关键词： 目标检测   暗目标   低光照增强   高斯金字塔   自矫正网络  

摘要： 针对低光照图像整体亮度和对比度低,且目标边缘特征有限,导致目标检测算法识别定位精度不高的问题,提出一种低光照目标检测方法。首先,提出低光照图像增强网络,利用图像高斯金字塔、Retinex和暗通道去雾在低光照图像增强的优点,并在暗通道去雾算法中加入边缘轮廓特征,在增强整体亮度对比度的同时,突出目标的边缘特征;其次,为提高特征的提取准确性,在RTDETR的特征提取部分,设计了轻量化自矫正特征提取网络,以更小的计算量生成并矫正主干特征提取网络生成的特征图,提升目标检测精度。在ExDark数据集上的实验结果表明:较于基准RTDETR,精度提高了2.34%,召回率提升了2.09%,参数量减少了4.95 M,模型大小减少了13.31 MB,本文方法能够有效提升低光照场景下的目标检测性能。

关键词： 指针式仪表   YOLOv7   轻量化   目标检测  

摘要： 为了高效准确地完成工业指针式仪表表盘的定位检测,研究了轻量化的YOLOv7目标检测网络算法。根据仪表图像中目标形状特征多样的特点,对网络卷积核进行了轻量化改进,使用深度可分离卷积代替普通卷积减少参数量,提高网络模型检测精度和检测速度,并与其它网络模型进行了性能指标对比。实验表明,轻量化改进后的YOLOv7网络mAP指标上提升了3.03%,参数量和模型规模下降了35.1%,准确率提高了4.61%,检测速度提升了21.3%,实现了高效率高精度的仪表检测。

关键词： 电视制导   图像处理   FlightSim   PyQt  

摘要： 针对电视制导系统仿真中简化的导引头模型精度和逼真程度不足的问题,提出了一种考虑图像处理过程的电视制导系统仿真方法。首先,利用FlightSim软件实现导弹的动力学仿真并实时生成三维场景;然后,采用PyQt库封装导引头图像处理过程并创建用于“人在回路”交互的GUI;最后,通过接口函数和Socket建立FlightSim程序与PyQt程序之间的通信。仿真结果表明,该系统能够逼真地模拟带有图像处理环节的电视制导过程,具有较好的应用价值。

关键词： 3D目标检测   MV3D   模型改进   深度补全   混合融合   DETR  

摘要： 针对3D目标检测精度低、在复杂工况下检测效果差的问题,利用图像和点云数据作为输入,引入深度补全增加点云前视图特征,并对MV3D目标检测模型进行改进,提出混合融合方式,将全局信息较多的图片特征拼接到融合完成后的点云特征中,最后再进行融合。文中所提出的混合融合方案兼顾了深度融合的特征又增加了全局的特征信息,利用DETR模块对原模型的非极大值抑制操作进行优化,使得模型轻量化。最后在KITTI数据集上对文中模型进行了实验分析,结果表明,所提出的模型可以实现复杂工况下的3D目标检测,且在精度上与原模型相比,在三种不同检测难度的工况下平均提升了7.19%。

关键词： 提升竞争力   初创企业   研发投入   自然语言处理   机器学习   计算机视觉   自动驾驶   AI  

摘要： 科技快速发展,人工智能(AI)成为全球科技领域的新宠。从硅谷初创企业到科技巨头,都在加大AI技术研发投入,引发全球人工智能浪潮。自动驾驶、机器学习、自然语言处理、计算机视觉等技术突破,使AI深入日常生活。AI在医疗、教育、交通、金融等行业的应用,提升了效率,催生了创新产品和服务。

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   注意力机制   YOLOv5s   DIoU_NMS方法  

摘要： 针对目标检测算法在雾天天气下的识别精度低、容易漏检等问题,提出一种基于YOLOv5框架的先去雾后检测的算法。利用改进的AOD-Net去雾算法进行图像增强,采用Twin-transform Block模块替换提取中小目标特征,同时添加CBMA注意力机制,增强模型提取图像特征的能力。采用DIoU_NMS后处理方法,精准回归预测框。实验结果表明,在BDD100K数据集上进行对比分析,相较于原有YOLOv5s网络,文中提出的改进方案准确率明显提升,其中薄雾场景中mAP提高1.59%,浓雾场景中mAP提高5.80%。因此,文中提出的算法能够有效地改善雾天条件下目标识别中存在的漏检问题。

关键词： YOLOv5s   轻量化   无人机   图像识别   目标检测  

摘要： 近年来,“无人机+”消防、“无人机+”巡检、“无人机+”应急等领域广泛应用无人机,对无人机遥感图像进行识别是在各领域实现“无人机+”的关键。但是,无人机遥感图像复杂的信息,大量的小目标给目标检测带来了巨大的挑战,随着深度学习时代的到来,在目标检测性能提升的同时,随之而来的是模型参数量的大量增加。基于此,以一种轻量化的YOLOv5s改进模型应用到无人机遥感图像识别当中,在提高目标检测性能的同时尽可能减少模型的参数量。实验结果表明,改进后的模型较原始的YOLOv5s模型m AP_(50)和m AP_(50:95)分别提高了7.9和4.3个百分点,模型参数量只增加0.14 M。

关键词： 边缘计算   云边协同   视频分析   神经网络模型   显著性检测   目标检测   聚类  

摘要： 为解决实时视频分析任务中精度和延迟的平衡问题,进一步提升系统性能,提出一种基于显著性检测的云边协同视频流分析框架。通过计算推理结果在视频帧上的梯度来准确衡量不同区域的显著性,结合监控摄像机的上下文特征构建宏块(视频编码的基本单元)粒度的感知区。通过建立这些感知区,边缘端可以针对视频帧中不同区域的内容进行不同层次的压缩过滤,降低传输过程中的带宽消耗。实验结果表明,该框架在较小精度损失的前提下,能够显著降低带宽消耗和延迟。

关键词： YOLOv3   计算机视觉   人脸识别   注意力机制  

摘要： 本文基于YOLOv3(You Only Look Once Version 3)模型提出一种人脸检测方法,旨在提高人脸识别的准确性和效率。本论文基于YOLOv3模型,不仅采用深度学习和图像处理技术,还结合了深度卷积神经网络和目标检测算法,致力于高效、快速地进行人脸目标的准确识别。通过对多个公开的人脸检测数据集进行严格测试和性能比较验证,实验结果显示,本文方法在精准识别人脸上表现良好,精确率和召回率较高。