关键词： 小目标检测   主干网络   上下文   特征交互  

摘要： 无人机航拍图像内,小目标像素少、细节模糊且特征易丢失,现有算法对小目标检测效果不够理想。为此,提出一种基于上下文与特征交互的小目标检测算法。首先,采用ConvNeXt新一代卷积网络以增强特征表达能力;其次,设计稠密式信息增强模块(Dense Information Enhancement Module,DIEM)提取上下文信息;最后,提出特征交互单元(Feature Interaction Unit,FIU)促进浅层和深层特征的信息交互。检测结果显示,模型精度mAP50达到45.9%,相较于基线提升了6.0%,减少了错检漏检现象。

关键词： 目标跟踪算法   TLD算法   KCF算法  

摘要： 运动目标跟踪是计算机视觉领域的热点,被广泛运用于交通道路、商场监控、农业生产、国防军事等诸多场景。在复杂的环境下保持运动目标追踪的稳定性与精准度是目前研究人员关注的焦点。在运动目标跟踪算法中,TLD算法性能良好,可进行长时间的有效跟踪,但存在一定局限性,如易被干扰、处理速度较慢等。本文提出一种优化的运动目标跟踪算法,主要是借助KCF算法优化TLD算法的跟踪器,而后结合原有的检测器与学习模块生成新算法。经实验证实,与原来的算法相比,优化后的运动目标跟踪算法在跟踪精确度、处理速度方面均有了明显的提升。

关键词： 目标检测   自动驾驶   红外图像   轻量化  

摘要： 针对红外图像目标检测存在计算量较大、泛化能力弱、检测效果差等问题,提出一种轻量化夜间行车红外图像目标检测算法。算法首先引入Ghost结构作为主干网络,降低模型计算量。然后,在颈部引入BIFPN结构(bidirectional feature pyramid network)和CA注意力机制(coordinate attention),提高模型检测效果。最后使用Focal-EIOU和Mish函数作为算法的损失函数和激活函数,提高收敛速度和回归精度。实验结果显示:改进算法较YOLOv3-tiny各方面均有明显提升,与YOLOv5相比,精度提升至88.9%,模型体积压缩24.09%,参数量减小25.07%,计算量减小28.48%,提高了person和bicycle两个类别的检测精度,实现了检测精度和模型复杂度的平衡。

关键词： Cinema 4D   AI图像处理   三维平面设计  

摘要： Cinema 4D是一款产出3D图像风格效率较高的软件。在视觉平面设计上,可辅助设计所需的3D图像,平面设计师可以直接通过Cinema 4D(简称C4D)设计三维海报、包装展示、店铺展台视觉效果等。除此之外,部分设计还需要结合二维设计,例如产品海报设计,运用C4D建立模型是为了保证产品图像输出准确,而后期的二维设计,是为了烘托产品海报氛围,这一步亦可采用AI智能图像处理进行,两者需里应外合,这种方法可使产品不被AI的随机性所局限,还可提高设计的效率。

关键词： 柑橘   果园环境   目标检测   小目标   CBAM   Ghost   SimSPPF  

摘要： 为了实现柑橘采摘的智能化,果园环境中对柑橘快速而精准的识别成为关键.针对现有目标检测算法对环境的适应缺陷和效率低下的问题,提出一种基于YOLOv8n模型的轻量化柑橘成熟度检测算法YOLOv8n-CMD(YOLOv8n citrus maturity detection).首先,优化backbone网络结构,提高小目标检测能力;其次,添加CBAM注意力机制,改善模型分类效果;然后,引入Ghost卷积,将YOLOv8原模型中的颈部C2f模块与Ghost结合,减少计算量和参数量;最后使用SimSPPF模块代替原网络金字塔池化层,提高模型检测效率.实验结果表明:YOLOv8n-CMD算法相较于原模型的模型参数量和计算量分别减少了31.8%和7.4%,精准度提高了3.0%,更适合果园环境下的柑橘检测研究.

关键词： 目标检测   双模态   特征融合   梯度算子   注意力机制  

摘要： 红外与可见光图像具有很好的互补特性,可以利用这2种模态图像的融合来适应自动驾驶等领域对于目标检测高精度和高鲁棒性的要求。现有多模态目标检测算法往往模型庞大,推理耗时长,无法在边缘设备上部署,而采用直接融合等方法又无法充分发挥不同模态的优势,因此提出了一种基于梯度算子和注意力机制的融合目标检测算法。引入梯度算子设计定制化卷积来捕获图像纹理;红外支路引入坐标注意力发挥其目标定位优势;引入权重生成网络对2个模态的特征进行自适应加权融合。算法结构模块化,轻量化,适合部署在边缘设备上。在数据集上实验,得到mAP@0.50和mAP@0.5∶0.95指标值比可见光单模态检测提升了6.3%和7.2%,比红外提升了11.3%和9.8%。推理帧率可达22.7,满足实时性要求。

关键词： 纯方位多目标跟踪   多传感器   势平衡多伯努利滤波   伪线性卡尔曼滤波   贪婪算法  

摘要： 被动传感器不主动发射信号,通常仅获得目标的角度量测信息,无法获得径向距离信息,这种仅利用角度量测信息对多目标跟踪的方法称为纯方位多目标跟踪。实际应用中,纯方位多目标跟踪面临三个主要问题:一是由于被动传感器只获取目标的角度量测,导致量测信息不完备;二是量测方程存在高度非线性;三是由于传感器可能接收到杂波等非目标产生的量测,导致量测源不确定。针对上述问题,本文提出一种多传感器贪婪伪线性粒子势平衡多伯努利滤波。首先采用Rao-Blackwell理论将混合目标状态向量分解,将与量测值相关的位置分量视为非线性分量,而与量测值无关的速度分量视为线性分量,并分别采用粒子滤波器(Particle Filter,PF)和卡尔曼滤波器(Kalman Filter,KF)进行处理,从而有效降低粒子滤波采样维度。其次,针对传统粒子采样严重依赖模型的问题,基于伪线性卡尔曼滤波器(Pseudo-linear Kalman Filter,PLKF)设计一种新型粒子采样方法,即利用PLKF和最新量测信息构造重要性密度函数,并对非线性分量进行粒子采样;在更新阶段采用贪婪量测划分策略选取最优量测集合,并利用最优量测集合中量测信息实现多目标状态集中式融合估计。最后,通过仿真结果验证,本文所提滤波器能在杂波环境中仅利用角度量测对目标进行有效稳定的跟踪,相较于对比方法,所提滤波器能够更为准确估计目标数量和状态。

关键词： 无人机   目标跟踪   深度学习   研究进展   实验评估  

摘要： 无人机因其体积小,移动灵活等特点,常用于目标跟踪场景上,同时随着人工智能的迅速发展,越来越多的深度学习算法应用于无人机跟踪上。该文着力于探索近年无人机跟踪中所使用的算法,通过分析归纳出各种算法的特点并进行分类,通过实验分析比较各种算法的优缺点。把常用的无人机跟踪算法分为四类,分别为基于判别相关滤波的目标跟踪算法、基于孪生网络的目标跟踪算法,判别式预测模型和基于Transformer的目标跟踪算法。首先通过分析各种算法的共同点而得出它们的基础框架;然后通过举例分析近年来的代表性算法以回顾其发展,并对各算法的特点进行分析;最后使用四个无人机数据集进行算法评估。根据评估结果提出未来研究方向,得出不仅要保证算法同时具有较高的跟踪精度和跟踪速度,而且还要加强算法的鲁棒性以应对无人机跟踪场景中的挑战。

关键词： 小目标检测   YOLOv8   特征提取   注意力机制   损失函数  

摘要： 针对目标检测算法在无人机视角下的小目标检测中精度低的问题,通过改进YOLOv8的骨干网络与注意力机制,提出一种新的小目标检测算法SFM-YOLOv8。首先,在骨干网络中融入适用于低分辨率图像和小物体检测的空间深度转换卷积(SPDConv),保留判别特征信息,提高小目标感知能力;其次,插入多分支注意力MCA(Multiple Coordinate Attention),加强提取特征层的空间信息和通道信息;然后,构建一种融合FasterNet和高效多尺度注意力(EMA)的卷积FE-C2f,减少计算量并使模型轻量化;此外,引入边界框相似度比较度量(MPDIoU)损失函数提高算法精度;最后,在YOLOv8n的网络结构中增加小目标检测层,保留更多关于小目标的位置信息和细节特征。实验结果表明,与YOLOv8n相比,SFM-YOLOv8算法在VisDrone-DET2019数据集上的平均精度均值mAP_(50)提高了4.37个百分点,参数量减少了5.98%;与相关主流模型对比,精度也有所提升,且满足实时检测需求。

关键词： 农业病虫害   目标检测   轻量级模型   注意力机制  

摘要： 针对模型对复杂场景下农作物病虫害的识别精度低、模型参数量大的问题,本研究对轻量级YOLOv5n模型进行改进。首先,在YOLOv5n模型的骨干网络中加入坐标注意力模块,使模型关注检测目标及其位置,减少复杂背景对模型的影响。其次,引入加权的双向特征融合金字塔网络(BiFPN),减少小目标信息丢失,提高了模型的特征学习能力。最后,用损失函数SIoU代替损失函数CIoU,在不改变模型参数量的情况下,提升了目标检测精度。在无人机采集到的玉米病虫害数据集上,本研究提出的AgriPest-YOLOv5n模型的mAP@0.50达81.32%,在Jetson Xavier开发板上检测速度达到77 FPS,模型大小为1.63 MB。改进后的YOLOv5n模型能够满足轻量化的要求,能够实时、准确地识别复杂背景下的农作物病虫害,本研究结果可为病虫害精准防治提供技术支持。