关键词： 目标检测   无人机   双目视觉   深度学习   入侵检测  

摘要： 针对现有的基于深度学习的目标检测方法在面对现实场景的无人机目标时,存在鲁棒性差、准确率低、模型复杂度高的问题,提出一种基于动态卷积的YOLO目标检测方法——OD-YOLO。该算法针对无人机目标低、慢、小的特点,采取了以下改进措施:首先针对下采样过程可能导致学习信息丢失和目标信息不突出的问题,提出空间到深度卷积来实现下采样过程,不丢失学习信息的同时突出无人机目标的特征;其次为了进一步提高目标检测的精度和对不同背景的泛化性,采用全维度动态卷积进一步提高目标检测的精度和对不同背景的泛化性;最后对模型骨干网络进行改进,增强无人机目标的语义特征,并缩减骨架大小,减少参数量,既提高模型的计算效率,又保持对无人机目标的有效表示能力。通过实验仿真,对比了OD-YOLO和当前先进的目标检测算法。结果表明,OD-YOLO在精度和轻量化方面都有显著提升。mAP和Recall分别相比原模型提高了3.4%和5.1%。

关键词： 机器视觉   低照度   目标检测   轻量级算法   YOLOv7  

摘要： 低照度目标检测是目标检测任务中常见的挑战之一。通用的目标检测方法在低照度条件下性能会明显下降,而现有的低照度目标检测方法会造成大量的计算资源消耗,并不适合部署在计算能力受限的设备上。为应对上述问题,提出一种端到端的轻量级目标检测算法LL-YOLO。针对低照度图像中特征信息不明显、难以学习与辨识的问题,设计低照度图像生成算法,通过生成低照度图像来训练检测器,帮助其学习低照度环境下的特征信息;并对检测器网络结构进行调整,减少特征信息在计算过程中的损失,提高模型对特征信息的敏感度。针对低照度图像中特征信息受噪声影响严重的问题,提出聚合周边信息的A-ELAN模块,使用深度可分离卷积与注意力机制捕获周边信息,增强获得的特征信息,减弱噪声的影响。实验结果表明,LL-YOLO算法在低照度目标检测数据集ExDark上平均精度均值(mAP@0.5)达到81.1%,相较直接训练的YOLOv7-tiny算法提高11.9百分点,相比于其他算法具有较强竞争力。

关键词： 三维目标检测   深度残差网络   体素特征   图像特征   特征融合   双次特征融合网络  

摘要： 针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。

关键词： 计算机视觉   RepVGG   车道线检测   曲线拟合   特征融合   后处理  

摘要： 针对现有车道线检测方法存在的检测速度慢、检测精度低的问题,将车道线检测视为分类问题,提出了基于RepVGG网络的实时车道线检测方法。在RepVGG网络中融合不同层级特征图,减少空间定位信息的损失,提高车道线的定位精度。采用曲线建模的后处理方法,从整体和局部两个角度修正车道线预测结果。挖掘车道线定位中的分布信息,提出了基于分布指导的车道线存在预测分支,直接从车道线定位分布中学习车道线的存在特征,在略微提升推理速度的同时进一步提升检测精度。在TuSimple和CULane数据集上的实验表明,该模型在检测速度和精度上取得了良好的平衡。在CULane数据集上,所提方法的推理速度为目前同类方法中检测速度最快的UFLDv2算法的1.13倍,同时F1分数从74.7%提高到77.1%,达到了实时检测任务的需求。

关键词： 目标检测   SSD   注意力机制   轻量化  

摘要： 针对当前目标检测算法难以在资源有限的硬件平台上运行的问题,以Single Shot MultiBox Detector(SSD)为基础,在SSD中引入GhostNet网络来替换原本的VGG16主干网络,再引入轻量化注意力机制来补偿轻量化模型带来的检测精度损失,提高网络检测能力。在同一数据集上进行检测,改进后的GC-SSD模型大小由原SSD模型的92.11 M减小到10.90 M,mAP相比于Ghost-SSD模型提高了15.43%。实验结果表明,改进后的GC-SSD模型mAP达到92.06%,模型大小大量减小,更适用于移动端设备。

关键词： 输电线路走廊   防外破   目标检测   注意力机制  

摘要： 输电线路在跨越高速铁路、高速公路和重要输电通道场景下易受到外力破坏,可能严重影响输电线路安全可靠运行。针对此问题,该文通过构建输电线路走廊隐患目标数据集,提出新模型YOLO-2MCS用于输电线路走廊隐患目标检测。使用混合数据增强策略对数据集进行有效扩充,以提高模型在复杂场景下的泛化性和鲁棒性;在EfficientRep骨干网络引入卷积注意力机制模块,有效提升模型对多尺度目标的检测能力;构建使用softplus激活函数的双向特征金字塔结构加强模型特征学习能力;在检测头使用SIoU损失函数进一步提升模型检测精度。实验结果表明,相较于原YOLOv6网络,该模型在0.5:0.95的严苛阈值下平均精度均值提升4.4%;将该模型与主流的检测模型FasterR-CNN、YOLOX、YOLOv5和YOLOv7分别进行对比评估,该模型的检测精度、检测速度、模型复杂度均获得最优性能,其平均检测速度高达约300帧/s,且内存仅为40.7 MB,同时满足在边缘计算设备上部署的要求。

关键词： 目标跟踪   相关滤波   卡尔曼滤波   不变距特征  

摘要： 针对KCF(核相关滤波器)算法在目标发生严重遮挡时易出现目标丢失的问题,提出了一种结合不变距特征及卡尔曼预测的核相关滤波跟踪算法。利用模板图像和当前帧图像的不变矩特征计算相关量,然后根据不同遮挡情况下相关量值的变化情况设定目标遮挡判断机制。当目标未遮挡时KCF算法对目标继续跟踪;当目标被遮挡时利用卡尔曼滤波预测目标位置,目标复现后KCF算法利用预测的位置信息继续跟踪。最后采用OTB-2015数据集测试算法的有效性,实验结果表明,论文算法相对于KCF算法跟踪精度和跟踪成功率分别提高了12.95%和13.28%,有效改善了遮挡情况下的目标跟踪性能。

关键词： 自适应   优化   聚类   车辆检测   道路交通   目标检测  

摘要： 在当前复杂的道路交通环境下,车辆作为道路交通范畴内的一个重要参与群体,对其有效的监测和监管成为了涉及交通运输安全问题中的一个重要内容。以道路交通车辆目标为研究对象,结合模糊聚类算法在图像处理领域所展现的技术优势,将其进一步扩展到车辆目标检测的实际应用之中,并针对该算法所存在的性能方面的不足之处,提出和设计基于超像素的像素级以及基于群智能的种群级自适应优化方法。实验仿真结果表明,该方法能够有效地提升车辆目标检测的性能,进而为高效精准的车辆目标检测提供理论和方法上的参考依据。

关键词： YOLOX   目标检测   结构重参数化   解耦检测头   注意力机制  

摘要： 针对水下目标检测中的目标模糊和遮挡问题,提出基于YOLOX改进的RepViTS-YOLOX水下目标检测方法。该方法采用RepViTS作为特征提取网络并通过结构重参数化,有效提升了对水下目标的特征提取能力和模型推理速度。引入空间和通道重构(spatial and channel reconstruction convolution,SCConv)模块,增强网络对模糊目标的关注。改进特征融合网络,通过跨尺度连接和多尺度融合,加强不同层次特征间的信息交流,使模型更好理解遮挡目标特征。针对定位和分类任务对特征的不同需求,引入上下文解耦头(task-specific context decoupling head,TSCODE),对遮挡目标更精准地定位和分类。实验结果证明,RepViTS-YOLOX方法在RUOD数据集上取得了85.7%的检测效果,较YOLOX提高了3.8个百分点。检测结果显示,该方法可以有效改善水下模糊和遮挡目标的检测情况,提高水下目标检测精度。

关键词： 矿井智能监控   边云协同   目标检测   Swin Transformer   YOLOv5  

摘要： 矿井视频监控在保障煤矿企业生产安全方面有着关键作用。目前矿井智能监控技术主要在云端进行监控数据处理,存在着网络拥塞,计算要求高等问题。针对该问题,研究了边云协同矿井视频监控总体架构,提出了基于任务卸载的自适应视频帧卸载策略,利用边缘端检测速度快、精度高、实时性强的优点,进行模型的优化更新,实现边云协同架构的不断完善。针对YOLOv5模型检测精度低,深层网络结构易发生梯度消失和过拟合的问题,Transformer应用到视觉领域面临同一种目标的多尺度无法识别和高分辨率图像构成的序列过长,计算量大,显存资源不足的问题,构建了基于Swin Transformer-YOLOv5的目标检测模型。实验结果表明,基于ST-YOLOv5的目标检测模型,提高了平均检测精度,适用于矿井智能工作面边缘端设备部署。