关键词： 耕地   遥感影像   目标检测   神经网络大模型  

摘要： 耕地是国家粮食安全的根本保证,基于遥感影像的耕地提取为耕地保护,遏制耕地“非农化”,防止“非粮化”提供基本技术支撑。为实现基于高分遥感影像的耕地精细化提取,基于目标检测技术和神经网络大模型(segment anything model,SAM),实现简单标注样本下的耕地实例化分割,提出了一种基于视觉提示词的耕地实例化分割方法(instance segmentation method of farmland based on visual prompts,ISFVP)。在提出的方法中,首先利用耕地目标检测网络检测出耕地的大概范围(以矩形框表示),然后将耕地所处的范围作为提示词输入到网络大模型SAM中,实现耕地范围的精细化提取。实验证明,该方法可从高分遥感影像中自动化检测出耕地,为耕地的精细化提取提供了一种可行的技术方案。

关键词： 奶牛   智能监测技术   目标检测   深度学习   机器视觉   畜牧养殖  

摘要： 奶牛智能监测是规模化奶牛养殖的重要环节,视频分析技术具备无接触、低成本及智能分析优势,已成为当前规模化奶牛智能监测技术研究的热点。奶牛目标检测、目标跟踪以及个体和行为识别技术对规模化奶牛监管具有重要意义,复杂养殖环境中的光照、昼夜交替变化、围栏遮挡以及牛群数量繁多导致的相互遮挡是影响规模化奶牛智能监测的重要因素。本文对基于视频分析的奶牛智能监测技术研究中常用的深度模型及应用情况进行综述,提出了当前研究中面临的问题与挑战。分析发现,注意力机制、混合卷积等技术是提高模型识别准确率的有效方法,轻量化模块有利于减少模型的复杂度与计算量;计算复杂度、普适性、准确性等是影响该技术推广应用的因素;具体应用时,需要针对奶牛养殖环境、奶牛状况等进行具体分析以不断满足规模化养殖的需求。

关键词： 目标检测   YOLOv7-Tiny   百香果   轻量化网络   GMConv模块   ODConv  

摘要： 在果园中,准确且快速的果实检测是水果产量预测和自动化采摘等农业智能化应用的关键任务之一。针对目前目标检测模型参数量和计算量大,难以满足嵌入式设备实时性要求的问题,本文提出一种基于改进YOLOv7-Tiny的轻量化检测方法,用于复杂果园环境中百香果的检测。首先,在主干网络中使用全维动态卷积(ODConv),提高主干网络的特征提取能力,使平均精度均值(mAP)提升2个百分点;其次,为了减少颈部网络的参数量和计算量,融合GhostNet网络和MobileOne网络,提出GMConv轻量化模块,使模型参数量下降约30%,计算量下降约20%,FPS提高约50 frame/s。在百香果数据集上的实验结果表明,与YOLOv7-Tiny相比,改进后算法的参数量和计算量分别下降32.1%和25.4%,mAP提升2.6个百分点。在降低计算量和参数量的前提下,改进后算法进一步提高了检测精度,有利于在嵌入式设备中部署。

关键词： 目标检测   极化滤波   关联信息   跨维交互   混洗  

摘要： 深度网络提取的多通道特征缺乏关联性,表达能力弱,对舰船目标识别精度低。针对上述问题,提出了基于跨维交互混洗特征的遥感目标检测方法。首先在特征提取阶段,利用等变神经网络提取具有旋转等变性的特征,有效降低目标方向角任意造成的定位精度损失。在此基础上,利用极化滤波机制的维度坍塌方法,对提取的特征分别进行仅空间和仅通道维度的权重学习,有效避免了降维引起的特征丢失。再应用跨维交互操作挖掘通道与空间维度间的关联信息,将通道间的信息混洗后融合,建立维度间的映射关系,增强特征的表达能力,改善目标的定位精度。通过在HRSC2016公开数据集上的实验证明本方法的检测精度高于对比方法,说明了所提方法的有效性。

关键词： 改进GMPHD滤波器   高机动多目标跟踪   标签化   自适应CS模型  

摘要： 由于高机动多目标跟踪场景中目标个数未知、运动形态复杂,采用传统的GMPHD滤波算法容易出现跟踪误差大、目标数目估计不准确、目标航迹难以区分等问题。针对以上问题,在GMPHD滤波算法的基础上,提出了一种自适应CS模型的标签化GMPHD滤波算法,借助标签化手段显式区分目标航迹,并对漏检目标航迹外推,同时将适用于单目标的自适应CS模型拓展到机动多目标场景,将目标机动性变化实时反馈到目标状态估计上。通过与扩展GMPHD、平方根容积GMPHD和自适应CS-GMPHD算法的仿真对比实验,验证了所提算法在高机动多目标场景下计算耗时低且跟踪精度高的性能优势。

关键词： 零样本学习   视觉-语言预训练模型   零样本迁移   多模态   计算机视觉  

摘要： 近年来随着人工智能(AI)技术在计算机视觉与自然语言处理等单模态领域表现出愈发优异的性能,多模态学习的重要性和必要性逐渐展现出来,其中基于视觉-语言预训练模型的零样本迁移(ZST)方法得到了国内外研究者的广泛关注。得益于预训练模型强大的泛化性能,使用视觉-语言预训练模型不仅能提高零样本识别任务的准确率,而且能够解决部分传统方法无法解决的零样本下游任务问题。对基于视觉-语言预训练模型的ZST方法进行概述,首先介绍了零样本学习(FSL)的传统方法,并对其主要形式加以总结;然后阐述了基于视觉-语言预训练模型的ZST和FSL的区别及其可以解决的新任务;其次介绍了基于视觉-语言预训练模型的ZST方法在样本识别、目标检测、语义分割、跨模态生成等下游任务中的应用情况;最后对现有的基于视觉-语言预训练模型的ZST方法存在的问题进行分析并对未来的研究方向进行展望。

关键词： 深度学习   视频检测   目标检测   放射防护   YOLO  

摘要： 针对医院CT室人员的复杂性以及患者在进行放射治疗过程中潜在的安全风险,设计了放射治疗过程中操作规范性判别的智能视频检测系统。该系统以医院CT室内的真实视频监控影像数据为基础,构建了多目标样本标注图像数据集,并采用了YOLOv5网络来检测设备状态、医护人员与患者防护装备的穿戴情况。通过对目标特征进行智能分析判断,从而实现放射治疗过程中人员操作行为规范性的实时监测。实验结果显示,该方法能够有效分析实时采集到的视频信息,实现CT室内多种目标的准确识别以及对患者防护服穿戴情况的有效监控。

关键词： 迁移学习   机器学习   医疗卫生事业   自然语言处理   计算机视觉  

摘要： 在医疗科研工作中,高质量样本获取一直是决定研究质量的关键因素之一。尤其在开展针对罕见病或特殊人群的研究时,常会面临由于样本量严重不足导致机器学习算法以及传统统计方法难以达到应有统计效能的情况。迁移学习作为机器学习领域中专注于解决小样本问题的算法之一,目前已在医疗相关科研工作中有了较多的实际应用。本文重点综述近几年迁移学习在医疗科研图像识别、自然语言处理以及结构化数据分析中的应用,以期为研究者在今后科研工作中的算法选择提供参考。

关键词： YOLOv5s   红外无人机   ECA-CBAM   EC-CSP   双路特征融合  

摘要： 针对红外无人机目标检测的实时性与准确性需求不断提升的问题,提出基于EC-CSP和双路特征融合的红外无人机目标检测算法。首先,提出结合ECA-CBAM注意力机制的CSP模块(Efficient Channel Attention-Convolutional Block Attention Module-CSP,EC-CSP),使网络能关注更重要的区域。其次,提出包含5×5、9×9像素大小最大池化的STM(Small Target Maxpool)模块,抑制背景特征对小尺度目标特征的干扰;最后,提出融合1×1与3×3基本卷积操作的全局特征提取(Global Feature Extracion,GFE)模块,并与STM模块组成双路特征融合(Dual Path Feature Fuasion,DPFF)模块,提高全局特征和局部特征的融合能力。实验结果表明,新算法取得了良好的实验效果。

关键词： 智能交通   车路协同   目标检测   激光点云   联邦学习(FL)策略   深度学习模型  

摘要： 在智能交通中,为弥补路侧端点云数据集的缺乏,提高目标检测模型泛化能力,提出了一种基于参数自适应联邦学习(FL)的点云目标检测算法(FLA3DSSD)。在各个路侧客户端数据不互通的情况下,将基于点的3D单级目标检测器(3DSSD)算法与经典联邦学习(FL)策略相结合,同时通过上传局部模型在路侧服务器进行模型自适应参数融合改进客户端模型参数更新策略,实现数据信息共享,并提升检测精度。结果表明:在车路协同差异路口场景算法部署任务中,对比本地数据训练模型,直接部署于其余客户端,用FL与3DSSD的聚合模型所测试的检测平均精度(AP),上升5%~40%;带有改进参数的自适应联邦学习FLA3DSSD聚合模型,实现AP值提升1%~7%。因此,在保护数据隐私的前提下,本方法能够提高模型泛化能力和检测精度。