关键词： 红外微小目标检测   多跳深度网络   无锚点机制   Wasserstein距离  

摘要： 红外检测作为远程搜索和监视的重要手段,其对微小目标的检测精度影响实际应用价值。为了提高复杂背景下微小目标的测量精度,提出一种基于多跳深度网络的检测框架。首先,为了应对红外微小目标呈现“弱”和“小”的形状特点,利用无锚机制搭建特征金字塔作为骨干网络提取特征图。随后,为了实现渐进式特征交互和自适应的特征融合,在跳跃连接部分设计了由多尺度膨胀卷积组构成的多跳多尺度融合模块。最后,为了降低模型对微小目标位置偏差的敏感性,在训练中使用真实目标与预测目标的Wasserstein距离作为两者的相似性度量。实验结果表明,所提测量方法比已有测量方法具有更好的测量精度和效率。

关键词： 三维目标检测   点云   特征融合   注意力机制   车辆检测   体素化   自动驾驶  

摘要： 针对基于点云的三维目标检测中存在的特征提取能力不足和检测头分类与回归不一致问题,提出基于SECOND网络的ResCST架构。该模型在三维稀疏卷积层中引入残差连接,结合SwinTransformer捕捉长距离依赖关系的能力和卷积神经网络获取局部特征的优势,提出CNNSwinTransformer混合模型,有效提升特征表达能力;提出RCIoU方法,并将其应用于回归和分类分支,实现了分类与回归任务的联合优化。实验结果表明,在自动驾驶数据集KITTI汽车类别检测中,该模型在简单、中等和困难难度级别下的三维检测精度分别达到了91.21%、82.97%和80.28%。所提方法对困难目标检测效果提升明显,可达到每秒25帧的推理速度。所提出的ResCST架构在精度与速率之间取得了较好的平衡。

关键词： YOLOv5s   流体包裹体识别   目标检测   双向特征金字塔网络   坐标注意力机制  

摘要： 流体包裹体对油气资源评价、油藏地球化学、流体类型、流体来源与勘探等都具有重要的指导意义。然而流体包裹体识别主要依赖于人工寻找,这种方法费时费力。为了解决这个问题,提出了一种改进的YOLOv5s流体包裹体目标检测算法。将原始的YOLOv5s模型中的特征提取网络部分和特征融合网络部分进行改进,提高模型的检测能力,使模型更适用于流体包裹体的检测。在特征提取网络部分加入了坐标注意力机制提高定位和识别能力;在特征融合网络部分将原始模型中的路径聚合网络换成双向特征金字塔网络,改进后的网络具有更强大的特征融合能力,可提升小目标的检测能力。通过实验结果表明,与原YOLOv5s模型比较,改进后的YOLOv5s平均精度由75.3%提升到77.3%,比原算法的平均精度提高了2%,检测速度由58.14帧/s帧提升到62.89帧/s,提升了4.75帧/s,实现了更准确高效的流体包裹体检测。

关键词： 光场显示   三维显示   立体视觉   图像处理  

摘要： 在过去近120年间,光场显示技术经历了突飞猛进的发展,其能够为观察者提供裸眼的、自然逼真的三维视觉体验,使高质量立体显示变得可能,是未来最有潜力的实用立体显示技术之一。简单介绍了光场显示的基本原理,并根据光线发生和调控器件的不同,分别介绍了集成成像三维显示、光栅型三维显示、投影三维显示、计算多层显示和新型光场重构器件等,回顾了其历史沿革,包括早期的基础理论探索以及近期的技术进展。围绕光场显示的各个技术环节,包括光场采样、光场信息编码及光场三维显示表征和优化等,分别较为详细地介绍了研究进展和最新动态。还讨论了当前光场显示面临的技术挑战和未来的发展方向。光场显示技术是现阶段最有可能实现广泛应用的三维显示技术,具有广阔的发展前景和巨大的应用潜力。

关键词： 不确定机动目标跟踪   概率假设密度滤波器   交互多模型   平移和旋转   纯方位跟踪  

摘要： 现有的多模型-高斯混合-概率假设密度(MM-GM-PHD)滤波器被广泛用于不确定机动目标跟踪,但它不能在不同模型下保持并行的估计,导致各模型的似然值滞后于目标机动。为此,该文提出一种联合多高斯混合概率假设密度(JMGM-PHD)滤波器,并将其用于纯方位多目标跟踪。首先,推导了JMGM模型,其中每个单目标状态估计由一组并行的、带模型概率的高斯函数描述,该状态估计的概率由一个非负的权重来表征。一组权值、模型概率、均值和协方差被统称为JMGM分量。根据贝叶斯规则,推导了JMGM分量的更新方法。然后,利用JMGM模型近似多目标PHD。根据交互式多模型(IMM)规则,推导出JMGM分量的交互、预测和估计方法。将所提JMGM-PHD滤波器应用于纯方位跟踪(BOT)时,针对同时执行平移和旋转的观测站,基于复合函数求导规则推导出一种计算线性化观测矩阵的方法。所提JMGM-PHD滤波器保持了单模型PHD滤波器的形式,但能够自适应地跟踪不确定机动目标。仿真结果表明,JMGM-PHD滤波器克服了似然值滞后于目标机动的问题,在跟踪精度和计算成本方面均优于MM-GM-PHD滤波器。

关键词： 新零售   嵌入式   目标检测   日用商品   YOLOv4-tiny  

摘要： 针对基于移动平台的商品图像检测算法存在硬件要求高、模型复杂且精度低等问题,提出一种YOLOv4-tiny改进网络,减少网络参数与模型尺寸,提高网络精度,构建更高效的网络。将原有标准卷积替换为点卷积与逐深度卷积,特征提取使用CG模块,降低网络模型计算损耗。特征融合时,在原有特征金字塔(Feature Pyramid Networks,FPN)基础上添加PANity模块,缩短高低间卷积层的跨度。使用CSPConcat结构对此前各层融合特征进行特征优化处理,提高各层间特征融合的能力。利用k-prototypes算法优化日用商品数据集先验框的尺寸与数目。通过在darknet深度学习框架下,对日用商品数据集进行实验,得出改进后的算法平均精度(mAP)为98%,召回率为97%,较原网络提升了2.4百分点和2百分点,网络模型计算量较原网络降低了40.4%,模型存储文件缩小了55.9%。改进后的网络模型更轻量化、准确率更高,更加适用于部署在无人结算环节的低硬件水平嵌入式设备中。

关键词： 小目标检测   高架库   跨层融合   对比特征增强   解耦检测头   YOLOv5  

摘要： 针对高架库区场景下安全帽检测中目标特征信息少、分类精度低等问题,提出小目标对比特征增强网络。首先提出快速空间金字塔池化跨层融合模块,减少空间维度上的目标信息丢失。然后提出小目标对比特征增强模块,使用双路并行空洞卷积获取不同感受野,利用通道注意力获取特征图在通道维度上更为精准的特征信息,采用浅层特征图减去深层特征图的方法削弱浅层特征图中大目标信息,以增强小目标特征信息表达。加入高效通道注意力解耦检测头,通过将检测头解耦为分类和回归分支,分别学习目标的语义信息和位置信息。实验结果表明,在TT100K数据集上,所提方法的mAP@0.5比基准网络YOLOv5提高了6.4个百分点,比YOLOv7提高了1.9个百分点。在自建高架库数据集上,所提方法的mAP@0.5相比基准网络提高了4.9个百分点,其中安全帽的mAP@0.5相比基准网络提高了6.9个百分点。

关键词： 计算机视觉   无监督异常检测   特征嵌入   记忆库   语义分割  

摘要： 基于特征嵌入的无监督异常检测方法通常使用patch级特征定位异常。patch级特征在图像级异常检测任务上具有竞争力,但在像素级定位方面存在精度不足的问题。为解决这一问题,提出一种由多尺度记忆库与分割网络组成的像素级异常检测方法 MemAD。首先,通过预训练的特征提取网络对训练集中的正常样本进行特征提取,构建3个尺度下的正样本特征记忆库;其次,在训练分割网络时,计算模拟的伪异常样本特征与记忆库中距离最近的正样本特征的差特征,进一步引导分割网络学习如何定位异常像素。实验结果表明,MemAD在MVTec AD(MVTec Anomaly Detection)数据集上的图像级和像素级接受者操作特征曲线下面积(AUC)分别达到了98.0%和97.4%,优于大多数的现有方法,验证了它在像素级异常定位中的准确性。

关键词： 传统村落   街巷界面   计算机视觉   色彩图谱  

摘要： 色彩承载着传统村落的历史和文化信息,体现了我国传统村落独特的美学意境,街巷作为村落重要的公共空间,其界面能够直观反映村落风貌特色。针对目前传统村落风貌所面临的色彩混乱、品质下降等问题,该文从色彩角度对传统村落街巷界面进行分析,基于Python-OpenCV色彩分析方法,识别传统村落中街巷界面的主色调,并对街巷界面进行色彩协调度和丰富度分析,探索构建北京传统村落的街巷界面色彩评价体系,为传统村落街巷界面色彩调查提供数字化、可比较的色彩分析工具,提出北京传统村落街巷界面的色彩图谱及优化建议。该研究有助于传统村落的价值识别与特色凝练,为北方地区传统村落的保护与发展提供有效的技术支持。

关键词： 疫苗胚蛋   目标检测   YOLOv8   ShuffleNetV2   动态蛇形卷积  

摘要： 胚蛋活性检测对疫苗生产的质量与安全至关重要。传统机器视觉检测方法严重依赖人为设计的特征提取算法,对图像质量和环境条件要求高,检测结果稳定性和容错性差,导致实际检测过程中的通用性受到限制,为克服这种缺陷,该研究提出一种基于改进YOLOv8的疫苗胚蛋活性检测模型。采用自主设计图像采集装置,采集孵化10~11 d的胚蛋图像,通过几何变换、颜色调整、图像增强等方式构建并扩充数据集;采用Shuffle Net V2替换YOLOv8模型的骨干网络,在保持准确率的同时显著减少了计算复杂度,能更好地部署到嵌入式设备中;在YOLOv8颈部网络的卷积层后添加动态蛇形卷积层,通过其自适应地聚焦于细长和迂回的局部结构,准确地捕捉管状结构的性质特征,从而提高胚蛋检测的准确率;使用EIOU(embedding intersection over union)损失函数,用于适应研究中边界框对齐和形状相似的场景,构建了符合试验中胚蛋图像的网络模型,以实现疫苗胚蛋活性快速、无损、批量检测。试验结果表明,改进YOLOv8模型精确率、召回率、平均精度均值(m AP_(50-95))分别达99.2%、98.2%、96.9%,对比原始YOLOv8模型分别提高了2.0、0.3、1.5个百分点,模型计算复杂度与推理时间相较与原模型分别降低60.9%、60.5%。说明此模型可以更好地实现疫苗胚蛋活性无损检测,为自动化批量检测提供理论依据。