关键词： 多模态   YOLOv5   行人检测算法   特征融合   注意力机制   空间金字塔   目标检测  

摘要： 针对红外图像清晰度和分辨率较低,可见光图像光照不足等问题,通过融合可见光和红外光图像的特征,设计一种基于YOLOv5改进的多模态行人检测算法IMV5(improved multimodal YOLOv5)。对传统的级联融合方法进行改进,结合注意力机制,设计一种多模态特征融合模块PMWM(pedestrian modal adaptive weight fusion module),将可见光和红外光图像融合,提高特征融合后的检测效果。加入优化过的空间金字塔池化结构,在保持感受野不变的情况下提升检测效果。在特征层上进行目标检测,预测出行人的概率和位置,实现行人检测功能。实验结果表明,IMV5算法在KAIST行人检测据集上的检测效果得到了明显提升。

关键词： YOLOv5   道路病害   目标检测   信息融合   信息损失   网络改性  

摘要： 随着机动车数量的增加和道路负荷的增大,道路病害问题日益严重,需要及时发现和识别各类病害以保障道路交通安全,但传统YOLOv5采用的FPN信息融合方式可能导致信息损失。因此,结合华为GOLD-YOLO中的Gather-and-Distribute模块对传统YOLOv5的特征融合模块进行改进。实验结果表明,优化后的YOLOv5算法在训练模型时收敛所需的迭代次数有了显著降低,从590次减少到366次,大大提高了训练速度。同时,总体的mAP@0.5也从原来的87.4%提升到了88.7%。

关键词： 伦敦大学   领域专家   计算机视觉   学术期刊   人工智能   科学博士学位   学者型   创业  

摘要： 8月底,在北京一家餐厅,《21CBR》记者见到跨维智能创始人贾奎。科研、教学、创业……他的日程表排得满满当当。“晚上10点前,我都有事情做。”他坦言,创业后,工作量大增。贾奎是学者型创业者。他毕业于伦敦大学,获得计算机科学博士学位,曾在多家高校执教,是人工智能、计算机视觉等领域专家,发表论文百余篇,在TIP、TMLR等学术期刊担任副主编。

关键词： 计算机视觉   图像处理   伪装目标检测   上下文信息   特征融合  

摘要： 在伪装目标检测中,针对以往的特征融合研究大多采用多级特征集成,而忽略了不同特征间的差异,提出一种基于全局上下文交互融合网络用于伪装目标检测.利用改进的金字塔视觉转换器(PVTv 2)模型作为骨干网络,在多个尺度上提取全局上下文信息.首先,设计边界增强模块来关注伪装目标的结构细节,并获取物体的边缘特征;然后,借鉴动物捕食机制提出特征融合解码模块,该模块提供位置信息用于潜在目标定位来产生粗略定位图;最后,通过所搭建的全局上下文聚合模块进行多层次信息的充分交互,减少特征聚合过程中的信息丢失.采用4个公开数据集、4种评价指标进行实验,实验结果表明,所提出网络性能优于其他17个具有代表性的模型.

关键词： 电网检修   原型智能网络   辅助决策   计算机视觉   自动化  

摘要： 电网装置通常安装在户外,会受到大量污染。污染物积聚在电网装置中,可能会引起短路并导致停电。为了提高电网的可靠性,利用计算机视觉技术实现自动化电网检修状态异常的检测。提出一种基于原型(Prototype)智能网络的电网检修状态异常检测模型(Proto-PGNet),为自动化电网检修状态异常检测提供辅助决策。由于现有电网检修数据集包含的不同背景图像数量有限,如何使模型更具泛化性是一个挑战。Proto-PGNet模型在最后一个密集层上不进行凸优化,以保持逆向推理过程对图像分类的作用。逆向推理过程可以排除输入图像中的错误类别,可以用少量且具有不同背景的图像进行分类。Proto-PGNet模型与其他先进模型进行对比实验,结果表明Proto-PGNet模型明显优于其他模型。其中,以VGG-19为网络骨架时,Proto-PGNet的准确率达到了97.22%,比最先进的Ps-PGNet模型的准确率提高了4.17%。

关键词： 深度学习   U-Net   目标检测   目标跟踪   人机交互  

摘要： 对生命活动中发挥重要作用的分子进行观测是发现生命活动内在机理的重要手段。现有的生物医学影像处理方法大多集中在对特定物质的检测和识别,难以适应不断变化的科研需要。为此,本研究提出了一种基于U-Net卷积神经网络的人机交互方法以识别生物医学影像中所有同类分子,如:细胞、蛋白质等。首先利用U-Net卷积网络将待观察的分子影像转换为深度特征图,然后使用目标分子的特征在整个特征图上进行匹配,以检测出所有感兴趣的同类分子。之后利用通道和空间可靠的判别式相关滤波器构建多目标跟踪器以实现对目标分子的持续追踪。结果表明,该方法可以通过简单的人机交互快速检测出感兴趣的同类分子,获取目标分子的数量、分布以及相互作用等重要信息,Attention-basedU-Net和U-Net在从细胞核、人类蛋白质图谱、细菌和血红细胞数据集中随机抽取的200张静态测试影像上的各项指标表现稳定,平均精度的平均值分别为0.9125和0.8981,同时对小鼠干细胞动态影像中的目标跟踪准确且保持稳定,证明了方法的有效性,可满足生命科学研究中对微观生命过程观测的需要。

关键词： 水稻   剑叶夹角   图像处理   在体测量  

摘要： 水稻剑叶夹角对于水稻理想株型的选育具有重要意义。为实时、准确地实现水稻剑叶夹角在体测量,采用颜色空间转换、骨架提取、Hough直线提取和K-means聚类等图像处理技术,设计水稻剑叶夹角测量算法,并将算法置于服务器,结合背景板与手机端的应用程序,实现水稻剑叶夹角的实时测量。利用该算法在田间对160株水稻样本进行剑叶夹角测量,将该算法得到的数据与人工测量的数据进行对比。结果表明,该算法与人工测量结果一致性高,决定系数为0.9996,平均绝对误差为0.32°,能够实现水稻剑叶夹角田间在体精准测量。

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： Pc1地磁脉动   计算机视觉   自动识别   极低频电磁台网  

摘要： 极低频电磁台网成功观测到大量的Pc1地磁脉动事件,研究极低频Pc1地磁脉动的自动识别方法对于全面分析地球空间电磁物理环境具有重要意义.本文采用了YOLOv8目标检测网络、ResNet残差网络和定向特征增强技术,提出了一种基于计算机视觉的Pc1地磁脉动自动识别模型(Automatic Detection Model for Pc1 Geomagnetic Pulsation,简称ADM-Pc1).以大连台站和丽江台站的极低频观测数据为例,利用2015—2016年的数据作为训练集进行模型的监督学习,并使用2017—2022年的数据作为测试集对模型性能进行评估.实验结果显示,ADM-Pc1模型的F1-Score值达到了95%,错分率仅为0.9%,虚警率仅为5.8%,漏检率仅为9%,处理1天数据平均耗时是2.72 s,显著优于现有的最优识别模型.这表明,ADM-Pc1模型在识别效果和计算速度方面均能更好地满足实际工程需求.

关键词： 遥感影像   轻量级模型   YOLOv5   坐标注意力  

摘要： 基于YOLOv5提出一种改进的轻量级遥感影像目标检测方法。在特征提取端使用深度可分离卷积替代常规卷积核以降低计算量,同时引入坐标注意力机制来提高模型对小物体特征的学习强度。在特征增强端,以多层融合特征金字塔代替路径聚合网络来获取信息更为丰富的特征图。实验结果显示,本文所提出的改进模型在检测精度方面明显优于原始模型与对比模型,同时对于不同环境下的目标表现出了很好的鲁棒性,在测试硬件环境下产生的计算参数量少,能够达到实时检测的水平,可部署在算力有限的边缘计算硬件上开展实时的推理检测。