检测结果。本研究以吉林一号卫星视频作为实验数据,经实验对比,在兼顾查全率的情况下,算法优化后获得的检测结果在检测精准度上得到显著提升。

关键词： 目标检测算法   网络模型   检测精度   智慧水利  

摘要： 为了提升水利船只的监管效率,针对遥感影像背景复杂、目标地物尺度差异大的问题,提出一种多尺度融合的YOLO v5目标识别算法YoMresNet(YOLO v5 Resnet Networks),实现对不同大小的地物进行高精度识别。首先以YOLO v5网络为基础模型,其次效仿残差模型代替YOLO v5模型中Neck的部分卷积并减少卷积层数以减小模型的体积;最后在模型的检测头部通入MHSA进行参数优化实现对船只目标的检测精度。在大型遥感数据集DIOR上进行了对比实验,并利用本项目组在辽河干流防洪提升工程拍摄的图像并制作的数据集上进行再次验证,结果表明YoMresNet模型相较于YOLO v5模型以及Faster R-CNN进行对比,检测精度有了显著提升,文章提出的方法有效提高了水利监管的效率,能够准确识别辽河干流目标地物,为搭载移动端嵌入式无人机等设备的实时目标检测提供参考价值且检测精度和速度均满足实际生产要求。