关键词： YOLOv8   水下人体声呐图像   轻量化模型   剪枝方法  

摘要： YOLOv8作为经典的单阶段目标检测算法,在颈部层能高效融合上下文信息,但面向水下人体边缘不连续的声呐图像目标检测还存在模型参数冗余、计算复杂度高的问题,不能满足端到端的工业部署要求。针对以上问题,本文在YOLOv8原网络结构中引入“约束训练+剪枝+回调训练”策略,在保证检测精度的同时,减少模型大小和计算负载。实验结果表明,改进后的算法和原YOLOv8n模型相比,模型计算量、层数、参数量和尺寸分别减小40.45%、25.33%、59.75%和18.46%,m AP@0.5几乎不变,mAP@0.5∶0.95提高了3.24%。

关键词： 遥感图像   车辆目标检测   YOLOv5s   自注意力机制   轻量化上采样算子   损失函数  

摘要： 遥感影像在目标检测领域被广泛应用,在车辆目标检测方面,由于遥感图像自身背景复杂、车辆目标小且密集等特点,现有目标检测方法常面临检测效果不佳以及漏检误检等问题。该文针对性地提出了一种改进YOLOv5s的目标检测方法。引入了带有位置信息编码的自注意力机制,强化对同一尺度内特征信息的融合,在网络高层采用MobileViT处理更抽象的特征,高效捕捉复杂的上下文信息,进一步增强了对小目标的识别能力,解决了小目标漏检问题;应用轻量级上采样算子来降低模型复杂度;另外,应用ShapeIoU损失函数,使该模型更加关注边界框的形状和尺度以便提高检测精度。在遥感车辆数据集COWC进行了完整实验,实验表明改进后的模型各项指标均有提升,准确率提高了0.3百分点,召回率提高了1百分点,mAP提高了0.8百分点。

关键词： 三维目标检测   卷积神经网络   注意力机制   BEV特征  

摘要： 针对多模态信息在三维空间融合过程中数据一致性和有效性的问题,提出鸟瞰视角(BEV)下图像与雷达融合的编码模块BEVIRF.与传统的透视视角下深度信息缺失的方案相比,本方法利用可变注意力的改进方案聚合图像和雷达信息,解决不同模态信息的统一表示问题,生成语义丰富且包含空间位置信息BEV特征图.同时在基于Transformer的网络结构中提出动态位置编码,旨在通过感知物体的空间信息来生成对应的位置编码,让模型专注于目标的回归,减少查询与匹配的不稳定性.所提出的方案在nuScenes数据集上取得了优秀结果.

关键词： 图像处理   FPGA   拉格朗日插值算法   曲线拟合   XC7A35TFTG256  

摘要： 基于FPGA硬件平台的激光线扫描相机采集投射至被测物体表面的线状激光光束图像后,通过中心点法提取出激光线二维像素坐标,重构被测物体平行光轴端面轮廓空间坐标。针对该系统因设备和环境等因素造成的激光线图像非连续问题,本文提出一种基于FPGA的拉格朗日插值算法设计,完成了不连续激光线像素坐标曲线拟合。该算法包含浮点数的加、减、乘、除、比较、顺序循环控制等子模块,充分利用FPGA并行处理能力实现对图像算法的加速处理,相较于线性插值法其拟合精度更高。实验结果表明,该模块运算时间为7.945μs,运算速度是8核64位计算机的76倍,保证了系统的实时性,且实现了高精度的拟合,增强了系统的稳定性。

关键词： 番茄   YOLOv5   数据增强   目标检测   注意力机制  

摘要： 为提高番茄果实成熟度的识别精度,实现番茄种植环节成熟度在线无损自动检测,本研究提出一种基于改进YOLOv5的番茄成熟度检测方法。针对番茄果实间因藤蔓、叶片的遮挡以及光照干扰而导致的识别误差、图像中小目标番茄检测难等问题,在YOLOv5算法的骨干网络Backbone中增加ECA高效通道注意力模块,将Neck结构中PAFPN替换为具有双向加权融合能力的Bi FPN,在Head结构中添加小目标检测模块,通过消融试验获取最优改进算法YOLOv5-tomatoA。结果表明:相对于YOLOv3-Tiny、SSD300和Faster R-CNN目标检测网络,YOLOv5-tomatoA算法在遮挡和光照不均等复杂场景下,平均精度均值和F1得分分别达到97.4%和95.4%,图像识别仅需14.7ms,能同时满足高精度和快速响应的番茄果实识别需求。改进后的YOLOv5网络结构优化了内存占比和资源消耗,仅占用15.9M,模型更加轻量化,对实现番茄成熟度的在线无损检测具备一定的实用价值,该技术也可用于番茄自动采摘机器人设计中。

关键词： SSD   目标检测   特征融合   注意力机制   数据增强  

摘要： 死鱼对于水域生态和饮水安全存在巨大威胁,由于水面环境复杂,导致现有目标检测算法在死鱼检测任务中存在漏检、误检等情况。为此,以单次多边框检测(single shot multibox detector,SSD)为基础提出一种基于多尺度特征融合和注意力机制的水面死鱼检测方法FFA-SSD(SSD with feature fusion and attention)。首先,采用计算量和参数量更少且特征提取能力更强的残差网络ResNet50替换VGG16主干网络;其次,设计了多尺度特征融合模块,增强浅层特征和高层语义信息的融合;然后,引入通道注意力机制,抑制特征融合带来的冗余信息干扰,提升网络对目标的关注度;最后,设计了一种适用于小目标检测的数据增强算法,扩充训练数据中的小目标数量,丰富训练背景。实验结果表明,同现有目标检测算法相比,FFA-SSD算法可以更好地识别水面死鱼,检测精度达到93.5%。

关键词： 目标检测   密集人群   YOLOv5   注意力机制  

摘要： 在地震、火灾、恐怖袭击等事件发生后,需要通过目标检测算法实时协助进行人员疏散和监管。但是由于人群姿态复杂,同时存在遮挡和密集分布等因素,算法精确度不足。因此本文提出一种改进的密集人群目标检测算法,在YOLOv5的基础上分别对骨干网和Neck进行改进,引入了CBAM(Convolutional Block Attention Module)注意力机制和双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN),从而提升算法对特征信息提取能力,提高目标检测的准确性。最终通过与主流算法对比,证明改进后的算法参数量仅为7.12M、计算量为16.1GFLOPs,mAP@50高达41.7%。通过消融实验,证明在整体类别上精确率和mAP@50提高了17.4%、2.4%,密集人群的精确率达到41.2%,均达到了最优,为应急救援和管理提供了理论依据和数据支持。

关键词： 智能计算   深度学习   超参数优化  

摘要： 针对目标检测模型中超参数优化问题,以RetinaNet为例,提出了使用遗传算法来优化Focal Loss的焦点参数和平衡参数,通过实验,焦点参数和平衡参数的最优值分别被确定为1.7和0.6。优化后的模型在实验中表现出显著的性能提升,平均精度从34.0%提高至37.3%。实验结果不仅凸显了遗传算法在超参数优化方面的高效性,也证明了智能计算方法在提高深度学习模型性能上的重要潜力。

关键词： 宏观与精细指标   组合权重   数据关联   软硬决策  

摘要： 针对目前雷达多目标跟踪的评估指标单一化、只能对特定类型关联算法进行评估和单一权重计算导致评估偏差等问题,本文提出了基于宏观和精细的多维度指标体系并结合主客观组合权重,构建雷达多目标跟踪评估模型。首先,分别从多目标跟踪的航迹整体维度与航迹中点迹的精细变化角度入手,提出宏观与精细两类指标对目标跟踪结果进行多维度的分析;然后,针对不同的数据关联方式采用软硬两种决策来对目标与实际航迹进行匹配并计算各指标值;最后,分别通过G1序列法和CRITIC法计算指标的主客观权重,再通过最小二乘法将主客观权重融合为组合权重,将其代入优化模型得到最终的多目标跟踪评估结果。实验结果表明,该模型可以在稀疏、密集等多目标复杂运动场景下对多目标跟踪做出灵活全面的评估。

关键词： 人脸识别   人脸跟踪   复杂场景   YOLOv8   DeepSort   GIoU  

摘要： 为解决在复杂场景下传统算法对人脸的识别和跟踪精度低的问题,文中提出一种面向复杂场景的人脸识别与目标跟踪算法FaceNet。该算法由人脸识别与人脸跟踪两部分组成。在人脸识别方面,基于YOLOv8提出一种改进的人脸识别算法FaceD-YOLOv8,提高了识别准确率。再以DeepSort为基础,提出一种改进人脸跟踪算法FaceT-DeepSort,实现对人脸目标连续准确的跟踪。在公开数据集上进行的对比实验结果表明,与主流的传统方法相比,所提FaceD-YOLOv8算法人脸识别的mAP值提高3.5%,FaceT-DeepSort算法的人脸目标跟踪精度(TP)值提高9.1%。证明所提方法具有良好的综合性能,能够满足工程应用的需要。