关键词： 目标检测   点线特征   同步定位与地图构建   动态环境   位姿估计  

摘要： 为了解决视觉SLAM系统在室内动态环境建图中存在耗时严重、动态对象干扰、特征点不足所导致实时性不高、建图精度低以及位姿估计不准确等问题，本文提出一种基于目标检测和点线特征关联的视觉SLAM算法——LDF-SLAM。针对耗时严重、动态对象干扰等问题，首先引入MobileNetV3替换YOLOv8主干网络，减少网络参数量。同时设计无参注意力增强的ResAM模块与MobileNetV3网络共同组成轻量级检测网络，增强检测网络表征能力，快速检测出动态对象。其次，融合多视图几何方法补偿过滤潜在动态特征点并剔除，利用剩余静态特征点构建稠密点云地图，提高SLAM系统建图精度。此外，针对静态特征点不足导致位姿估计不准确的问题，提出一种融合FLD线特征提取方法，以提升位姿估计准确度。同时设计线段长度抑制来保证系统实时性，提高视觉SLAM系统的鲁棒性。在TUM数据集和Bonn数据集上进行实验，实验表明LDF-SLAM的绝对轨迹误差RMSE均有所下降，且小于其他主流SLAM算法，显著提高SLAM系统在动态环境中的鲁棒性和准确性。

关键词： 计算机视觉   图像分类   自注意力机制   特征提取   上下文信息   编码器   通道特征   卷积神经网络  

摘要： 针对基于窗口的视觉Transformer易破坏细粒度特征、模型参数量大等问题，文中提出一种基于交叉融合编码器模块的Transformer图像特征提取网络。利用图像通道特征相关一致性剥离特征图来获得两个特征子集，并联两个注意力模块分别进行注意计算以获得局部和全局信息，采用交叉机制融合信息。结合CAT Transformer的窗口间注意力模块设计一种用于特征图通道维度之间的窗口内注意力方式，以避免破坏纹理信息，增强局部特征的表征能力。实验结果表明，所提模型在CIFAR-100数据集上使用7.8 MB参数达到79.86%的TOP-1准确率，在ImageNet-1K数据集上达到80.7%的准确率，同时利用Grad-CAM(Gradient-weighted Class Activation Mapping)可视化模型决策过程。

关键词： 山体滑坡   目标检测   VanillaNet   动态检测头   全局通道剪枝  

摘要： 山体滑坡实时检测对于减少人员伤亡和财产损失至关重要。为了解决传统图像识别方法在滑坡监测中的时间滞后和误判问题，本研究构建了一个多域数据集，以增强对山体滑坡和沙尘暴视觉特征的理解，并提出一种山体滑坡自动检测模型PE-Net。该模型基于改进的VanillaNet网络，结合动态多头注意力检测模块，显著提高了山体滑坡场景的视觉感知能力。此外，采用PAGCP（Performance-aware Approximation of Global Channel Pruning）全局通道剪枝算法对该模型进行了压缩，以适应嵌入式部署。实验结果表明，所提出的模型在达到实时检测的前提下，显著提高了山体滑坡场景检测的准确性，对山体滑坡自然灾害监测与预警具有参考价值。

关键词： 交互式多模型   马尔可夫转移概率   机动目标跟踪   先验信息  

摘要： 针对交互式多模型滤波算法应对强机动目标跟踪过程存在响应滞后、精度偏低的问题，本文提出了由空中目标战术机动先验辅助的层次性交互多模跟踪方法。所提方法利用隐马尔可夫模型，对目标机动轨迹分段地进行战术类别的识别、战术状态的区分，建模了不同战术下的机动模型转移矩阵，由此实现了战术机动似然概率与交互多模机动似然概率的有效交互，构建了双层交互式多模型跟踪算法。实验考虑复杂战术意图下空中目标机动轨迹，表明所提算法结合战术机动先验有效解决了状态估计精度与机动转移响应时效之间的矛盾，明显改善了机动目标跟踪精度。

关键词： SAR图像   船舶检测   注意力机制   特征融合   微小目标检测  

摘要： 近年来，卷积神经网络在合成孔径雷达（synthetic aperture radar， SAR）图像船舶检测中取得了突出成就，但小目标检测方面仍然存在较大不足。本文提出了一种基于YOLOv5的改进检测网络，结合通道注意力、自注意力机制和上下文特征融合策略，以提高小型船舶的检测性能。首先，通道注意力机制抑制了背景信息并强调目标特征，显著提高检测精度。其次，在YOLOv5的骨干网络和检测层中引入自注意力模块，以捕获全局信息，增强定位能力。最后，通过融合浅层和深层特征，补充特征提取中丢失的小目标信息，进一步提高检测精度。基于LS-SSDDv1.0数据集的实验结果表明，改进后的网络的全类平均精度(mean average precision，mAP)指标达78.9%，显著优于现有方法。

关键词： 目标检测   小样本学习   元学习   查询引导原型   语义增强  

摘要： 针对元学习范式中原型关键信息欠缺和对查询图像适应性不足的问题，以及检测器对新类方差敏感导致误分类的问题，提出了一种基于查询引导策略和语义增强机制的小样本目标检测方法。其中，查询引导模块（Query Guidance Module）通过学习查询与支持特征之间的相关性，将查询感知信息有条件地耦合到支持特征中，旨在为每个查询图像生成特定且具有代表性的原型。而视觉语义增强模块（Visual Semantic Enhancement Module）从文本语义信息中蒸馏与新类视觉特征相匹配的知识，并自适应的对这些特征增强，提高其可判别性，缓解方差敏感，以更好地分类。此外，将分类和回归任务解耦，在分类分支上执行语义增强，以促进模型对目标语义的理解。实验结果表明，相较于目前已知最新的SMPCCNet方法，所提出的方法在PASCAL VOC数据集上的nAP平均提升了2.2%，在MS COCO数据集上的AP平均提升了1.0%，证明了其有效性。

关键词： 输电线路   金具   深度学习   目标检测   小目标   密集遮挡  

摘要： 针对输电线路航拍图像的金具目标尺寸小与密集遮挡问题，提出了基于级联查询-位置关系的输电线路多金具检测方法(CQPR)。首先提出了级联稀疏查询模块，通过小尺度特征图上小目标的粗略位置来查询大尺度特征图中的小目标精确位置，提高小目标金具检测的准确性。接着，提出了位置特征关系模块(PRM)，通过利用图像中不同金具之间的位置关系建立PRM，提取金具位置关系，丰富遮挡区域的特征，进而优化了密集遮挡下的金具检测效果。在多个基线模型上的实验结果表明，将CQPR应用到基线检测框架时，Faster R-CNN、Cascade R-CNN、Libra R-CNN、Dynamic R-CNN的准确率分别达到82.9%，82.4%，83.7%和77.3%，优于其他先进目标检测模型，对其中小目标金具和存在遮挡情况的金具检测准确率的提高较为明显，推理速度也有一定的提高，兼顾定位精度与检测实时性。

关键词： 高光谱图像   目标检测   降维   K-means聚类   RX算法  

摘要： 本文研究高光谱方法在小目标检测应用中的一些关键技术点，从高光谱的数据形式切入，应用高光谱数据中存在的高度的谱间相关性和空间相关性，在博兹瓦纳和Dioni两个数据集上做了仿真计算，验证了高光谱的谱间、空间数据高度相关的特性。用PCA算法对高光谱图像进行降维后进行图像分类实验，并结合传统目标检测RX算法和K-means聚类算法，研究了RX算法与K-means结合的算法。通过仿真实验发现，经过PCA处理后的图像分类，和RX算法与K-means结合的算法不仅提高了检测精度，而且大大降低了检测耗时。

关键词： 深度学习   目标检测   文字检测   压印文字   YOLOv8  

摘要： 针对轮胎胎侧压印文字区域受到深色背景干扰，现有算法无法准确执行检测任务的难题，本文提出一种改进YOLOv8s的轮胎胎侧压印文字区域检测算法TireYOLO。首先，提出一种轻量化特征提取模块RepNCSPELAN4＿CAA，用于替换YOLOv8s原有主干网络的C2f模块，通过CAA注意力机制更好地捕捉上下文特征信息，在提高模型精度的同时降低计算代价。其次，采用一种动态采样的轻量化大感受野特征融合颈部结构DyLKVHSPAN，通过改进HSFPN网络结构，提出一种高效特征融合网络HSPAN，同时通过Dysample上采样算子进行动态采样，并且提出一种大感受野的特征融合模块UniLKVoVCSP，使DyLKVHSPAN在保持轻量化的同时利用大感受野更好融合特征。最后，提出一种低计算量检测头DWLHead，重新设计原有检测头的结构，在降低计算量的基础上提高检测性能。实验结果表明，与YOLOv8s相比，TireYOLO算法在轮胎胎侧关键信息所在区域目标检测的mAP@0.5～0.95 提高2.5个百分点，参数量降低48.4%，计算量降低49.6% ，验证了本文所提出的算法在检测轮胎侧文字区域方面的优越性。

关键词： YOLOv8   无人机   小目标检测   特征融合   模型剪枝  

摘要： 针对无人机图像中小目标实例多、目标间存在遮挡所导致的漏检、误检等现象，提出了一种基于改进YOLOv8的轻量化无人机图像小目标检测算法。在颈部引入三特征编码器、尺度序列特征融合模块，增强了网络对不同尺度特征的提取能力；同时，设计了小目标检测层，并与改进的颈部特征提取网络进行融合，在头部引入一个额外的检测头，减小小目标特征的损失，增强网络对小目标的识别能力；此外，针对CIoU的缺陷，结合Wise-IoU、inner-IoU和MPDIoU，提出了一种回归损失算法Wise-inner-MPDIoU；最后，为了实现算法在移动端和嵌入式场景下的轻量化应用需求，进行了基于幅度的层自适应稀疏化剪枝，在保证模型精度的同时，进一步压缩了模型的大小。实验结果表明，改进后的模型相比于原YOLOv8s模型，在mAP50提高6.8%的同时，参数量下降76.1%，计算量下降17.1%，模型大小降低73.5%，达到了优秀的提升模型检测精度及轻量化效果，具有很强的实用意义。