关键词： 输送带   表面破损   目标检测   YOLOv8  

摘要： 针对煤矿输送带表面产生的破损,采用改进的YOLOv8网络进行检测。首先在YOLOv8网络Backbone中的C2f之后添加高效通道注意力(ECA)模块;其次将Backbone中的标准卷积层替换为深度可分离卷积(DSC)层;最后将损失函数替换为高效交并比(EIoU)。实验结果表明,改进后的网络可高效提取破损特征,减少了网络的计算量,加快了网络训练的收敛速度,最终准确率提升至94.8%。

关键词： 小样本目标检测   元学习   Meta Faster R-CNN   背景抑制   特征增强  

摘要： 小样本目标检测的元学习方法能快速适应少量训练样本,较好解决现有常规检测模型泛化能力不强、适应新任务速度缓慢、鲁棒性差的问题,具有较高的实际应用价值,但该方法对支持集特征利用能力不足、检测精度不高。为此,基于支持集特征增强,针对元学习SOTA算法Meta Faster R-CNN进行改进,从支持集背景抑制与目标特征增强两个角度出发,削弱与待查询目标无关的背景信息并加强支持集内部特征之间的联系,构建一种检测性能更高的小样本目标检测算法。实验结果表明:在PASCAL VOC Novel Set数据集上的元测试阶段,本文改进算法在1-shot、2-shot、3-shot、5-shot、10-shot下的平均精度均值(mAP@0.5)较原算法分别提升了0.066%、12.038%、12.289%、10.073%、9.539%;在元微调后的测试阶段,本文改进算法的mAP@0.5较原算法有所提升或基本持平;增强支持集特征能够有效提升小样本目标检测精度。

关键词： 知识蒸馏   目标检测   模型压缩   注意力机制   计算机视觉  

摘要： 知识蒸馏是一种将知识从复杂的教师模型转移到轻量级学生模型的模型压缩技术.现有的为分类任务而设计的知识蒸馏方法在目标检测任务上的性能并不理想,仅观察到微小的改进.与分类任务相比,目标检测任务会在自然图像中同时定位和分类多个目标对象,这些目标对象往往具有不同的尺度和外观以及复杂的类间关系,并且分布在不同的位置,导致目标中心或周围区域以及前景和背景区域等都有可能对蒸馏有不同的贡献,知识在检测任务中变得相当模糊和不平衡,这使得目标检测中的知识蒸馏变得非常具有挑战性.为解决这个问题,本文提出一种新的基于注意力的目标检测知识蒸馏框架——类别语义和全局关系蒸馏,前者关注每个类别目标的关键前景位置,后者捕捉各类别目标像素之间的全局长远距离依赖关系.为验证本文所提出方法的有效性和泛化性,分别在SODA10M、PASCAL VOC和MiniCOCO三个具有挑战性的数据集基准上进行了实验.在多种目标检测器上,经过蒸馏之后的学生模型都取得了较大的性能改进.对于RetinaNet ResNet-50,其mAP在SODA10M数据集上提升了4.67,其AP50在PSACAL VOC数据集上提升了2.64.

关键词： 水下生物目标检测   YOLOv7-tiny   注意力机制   通道剪枝   复杂水下环境  

摘要： 在利用水下机器人进行生物捕捞与识别时,色偏、雾效应与光干扰等复杂水下环境的干扰会导致模型存在漏检和误检现象,同时,由于带宽受限,水下设备计算资源也受限制。为解决上述问题,提出了一种高检测精度的轻量级改进的YOLOv7-tiny模型。使用SiLU激活函数和EIOU损失函数提高模型收敛速度;使用双重注意力叠加的GAM注意力机制和三重注意力叠加的DyHead检测头更好地抵御环境噪声的干扰;最后,利用通道剪枝策略降低模型参数量。实验结果表明:在RUOD数据集上,改进后的模型有效的缓解了色偏、雾效应与光干扰等复杂水下环境下的漏检和误检现象,浮点数计算量降低8.4%,提高了水下设备在计算资源受到限制时的可用性。所提方法可适用于水下检测系统和水下机器人。

关键词： 小目标检测   重参数化   特征融合   损失函数  

摘要： 针对无人机航拍图像目标尺寸小、分布密集且被遮挡造成误检漏检等问题,提出一种结合重参数化思想与多层次特征融合的航拍图像小目标检测算法.首先,利用重参数化思想设计了重参数化卷积模块(reparameterized convolution module,RCM),与C2f模块结合设计了C2f-RCM模块,通过扩大感受野有效绘制上下文信息,更好地提取图像中的细微特征.其次,为解决颈部网络在特征融合部分造成的信息丢失问题,提出一种多层次特征融合模块(multi-level feature fusion module,MFFM),该模块利用跨层次间的信息融合,有效减少了在遮挡情况下的漏检现象,使得网络在检测大、中、小目标时能够显著提升准确度.最后,提出一种Inner-Shape IoU边界框回归损失函数,通过构建辅助边框和关注边界框的自身形状,以增强模型的收敛速度.实验结果表明,与基线模型相比,本文方法在VisDrone2019中,mAP@0.5、Precision、Recall分别提高了5.7%、5.7%、2.4%,在AI-TOD中,mAP@0.5、Precision、Recall提升了3.7%、3.9%、5.3%,验证了本文方法在航拍图像小目标检测方面的有效性.

关键词： 小目标检测   YOLOv11   特征提取   感受野注意力  

摘要： 为了有效应对无人机航拍中小目标检测面临的复杂背景、目标密集、目标微小化和移动端部署等挑战,对YOLOv11n模型进行了改进。使用RFCBAMConv模块改进C3k2,增强了特征提取能力。设计了膨胀特征金字塔卷积(dilated featurepyramidconvolution,DFPC)模块,替代了原有的SPPF层。通过多尺度膨胀卷积,加强了对无人机小目标细节特征的提取。提出了一种新的特征金字塔结构,在P2层增加160×160尺寸的特征图输出,以提取小目标特征信息。该方法替代了传统通过添加P2小目标检测头的做法。引入了CSPOK模块和ContextGuidedBlock_Down(CGBD)卷积,显著提升了全局特征的提取能力和多尺度特征的融合能力。采用动态检测头(DyHead)替代了原有的检测头,提升了模型的目标检测精度。实验结果表明,改进模型在VisDrone数据集上的mAP@0.5和mAP@0.5:0.95指标分别提高了0.071和0.049。此外,在AI-TOD和SODA-A等数据集上的泛化实验也显示,改进模型在mAP@0.5上分别获得0.055和0.048的提升,充分验证了模型的有效性和泛用性。

关键词： 井下无人驾驶   电机车   多目标检测   YOLOv8n   卷积注意力机制   小目标检测   动态上采样  

摘要： 针对井下无人驾驶电机车因光线暗、噪声大及运动模糊等因素导致图像特征难提取、细节易丢失、小尺寸目标难识别等问题,提出了一种基于DYCS-YOLOv8n的井下无人驾驶电机车多目标检测模型。在YOLOv8n的基础上引入卷积注意力模块(CBAM),通过空间和通道双重注意力机制,提高了对关键特征的提取能力;增加小目标检测层,由原来的3层增加到4层,从而更好地提取细小特征,提升了对小尺寸目标的检测性能;采用动态上采样算子DySample,根据输入特征自适应地调整采样策略,更好地保留图像中的边缘和局部细节,避免了图像关键信息损失。采用自建的井下无人驾驶电机车数据集进行实验,结果表明:(1) DYCS-YOLOv8n模型的平均精度均值(mAP@0.5)达97.5%,较YOLOv8n模型提高了3.4%,且检测速度达46.35帧/s,满足实时性检测需求。(2)与YOLO系列主流目标检测模型相比,DYCS-YOLOv8n模型的mAP@0.5最优,在保持轻量化的同时保证了较快的计算速度。(3)在噪声、低光照等复杂井下场景下,DYCS-YOLOv8n模型对行人、轨道、信号灯的平均检测置信度较高,未出现漏与误检情况。

关键词： 目标检测   运动行人   不变性物体识别   视觉运动感知   视网膜神经  

摘要： 行人作为非刚性物体,对它的视觉特征进行有效的不变表示是提高识别效果的关键。在自然视觉场景中,运动行人通常会发生尺度、背景、姿态等变化,这对用现有技术提取这些不规则特征造成阻碍。针对该问题,基于哺乳动物视网膜神经结构特性,探究运动行人不变性识别问题,并提出一种适用于视觉场景的运动行人检测神经网络(MPDNN)。MPDNN包括2个神经模块:突触前网络和突触后网络。其中,突触前网络感知表征运动目标的低阶视觉运动线索,并提取目标的二值化视觉信息;突触后网络借助生物视觉系统中的稀疏不变响应特性,利用目标轮廓在连续改变形状后较大凹凸区域之间的位置关系不变特性,从低阶运动线索中编码平稳变化的视觉特征以构建行人不变表征。实验结果表明,MPDNN在公共数据集CUHK Avenue与EPFL上达到了96.96%的跨域检测准确率,比SOTA(State Of The Art)模型高4.52个百分点;在尺度、运动姿势变化数据集上也表现了较好的鲁棒性,准确率分别达到了89.48%与91.45%。以上实验结果验证了生物不变性物体识别机制在运动行人检测中的有效性。

关键词： YOLOv8n   目标检测   BIFPN-SID   注意力机制   Inner-SIoU  

摘要： 针对不同情况下番茄果实识别检测精度低和存在漏检的问题,提出一种基于改进YOLOv8n的番茄检测模型,旨在提高番茄的识别准确率和检测效率。首先,在特征提取过程中集成了CBAM(Convolutional Block Attention Module)注意力机制模块。其次,引入BIFPN-SID模块进一步提高模型的泛化能力。再结合损失函数Inner-SIoU优化模型的训练过程。试验表明,所提出的模型在番茄果实识别任务的性能指标显示,准确率高达94.4%,召回率为91.3%,F 1值为92.8%,平均精度均值达到95.6%。与原模型YOLOv8n相比分别提高5.8、6.4、6.1、3.3个百分点。在检测准确率与速度方面,改进后的模型均表现出色,可以应用于番茄采摘机器人目标识别检测。

关键词： 异常行为   目标检测   YOLOv8   深度学习   注意力机制  

摘要： 异常行为检测是维护治安的一项重要任务。快速准确地对关键场所中的异常行为进行检测是治安工作的重要任务。对于关键场所中的目标检测算法来说,要在人员密集的图像中获得满意的检测结果具有一定挑战性。本文针对异常行为目标检测中存在的目标分布密集、尺度变化范围较大、检测背景较为复杂等问题,将注意力机制CA引入到主干网络部分C2f模块中,从而加强网络在复杂背景下对目标的注意力;将Swin Transformer模型集成到YOLOv8骨干网络中,增加特征图的信息交互范围,充分利用物体的背景信息提高复杂背景下物体的检测精度。最后通过实验验证了改进网络的可行性,并与几种主流网络进行对比,平均精度达到95.1%,与基础网络YOLOv8相比,平均精度提高2.4个百分点,证明了该方法的有效性。