关键词： 多目标识别   智能安防   视频监控   二值化   中值滤波器   目标检测   聚类  

摘要： 针对视频监控受到动态目标影响监控识别效果差的问题,提出基于多目标识别的智能安防视频监控研究。充分考虑多类目标情况,将多目标预判成词袋;分割处理图像,计算目标点与超平面的间隔,聚类处理多目标构建高斯模型表征背景,剔除高斯分布中存在的虚假背景,二值化处理目标,分离目标与背景。对差值进行阈值化判断,结合3×3邻域的中值滤波器去除噪声;判定入侵行为,完成智能安防视频监控识别。实验结果表明,该方法能够识别出全部目标,TA最大值为21%,TN最大值为90%,监控识别效果良好。

关键词： 海上   船舶   检测   YOLOv5  

摘要： 为了应对海上开阔环境目标检测面临的挑战,并致力于开发先进的海上目标检测技术,文章提出了一种基于深度学习框架YOLOv5的海上船舶自动检测与识别技术。该技术具备实时检测海上船舶等小目标的能力,并且体积较小,克服了传统目标检测技术在速度和性能上的限制。这项技术的应用能够有效提高航海运输、海上搜救和国防安全等领域的效率和可靠性。实验结果表明,文章提出的针对船舶视觉识别的方案快速而精准,能够验证YOLOv5在船舶检测中的重要价值,为相关领域的应用提供了重要的支持和保障。

关键词： 无人机检测   浅层特征融合   ASPPF   YOLOv8n   中尺度特征融合  

摘要： 针对无人机航拍检测任务中小目标检测精度低的问题,提出一种基于YOLOv8n的目标检测算法(SFEYOLO).首先,嵌入浅层特征增强模块,将输入特征的浅层空间信息与颈部获取的深层语义信息融合,以增强小目标特征表示能力,并使用全局上下文块(GC-Block)对融合信息进行重校准,抑制背景噪声.其次,引入可变形卷积来代替C2F中的部分标准卷积,提高网络对几何变化的适应性.再次,引入ASPPF模块,融合平均池化技术,增强模型对多尺度特征的表达并降低漏检率.最后,在颈部网络的基础上嵌入中尺度特征合成层,融合主干网络中更多的中间特征,使不同尺度的特征过渡更平滑,并通过跳跃连接增强特征重用性.该模型在数据集VisDrone2019和VOC2012上进行验证,mAP@0.5值达到30.5%和67.3%,相较于基线算法YOLOv8n提升了3.6%和0.8%,能够提升无人机图像目标检测性能,同时具有较好的泛化性.

关键词： 注视估计   共享注意力   多尺度聚合   共享特征   计算机视觉  

摘要： 注视估计是从人脸图像中估计3D注视方向的方法,其中与注视直接相关的眼睛细节信息在人脸图像中集中且对注视估计具有显著影响。然而现有的注视估计模型忽略了小尺度的眼睛细节,且容易被图像特征中与注视无关的信息淹没。为此,提出一种基于多尺度聚合和共享注意力的模型以增强特征的表达能力。首先,使用分流自注意力聚合图像中不同尺度的眼睛和人脸信息,并引导模型学习不同尺度对象之间的相关性,以此处理模型对图像中眼睛细节的遗漏问题;其次,通过建立共享注意力来捕获图像之间的共享特征,减少对注视无关特征的关注;最后,结合多尺度聚合和共享注意力,进一步提高注视估计的精度。在公开数据集MPIIFaceGaze、Gaze360、Gaze360_Processed和GAFA-Head上,所提模型的平均角度误差比GazeTR(Gaze TRansformer)降低了5.74%、4.09%、4.82%和10.55%。在Gaze360背对相机的困难图像上,所提模型的平均角度误差比GazeTR降低了4.70%。实验结果表明,所提模型能有效聚合多尺度的注视信息和共享注意力,提高注视估计的准确性和鲁棒性。

关键词： YOLOv8   棉花虫害   目标检测   可变形卷积   高效通道注意力  

摘要： 传统的棉花病虫害检测方法依赖于植物保护专家或经验丰富的农民,这种方法费时费力,并且对于人眼难以观察到的微小病变识别准确率较低。这对如何利用深度学习方法提高识别的准确率和效率,降低人力成本,并且能够对微小病变进行准确识别,提出了新的挑战。针对此问题,提出一种准确率高和实时性好的基于改进YOLOv8的棉花虫害检测算法。首先,使用DCNv3结构,替换YOLOv8 C2模块Bottleneck结构中的普通卷积,形成新的模块记为C2f-DCNv3;其次,在Head的最后一个C2f-DCNv3模块后面加入高效通道注意力,在提升模型精度的同时保持能够实现实时检测。在开源的CottonInsect棉田昆虫识别研究图像数据集上的试验结果表明,所改进方法的mAP为0.706,推理时间为0.6ms,模型大小5.7 MB,相较于原模型YOLOv8n,mAP提升3.0,推理时间提升0.1 ms,模型大小基本保持不变,实现了对于棉花虫害准确且高效的识别。

关键词： 去雾增强   暗通道模型   颜色通道   自适应天空   CLAHE   无人机视角目标检测  

摘要： 图像去雾是图像处理领域的一个重要研究热点。为了解决雾霾天气下图像的去雾与增强问题,提出了一种基于改进暗通道的去雾算法。首先为了使雾霾图像更接近无雾图像,提高图像的清晰度,该算法分别减少雾图像的RGB通道值,并结合每个减少的通道和其他两个先前未减少的通道,使用该图像去雾算法后再对三个新图像加权来恢复图像;为了解决图像天空区域出现颜色失真的问题,设置了一个参数K来分别计算天空区域和非天空区域的透射率;为了解决图像中亮度过暗和增加目标对比度,本文引入CLAHE的方法对图像进行增强处理。实验结果表明:本算法在5张图像的对比度值分别是MDCP和RSD算法的2倍多和3倍多,在5张图像中的信息熵均值为7.5589,均明显优于其余2种算法,并且该算法在雾霾天气下目标检测的平均精度可达73%,相比于未经处理图像前提升了15%,具有一定的可行性。

关键词： 磁定位   目标尺度   磁场   非线性滤波   自适应  

摘要： 针对磁定位中由于目标尺度不可忽略导致的观测模型不匹配问题,提出一种仅需2个三轴磁传感器测量数据,且能够自适应目标尺度的滤波估值型实时磁定位算法。该方法基于最大似然选择思想,建立了不同个数磁偶极子构成的均匀线列阵模型作为候选观测模型;推导了一种适用于高维非线性动态参数估计的随机高斯流滤波算法,克服了大尺度目标模型高维度和强非线性导致的性能下降问题,提高了实时定位精度。同时,采用该算法对各个偶极子线阵模型分别进行滤波解算,选取最大似然值对应的滤波结果作为当前时刻估计值,实现了对目标尺度的自适应。通过双层壳体潜艇有限元磁场仿真模型数据对算法的有效性进行了验证,结果表明,相比现有方法,该算法估值更为准确,能够满足精确实时定位目标的需求,且具有更好的收敛性能。

关键词： 空间自适应   内容感知   红外目标   重组特征   高分辨率预测头  

摘要： 由于红外街道图像中小目标像素较少、颜色特征不丰富,容易导致模型漏检、误检以及检测效果不佳等问题,因此提出了一种基于空间自适应和内容感知的红外小目标检测算法。首先,通过堆叠局部注意力与可变形注意力设计一种基于空间自适应的转换器,以增强对长距离依赖特征的建模能力,捕获到更多空间位置信息。其次,采用内容感知特征重组算子进行特征上采样,实现在大感受野内聚合上下文信息以及利用浅层特征信息来自适应地重组特征。最后增加160×160的高分辨率预测头,将输入特征的像素点映射到更细小的检测区域,进一步改善小目标的检测效果。在FILR数据集上的实验结果表明,改进算法的平均精度均值达到85.6%,相较于YOLOX-s算法提高了3.9%,验证了所提算法在红外小目标检测上的优越性。

关键词： 目标跟踪   煤矿井下   外观姿势   中心点尺度  

摘要： 随着计算机技术的飞速发展,煤矿井下智能工作面的建设取得了巨大进步。目标跟踪作为井下智能工作面建设的一个重要环节,在保证作业人员安全,提升开采效率等方面发挥着重要作用。但是煤矿井下光照条件较差,当目标有较大外观变化和遮挡时,算法的跟踪预测框将不能准确跟踪目标。为了解决上述问题,设计出姿势自适应权重更新策略,该策略能计算出不同帧与模板帧之间目标外观姿势的变化程度,该变化程度作为目标估计网络调制向量更新的依据,动态地更新调制向量。通过该更新策略,使得算法对于目标尺度变化较大物体的跟踪精度得到提升。同时设计的中心点尺度回归损失函数,将中心点距离和高宽损失引入损失函数,使得目标框回归更加精准。

关键词： 对抗攻击   目标检测   黑盒迁移攻击   生成对抗网络   注意力损失  

摘要： 目标检测被广泛应用到自动驾驶、工业、医疗等各个领域.利用目标检测算法解决不同领域中的关键任务逐渐成为主流.然而基于深度学习的目标检测模型在对抗样本攻击下,模型的鲁棒性存在严重不足,通过加入微小扰动构造的对抗样本很容易使模型预测出错.这极大地限制了目标检测模型在关键安全领域的应用.在实际应用中的模型普遍是黑盒模型,现有的针对目标检测模型的黑盒攻击相关研究不足,存在鲁棒性评测不全面,黑盒攻击成功率较低,攻击消耗资源较高等问题.针对上述问题,提出基于生成对抗网络的目标检测黑盒攻击算法,所提算法利用融合注意力机制的生成网络直接输出对抗扰动,并使用替代模型的损失和所提的类别注意力损失共同优化生成网络参数,可以支持定向攻击和消失攻击两种场景.在Pascal VOC数据集和MS COCO数据集上的实验结果表明,所提方法比目前攻击方法的黑盒迁移攻击成功率更高,并且可以在不同数据集之间进行迁移攻击.