关键词： 小目标检测   FPN   特征融合   注意力机制  

摘要： 本文针对目前小目标检测中语义信息缺失且识别困难的问题,对目标检测算法中的特征金字塔网络(FPN)进行了改进。首先,将顶层特征图融合上、下文信息,并与混合注意力机制串联,增强顶层特征,从而在进行自上而下融合过程中获得更好的特征。其次,针对小目标在FPN设计新的特征层。此层由深层语义信息和浅层细节信息融合而成,使得到的小目标层不仅是高分辨率的浅层,同时还有更丰富的语义信息。最后,将改进目标检测器在MS COCO数据集的一类上进行试验。结果表明,改进的Cascade RCNN小目标检测精度为54.2%,比原模型提高了11%。

关键词： YOLOv8   SENet   目标检测   超参数  

摘要： 为了解决无人机航拍的河流漂浮垃圾检测的难题,文章提出了一种改进YOLOv8的目标检测算法,用于检测河流漂浮的小目标垃圾。在原有YOLOv8算法模型的基础上,添加了SENet注意力机制,提高了小目标检测的表征能力,并进行了超参数的微调。改进后的模型相比原有的YOLOv8s算法,平均精度(mAP)提升了4.4%,达到80%。因此,改进的YOLOv8s更适用于小目标检测。

关键词： 目标检测   遥感图像   小目标   残差特征增强   一致性监督  

摘要： 近年来遥感目标检测的研究主要集中在改进边界框的表示方法,而忽略了遥感场景中独特的先验知识。为了进一步提高双阶段模型的检测精度,同时保持推理复杂度,本文以大核卷积构建的特征提取器LSKNet为基线,在特征表示和训练策略上进一步做出了改进。首先,通过RFA提取比例不变的上下文信息,以缓解LSKNet引入的背景噪声、提高模型对噪声的鲁棒性;然后,通过构建CS进一步提出CS策略来缩小不同尺度特征之间的语义鸿沟、使模型具备多尺度能力的同时更专注于小目标。本文的方法在几乎没有增加推理复杂度的同时,在大型遥感图像数据集DOTA上的单尺度结果达到了79.03%mAP 50,证明了提出方案的有效性。

关键词： 计算机视觉技术   危险识别   预警系统   图像处理  

摘要： 随着海洋石油开发的深入,海洋石油支持船的安全性问题日益突显,利用计算机视觉技术进行海上危险识别与预警具有重要的研究意义。基于此,文章提出海洋石油支持船智能视频图像危险识别与预警系统的总体架构,并详细介绍硬件设备选型与配置以及软件系统设计,深入研究图像预处理、目标检测与识别、危险识别与预警算法,并在系统集成与测试中验证计算机视觉技术的有效性和可行性,以期在未来的海上石油开发工作中发挥更大作用。

关键词： 目标检测   可形变注意力   EIoU   浅层特征   分步训练   DES-YOLO  

摘要： 针对图像中背景复杂、目标小、分布密集等问题,提出了一种改进的DES-YOLO方法。通过引入可变形注意力模块(DAM),网络可动态关注关键区域,提高物体识别和定位精度;采用高效交并比(EIoU)损失函数,减少低质量样本影响,增强泛化能力和检测精度;在网络头部加入一层160 pixel×160 pixel的浅层特征图,加强小目标特征提取;并使用分步训练策略提升模型性能。实验结果表明,该模型在遥感数据集上的mAP@50提升了1.4%,在纺织数据集上提升了1.7%,验证了DES-YOLO的广泛适用性与有效性。

关键词： 深度学习   计算机视觉   图像处理   钢卷带头识别  

摘要： 阐述基于传统图像处理和深度学习算法的特点,介绍基于深度学习方法的深度卷积神经网络能够准确、快速地进行钢卷带头识别。实验表明,基于深度学习的钢卷带头检测方法有较高的识别准确率。

关键词： 目标检测   YOLOv7   接触网部件识别   特征提取   注意力机制   损失函数  

摘要： 接触网作为电气化铁路的重要设备,为列车提供能源并保证列车正常运行。若接触网系统部件出现损坏,会威胁列车运行安全,因此对接触网部件状态进行巡检至关重要。近年来,无人机在铁路接触网重要部件状态监控任务中得到了广泛的应用。但无人机拍摄的接触网图像背景复杂多变、部件目标尺度变化大、小目标较多等因素导致现有检测算法对接触网部件存在误检和漏检频繁的问题。为此,本文提出了一种基于改进YOLOv7的接触网部件目标检测方法。通过引入改进感受野模块,加强网络的特征提取能力,获得更具辨别力的目标特征表示;在相邻尺度特征图的融合过程中加入改进的坐标注意力机制,突出接触网部件目标特征并抑制冗余的背景信息;采用基于Wasserstein距离的边框损失函数对原始损失函数进行改进,有效提高检测精度。在铁路接触网部件数据集上的试验表明,改进YOLOv7算法能更准确地检测无人机拍摄图像中的各类接触网部件,平均精度达97.27%,相比改进前提高了3.83%。本文算法增强了无人机对接触网重要部件状态的高精度、快速检测能力,为更好地实现无人机智能化巡检提供了技术支撑。

关键词： 深度学习   目标检测   路径规划   YOLOv5   循环神经网络  

摘要： 阐述通过结合改进的YOLOv5算法和强化学习技术,实现对复杂动态场景中多目标的实时检测与跟踪。采用改进的A^(*)算法对检测到的动态障碍物进行避障,并利用循环神经网络预测障碍物运动轨迹,实现路径的动态规划与优化。

关键词： 超图应用   图像处理   网络分析   推荐系统   分布式网络  

摘要： 超图是图的泛化,相较于普通图,它在复杂关系的高阶特征表达上具有显著优势。作为一种相对较新的数据结构,超图在应用领域正在发挥越来越大的作用,研究者采用超图模型及算法对现实世界中的具体问题进行建模、求解,有效地提升了解决问题的效率及质量。现有对超图的综述更多侧重于解决超图本身问题的理论及技术,缺乏对超图在具体应用场景下的建模及求解方法的归纳总结。为此,在总结介绍超图的一些基础概念后,分析了超图在各个主流应用场景下的应用方法、技术、共性问题及解决方案;通过对现有工作的归纳总结,阐述了超图运用于现实问题中仍然存在的一些问题与障碍;最后,对超图应用的未来研究方向进行了展望。

关键词： 目标跟踪   特征融合   背景感知   相关滤波   置信度更新   响应峰值   自适应融合  

摘要： 针对采用固定权重融合响应的互补学习跟踪算法存在的背景信息不足,训练特征单一以及模型更新策略差所导致的跟踪性能不佳的问题,提出一种背景感知与响应自适应融合的相关滤波跟踪算法。融合HOG和CN特征,将目标周围背景信息块作为正则项学习至相关滤波器中;提出一种相对峰值能量置信度方法,用于自适应调整相关滤波器和颜色直方图分类器的融合系数;根据平均峰值相关能量和响应峰值协同判断跟踪结果的准确性,决定模型是否更新。在OTB2013数据集上的实验结果表明,该算法具有实时性,OPE精确度和成功率相较基准算法(Staple)分别提升4.6%和3.7%,在复杂跟踪场景下,表现出了更加优秀的跟踪性能。