关键词： 多目标跟踪   联合检测嵌入   一步式在线跟踪   数据关联  

摘要： 针对基于联合检测嵌入范式的多目标跟踪方法中,检测与re-ID任务间冲突导致系统性能劣化的问题,首先设计一种用于富集多层语义信息并能针对不同分支倾向重构特征图的网络,有效缓解检测与re-ID分支在优化中对特征信息需求的恶性竞争;其次采用一种强化的关联策略,该策略将检测信息更深入地引入到关联流程中,旨在为更多检测结果提供关联机会,同时抑制环境干扰在关联中带来的长期损害,有效降低关联过程中误关联和漏关联的发生.实验结果表明,所提出的方法相对于当前的先进方法展现了强大的潜力,在MOT17测试集上取得了75.7%MOTA、73.4%IDF1及60.0%HOTA的性能.

关键词： 道路裂缝   目标检测   YOLOv8   轻量化  

摘要： 道路裂缝是主要的路面病害之一,及时、有效地检测道路裂缝对路面养护和管理非常重要。为减少模型参数量,提高推理速度,提出一种基于YOLOv8改进的轻量化道路裂缝检测模型。该模型通过在YOLOv8网络中的Neck层嵌入轻量化模块FasterNet,减少冗余计算和内存访问的同时,可以更有效的提取空间特征。在自制道路裂缝数据集上进行实验验证算法的检测效果,实验结果表明,改进后的模型可大幅减少模型参数和计算量,而且Recall和MAP均有一定程度的提升,在保证路面裂缝检测精度的同时也便于在嵌入式设备中部署。

关键词： 钢结构   表面锈蚀   损伤检测   计算机视觉   滑动窗口法  

摘要： 针对钢结构表面锈蚀损伤,传统的人工检测方法耗时、费力,且受检测人员技术水平限制。计算机视觉技术为钢结构表面锈蚀的检测和分类提供了一种快速准确的替代方法。目前常用的锈蚀程度检测技术多基于卷积神经网络结构,由于网络结构自身的缺陷,在进行锈蚀程度分类时存在忽略图像中部分锈蚀特征的问题,导致错误的检测结果。为此,提出了一种基于Vision Transformer网络结构的钢结构表面锈蚀程度识别方法,通过引入自注意力机制(SA)在进行特征提取的过程中保证数据的完整性,并在自建的锈蚀程度图像数据集上进行验证,该方法对锈蚀程度的分类准确率可达到90%。此外,还提出一种基于滑动窗口法的钢结构表面锈蚀程度检测方法,对待检测的钢结构图像进行切割,利用训练好的网络结构进行锈蚀程度检测,将检测后的图像重新拼接,实现钢结构表面锈蚀程度的可视化。

关键词： 无人机   小目标检测   多尺度卷积   动态上采样   正样本分配  

摘要： 针对无人机航拍图像中目标尺寸变化大、相互遮挡等原因导致的目标误检漏检问题,以YOLOv8s为基础,提出了一种融合多尺度特征的轻量级目标检测算法。在主干网络中利用轻量级多尺度卷积EMSC替换C2f模块中的Bottleneck,增强多尺度特征表达能力;颈部网络中引入轻量级上采样算子Dysample,捕捉图像细微特征;优化Task Aligned Assigner超参数,解决训练过程中样本不平衡问题。最后,设计系统可视化界面,借助可视化界面完成对航拍目标的检测。在数据集VisDrone2019上的仿真表明,该算法精准率和召回率较基准算法分别提升了2.4%和3.3%,mAP 0.5提升了3.5%,有效提高了航拍目标检测效果。在UAVDT数据集上进行模型泛化性实验验证,效果优于其他经典算法。

关键词： 极化SAR   遥感   地物分类   多源信息融合   特征提取   机器学习   目标检测   散射特性  

摘要： 作为遥感信息提取和分析的重要环节,遥感影像地物分类一直是相关研究领域的热点之一。由于地面目标特性的复杂性和遥感成像手段的多样性,遥感影像的准确分类有赖于对影像特点的深入理解及地物先验知识的充分利用。近些年来,随着合成孔径雷达SAR (Synthetic Aperture Radar),特别是极化SAR技术的进步,SAR遥感地物分类领域的研究有了显著发展。本文旨在对极化SAR遥感地物分类的研究进展进行综述。在介绍SAR遥感基本理论,星载SAR主要数据源的基础上,介绍基于极化分解的分类方法,基于经典机器学习的极化SAR地物分类方法,基于深度学习的极化SAR地物分类方法,融合光学和SAR影像的遥感地物分类方法以及基于紧缩极化SAR的地物分类。然后,介绍极化SAR在海面溢油探测、舰船检测、海岸线提取、土地利用分类、海冰和冰盖分类等地物分类任务上的研究进展。最后,对极化SAR地物分类研究的未来发展进行展望。

关键词： 海上目标   深度学习   深度监督   多尺度卷积   通道注意力机制  

摘要： 针对海上目标姿态复杂且尺度多变,导致现有人工智能算法难以稳定检测的问题,提出一种融合深度监督与改进YOLOv8的海上目标检测算法.首先,设计了多尺度卷积模块,提取目标多种感受野的特征信息,减少漏检率;然后,添加深度监督网络,提高网络对深层类别信息及浅层位置信息的利用率,优化主干网络的目标特征提取性能;最后,在网络检测头部分引入通道注意力机制,过滤无关信息,增强对关键特征的识别率.在海上目标数据集中的实验结果表明,改进算法的mAP值达到93.69%,召回率达到85.16%,相比原模型分别提高了7.38、8.52个百分点,且优于对比的经典算法和新颖算法,检测时间约14 ms,满足海上实时目标检测需求,可为航运管理、预防海上事故等提供有效技术参考.

关键词： 未爆子弹药   图像数据集   深度学习   三维重建   图像处理  

摘要： 随着计算机技术和机器视觉技术的迅速发展与应用,探索基于“人工智能+”模型的未爆子弹药搜寻技术受到了广泛关注。但是,由于未爆子弹药具有一定的危险性和受军事应用的特殊性影响,数据集构建是目前亟待解决的瓶颈问题。本文由此出发,分别论述了真实实物图像数据集和利用实物图片进行三维重建数据集的构建方法及流程,重点分析了两种数据集构建过程中的相关关键技术及其优缺点,并给出了一种利用多目相机采集目标图像和地理坐标信息,然后利用深度学习算法进行目标特征提取、生成三维点云和融合三维图像。试验结果表明,采用该方法构建的三维数据集可以有效解决未爆子弹药现有数据集数据量不足的问题,最后展望了数据集构建方法的未来发展方向。

关键词： 自然语言处理   人工智能   计算机视觉   图像识别   文本生成   语言理解   深度学习   语言模型  

摘要： 近年来,人工智能技术取得了飞速发展,基于深度学习的人工智能模型在计算机视觉、自然语言处理、语音等领域实现了重大突破。特别是图像识别等方面,在某些任务中人工智能已经超越了人类的水平。这些技术已经广泛应用于工业界及日常生活中。2022年11月,以ChatGPT为代表的大语言模型诞生,展示了惊人的语言理解和文本生成能力。

关键词： 目标检测   小目标   YOLOv7   损失函数   注意力机制  

摘要： 针对在遥感图像中进行小目标检测时,由于目标尺寸小、视觉信息不明显以及背景复杂多变等因素,导致传统的检测方法在精度和鲁棒性方面存在局限性,容易造成漏检、误检的问题,文章提出了一种改进YOLOv7的目标检测算法,采用SIoU作为损失函数,改善目标检测框的定位精度,从而提高检测的准确性和鲁棒性。同时,通过将CNeB模块应用于特征融合过程,增强了特征之间的空间交互能力,进一步提升了小目标的检测性能。此外,为了更好地捕捉遥感图像中小目标的细节特征,利用CA注意力机制,设计了MPCA模块,实现了对特征图的自适应调整,以提高表征能力。在实验部分,使用了经典的遥感图像数据集进行了大量的实验评估。实验结果表明,所提出的基于SIoU、CNeB模块和CA注意力机制的改进方法在RSOD数据集上四分类均值平均精度达到了96.8%,比原版YOLOv7提升了2.5%,有效提高了遥感图像小目标检测精度。

关键词： 深度学习   目标检测   卷积神经网络   红外图像  

摘要： 为解决传统的目标检测与识别方法在复杂战场环境中的限制,本文提出了一种基于深度卷积神经网络(CNN)的方法,用于提取图像特征和定位目标。该方法综合考虑了传统的形状和纹理特征以及红外图像中的热点信息,通过大规模标注数据集的训练和反向传播算法的优化,提高了目标检测和识别的准确性。相比于传统方法,该方法能够自动学习图像中的特征表示,无需依赖手工设计的特征和分类器。为了验证算法的有效性,本文选用海思Hi3559AV100作为核心处理芯片设计硬件平台,通过将算法移植到该平台上,对收集到的数据样本进行分析测试,实验结果表明,该系统在复杂的背景环境中表现出相对稳定的性能,能够可靠地进行目标检测和识别。