关键词： 目标检测   偏振图像融合   雾天天气   YOLOv8   MixSPPF   Multi-scale Module  

摘要： 雾天天气下,车辆和行人目标的准确检测对汽车自动驾驶非常重要。首先通过偏振成像装置采集了0°、45°、90°和135°角度的偏振图像,并通过3种不同的融合方式构建了I04590、stokes和pauli图像数据集。提出一种改进YOLOv8的目标检测算法以提高雾天偏振图像中汽车和行人两类目标的检测准确率。提出一种基于混合池化的MixSPPF结构,改善了原有SPPF结构对全局信息的提取能力;然后基于不同大小的卷积设计了Multiscale Module模块并结合Coordinate Attention注意力机制增强了对空间信息和通道信息的提取。实验结果表明,提出的改进YOLOv8算法获得的全类平均准确率P_(A)@0.5和P_(A)@0.5:0.95分别达到了83.4%和39.3%,比初始YOLOv8算法分别提升了1.6%和0.9%。

关键词： 小目标检测   多尺度局部卷积特征关联   局部卷积注意力关联   互注意力特征重构  

摘要： 随着信息化时代的发展,数字技术广泛应用在军事领域。目标检测是武器系统的核心功能,是影响战争局势的重要因素,在侦察、预警及监视等方面具有重要的作用。然而当今目标检测领域主要存在四个问题:小目标检测、小样本检测、检测实时性和遮挡目标检测,小目标检测更是其中的重点和难点。小目标一般只占有几十甚至几个像素,传统检测算法难以依据先验知识,构建适当的特征提取模型并取得精确的检测结果。深度学习检测算法在特征提取时容易丢失特征信息,在复杂多变的应用场景下,容易混淆目标特征与背景噪声。此外,当前的小目标检测算法存在小目标语义特征利用不充分、小目标空间特征不突出等问题。算法检测准确率较低,存在大量漏检和误检现象。针对上述问题,本文提出了一种基于多尺度局部卷积特征关联(Multi-scale Local Convolutional Feature Association,MLCFA)机制的小目标检测算法。MLCFA的核心部分包含局部卷积注意力关联(Local Convolutional Attention Association,LCAA)模块和互注意力特征重构(Cross Attention Feature Reconstruction,CAFR)模块。LCAA模块对特征融合网络得到的多尺度特征图提取特征相关性,并加强小目标内部像素之间的联系,抑制背景噪声的同时突出小目标空间特征的统一性,提高复杂背景下的检测鲁棒性。CAFR模块通过自注意力机制得到100个查询向量,并结合LCAA得到的关联特征序列进行全局特征重构,通过全连接网络得到目标检测信息,一定程度上解决了小目标边界框扰动以及特征缺失的问题。在TinyPerson数据集上的对比实验表明,搭载MLCFA的网络模型与RetinaNet等算法相比,对两类目标检测的F1-Score分别提升了19.81%和11.88%,大幅度提高了小目标检测性能,证明了MLCFA模块的有效性。此外通过收敛速度实验表明,MLAFC只需要50个epoch即可具备良好的检测性能,模型推理较快,具有一定的模型迁移能力。

关键词： 行人检测   目标检测   SSD   GhostModule  

摘要： 拥挤行人检测是目前小目标检测领域的研究热点,针对拥挤行人检测场景中人物密集以及遮挡造成的漏检问题,提出一种改进SSD(single shot multi-box detector)目标检测算法。将浅层Vgg(visual geometry group)网络平原结构使用多分支细化联合归一化(batch normalization,BN)操作增加分支结构,并重命名为多分支细化(multibranch thinning)网络结构,使其可以细化浅层语义信息,提高网络泛化能力,充分表达行人信息;将改进后的Ghost模型替换多分支细化网络中的3×3卷积,利用Ghost模型中cheap_operation卷积降低因多分支结构增加的模型参数量,使用primary_conv提升浅层网络的特征提取能力,加强网络识别能力;使用二范式取代差值平方的形式改进Huber损失函数,增强网络训练的稳定性,使其达到较优的收敛效果。在Wider_Person拥挤行人检测数据集上的检测结果表明,提出的改进SSD目标检测算法MAP50达到72.9%,领先YOLO-X算法7.4个百分点,领先基线算法3.5个百分点,领先其他先进算法平均14.4个百分点,验证了该算法在行人检测中的可行性,满足遮挡行人场景的检测要求。

关键词： 深度学习   Faster-Rcnn-Fpn算法   口吃   目标检测   语谱图识别  

摘要： 目前国内对口吃的检测主要是通过语言专家的主观测评,缺少智能且客观的口吃严重程度检测的医疗辅助工具。针对这一现象,论文基于UClass口吃语料库测评儿童口吃的严重程度,使用Faster-Rcnn-Fpn深度学习算法对语谱图进行检测。实验结果表明,该模型能有效检测口吃的语音重复,延长和感叹词类型,并根据其持续时间以计算出语言效率评分(SES)来表示口吃的严重程度,有望成为计算和分析口吃严重程度的医疗辅助工具,便于尽早发现儿童口吃障碍,有助于儿童身心健康发展。

关键词： 深度学习   目标检测   噪声过滤   多尺度特征融合   边界框回归优化   注意力机制   差值注意力  

摘要： 针对RetinaNet特征金字塔存在噪声、特征融合不充分、融合时信息损失以及边界框回归不够准确、训练样本质量不平衡的问题,提出一种基于改进的RetinaNet目标检测算法。在特征提取模块中加入注意力模块对噪声过滤,将提出的基于差值注意力的多尺度特征融合模块添加到特征提取模块中,以充分融合特征并增强损失信息。将RetinaNet的损失函数替换为CIoU Loss,引入IoU作为加权系数,使模型向真实框与预测框重叠面积更高的方向优化,提升回归的准确性与速度,提高高质量样本的贡献值。实验结果表明,改进后的平均检测精度提高了1.8%。

关键词： 港航   多视图聚类   图像处理  

摘要： 目前,利用AI技术提高人员工作效率已在各行各业得到普遍应用,但是内河由于船型标准化低、监测设备安装条件恶劣等,导致视频图形算法的应用水平较低,也降低了相关系统使用的便捷性。针对视图信息的缺失使得信息处理易受干扰的问题,进行分析研究。在济宁智慧港航图处理算法中采用多视图聚类技术,构建一套基于不完备多视图聚类的图处理算法框架。该算法的搭建有效提高了航道视频AI识别的应用水平,提高了识别的准确性和高效性。同时,由于系统架构优良的可扩展性和开放性,也为基于此框架解决更多水运监管业务提供了基础性的技术开发思路。

关键词： 计算机视觉   农业应用   物联网   大数据分析前言  

摘要： 计算机视觉和网络技术在农业领域的应用正日益普及。从作物监测到自动化采摘,这些先进技术正在改变着农业生产的模式。通过计算机视觉技术,农民可以实时监测作物的生长状况,及时发现并应对病虫害,从而提高作物的产量和品质。同时,网络技术的运用使农业设备能够实现远程监控和智能控制,实现农业生产的自动化和智能化。在自动化采摘方面,计算机视觉技术能够准确识别成熟的水果或蔬菜,协同机器人实现自动采摘,提高采摘效率,降低人力成本。总的来说,计算机视觉和网络技术的应用为农业生产带来了更高效、更智能的解决方案,为农民提供了更多的生产选择和发展机会。这些技术的不断发展将进一步推动农业现代化,助力农业产业的可持续发展。

关键词： 目标检测   雷视融合   多尺度融合   卷积注意力模块   YOLOv5  

摘要： 针对变电站安全监控场景下的行人识别,纯视觉传感器目标检测极易受到光照条件和物体遮挡的影响,存在误检和精度不高等问题,主流雷达视觉融合目标检测网络存在实时性差、精度低的问题,提出了一种以YOLOv5作为主干网络的多尺度雷视融合目标检测算法,实验结果显示该算法在平均精度均值(mean Average Precision,mAP)0.5:0.95和帧率(Frames Per Second,FPS)上均显著优于其他主流目标检测算法。在YOLOv5结构上,额外增添了一条毫米波雷达点云多尺度特征融合分支。雷达点云RGB图像首先通过通道压缩(Channel Block Squeeze,CBS)、跨阶局部网络(Cross Stage Partial Network,CSP)模块提取特征之后,继续通过卷积注意力模块(Convolutional Block Attention Module,CBAM)和最大池化层对雷达点云信息进行不同层次的特征提取,使用空间注意力融合模块的改进对雷达点云特征和视觉特征进行3次多尺度特征融合。实验分析表明,所提算法mAP0.5:0.95比原始YOLOv5网络有显著提升,FPS也远优于目前主流雷视融合算法。

关键词： 数字图像处理   优化算法   图像去噪   边缘检测   图像增强  

摘要： 随着图像处理技术的不断发展,如何提高图像处理的效率和质量成为研究的重点。文章探讨了一种基于优化算法的数字图像处理技术,通过对图像去噪、边缘检测、图像增强等关键技术进行优化,增强了图像处理的效果。研究结果表明,改进后的算法能够在保证图像质量的同时,显著减少处理时间。

关键词： 无人机测绘   高精度   计算机视觉   图像处理   飞行规划  

摘要： 时下流行的无人机航测技术,其观测能力优越且成本相对较低,故得以在诸多领域如城市规划、环境监测等崛起。本研究着重探讨了无人机在高精度测绘上的优势,困境及挑战。运用颇为先进的计算机视觉与图像处理技术,钻研了如何精确地对无人机影像进行处理,进而提高其测绘精度。此外,还深究了如何通过改良无人机的航线及摄像头参数等细节,以增进测绘质量和飞行效率。本文就无人机高精度测绘之理论与实践进行了较全面的剖析,意在为该技术在测绘领域的应用献上有益良策。研究结果表明,通过合理的无人机飞行规划和精细的影像处理,不仅可以显著提高测绘精度,且在保证测绘质量的同时,能有效降低成本,提升测绘效率。因此,无人机测绘在未来有着广阔的发展前景和实际应用价值。