关键词： 视觉-语言预训练模型   Faster R-CNN   开集目标检测   交通目标检测  

摘要： 交通目标检测是智慧交通系统的重要组成部分，但现有的交通目标检测算法只能实现对于预设目标的检测，无法应对开集目标场景。对此，提出一种基于视觉-语言预训练模型（VLP）的开集交通目标检测算法：首先，基于Faster R-CNN，修改预测网络使其能够适应开集目标的定位问题，并将损失函数改进为IoU损失，有效地提升了定位精度；其次，构建一种新的基于VLP的标签匹配网络（VLP-LMN），对预测框进行标签匹配，VLP模型作为一个强大的知识库，可有效匹配区域图像和标签文本，同时，VLP-LMN的提示工程和微调网络模块可以更好地发掘出VLP模型的性能，有效提高VLP模型标签匹配的准确性。该算法在PASCAL VOC07+12数据集上实现了60.3%的新类目标检测平均准确率，这证明了其具有良好的开集目标检测性能；同时在交通数据集上的新类目标检测平均准确率达到了58.9%，作为零样本检测，也仅比基类目标低14.5%，这证明了该算法在交通目标检测上有良好的泛化能力。

关键词： 大内核   小目标   上下文信息   特征细化   自适应融合   感受野  

摘要： 针对当前基于卷积神经网络的单阶段目标检测算法（YOLO系列、VFNet等）在高空拍摄场景下面临目标背景复杂、检测精度低和特征混叠等问题，提出了一种端到端的目标检测算法CSPENet。首先，采用基于大内核深度卷积CSPNeXt作为模型主干，提高了模型捕捉全局上下文的能力。其次，通过引入特征细化块在空间和通道维度上生成自适应权重可有效抑制混叠特征，并在特征融合阶段添加基于移动网络的感受野注意力机制解决了大内核参数共享问题。最终，通过采用EIoU损失函数作为模型的回归损失函数，并拆分预测框和真实框纵横比的影响因子，以提高模型收敛速度并改善定位效果。实验结果表明，CSPENet在VisDrone-DET数据集上相对于DINO算法平均准确率提升4.4%，为小目标检测算法研究及其应用提供新的参考方案。

关键词： 水面漂浮小目标   极小目标检测层   卷积块注意模块   NWD损失函数  

摘要： [目的]针对无人船视角下的水面漂浮瓶识别易出现错检、漏检等问题，基于YOLOv5s算法，提出一种改进的YOLOv5s水面漂浮小目标检测算法。[方法]针对原始数据集Flow-Img进行了数据增强，对原始数据集进行扩充，从而避免模型出现过拟合的现象；为了提高深度学习模型对极小目标的检测精度，在YOLOv5s的3个检测层的基础上，增加了1个极小目标检测层，同时去掉用于大目标的检测头，避免数据不均衡带来的先验框分配问题；接着，在骨干网络中增加CBAM注意力模块，以解决模型在水面漂浮瓶检测任务中目标特征信息捕捉能力不足的问题；最后引入NWD回归损失函数，将IoU损失函数和NWD损失函数进行加权组合，形成一个综合的回归损失函数，从而进一步提高对水面漂浮瓶识别的准确率和精度。[结果]实验结果表明，该算法在水面漂浮瓶检测上mAP@0.5值达到95.7%，对比原始的YOLOv5s算法，改进YOLOv5s算法的mAP@0.5提升了2.6%,mAP@0.95提升了4.5%，同时，模型参数量下降了61.9%。[结论]在实现轻量化的同时使得水面漂浮瓶检测结果更加准确，为水面小型漂浮物的检测提供了重要的技术参考。

关键词： 高校美育   课程思政   教学实践  

摘要： 随着"文化强国建设"和"坚定文化自信"理念的提出,人文素质教育成为当前我国素质教育的重点,高校美育是实现人文素质教育的重要途径.而传统的《图像处理与制作》课程教学重视软件操作技能,轻视艺术审美能力培养,思政元素的融入缺乏深度.在《图像处理与制作》课程中深入挖掘思政元素,积极开展美育实践,以美育作为支撑点,以点带面,将思政元素从思政资源建设、思政教学管控、思政考评体系三个方面全方位立体化地融入课程教学,把德育、智育、美育等有机统一在教育活动的各个环节.

关键词： 目标检测   无人机   深度学习   计算机视觉   神经网络  

摘要： 无人机在军事/民用/商业领域的广泛应用促使对其识别和分类的需求。随着人工智能的不断发展，深度学习作为一种机器学习技术，在目标检测领域展现出良好的性能，也可应用于无人机识别领域。本文首先介绍了无人机识别的背景和意义，回顾了深度学习的发展历程，并分别介绍了目标检测中两种重要的算法结构：两阶段目标检测算法和单阶段目标检测算法；然后，对目标检测常用算法以及算法中的骨干网络等进行了阐述，归纳了近年来无人机识别改进算法的改进策略，总结了改进效果及其缺点和局限性；最后，针对目前无人机识别的研究现状，提出展望和挑战，有望在建立无人机数据集，提高无人机检测的准确性、实时性等方面取得更大突破，推动无人机技术在各个领域的应用。

关键词： 小行人目标检测   SSD算法   注意力机制   亚像素卷积   多尺度特征融合  

摘要： 在地铁场景中，小行人目标由于分辨率低，包含特征信息较少，现阶段目标检测器对此类目标的检测仍具有挑战性.SSD目标检测算法利用金字塔网络的多尺度检测头，能一定程度提高行人目标检测性能，但将其应用于地铁等复杂环境中实现小行人目标检测仍具有一定局限性.针对上述问题，提出一种改进SSD算法以加强地铁场景中小行人目标检测效果.通过构建地铁场景行人目标数据集，标注相应标签，同时进行数据预处理操作；在特征提取网络中加入金字塔特征加强模块，将多分支残差单元、亚像素卷积和特征金字塔相结合获得图像多尺度、多感受野融合特征；利用上下文信息融合模块将图像低层特征与上下文特征相融合，生成扩展特征层用于检测小行人目标；设计一种基于Anchor-free的动态正负样本分配策略，为小行人目标生成最优正样本.实验结果表明：提出的改进SSD算法能有效提高地铁场景小行人目标检测性能，对遮挡严重的小行人目标检测，效果提升更为明显.

关键词： 多信息融合   目标检测   目标跟踪   车速估计   拥堵检测  

摘要： 在高速收费站拥堵检测场景中，遮挡、阴影、景深等因素严重影响检测算法精度，基于单信息的拥堵检测算法无法准确反映收费站真实拥堵情况，对此提出一种高速收费站多信息融合拥堵检测算法。首先采用目标检测算法检测目标区域车辆，利用图像空间特征计算车道占用率；其次利用Deep SORT目标跟踪算法与滑动平衡机制进行车流量综合估计，减少因为遮挡和阴影导致的车辆误检、漏检问题；最后利用基于光流信息熵的车速估计方法，降低因景深变化导致的拥堵状态检测误差。通过融合三种不同维度信息得到拥堵指数，拥堵指数聚类为五种拥堵类别以判断真实拥堵状态，从而实现高速收费站的拥堵检测。实验表明，在高速收费站拥堵数据集上，采用多信息融合的拥堵检测算法精准度达90.4%，能够实现对收费站拥堵状态的准确检测。

关键词： 目标跟踪   注意力机制   动态模板更新   质量评分头   Transformer  

摘要： 当前，基于Transformer的目标跟踪方法广泛应用在计算机视觉领域，并取得了优异的效果。但是，由于在实际跟踪任务中存在目标变换、目标遮挡、光照变化以及目标快速运动等导致目标信息发生变化的情况，现有方法对目标模板变化信息利用不足限制了跟踪性能的提高。为了解决这个问题，通过附加一条动态模板更新分支反映目标最新的外观和运动状态，提出一种基于实时动态模板更新的Transformer目标跟踪方法TransTRDT（Transformer Object Tracking Method based on Real-time Dynamic Template）。该分支通过模板质量评分头对模板是否更新进行判断，当判定可以进行更新时，随后将初始模板、前一帧动态模板以及裁剪后的最新预测结果传入动态模板更新网络更新动态模板，通过获取更可靠的模板从而实现目标更准确的跟踪。TransTRDT在公共数据集上进行实验，分别在GOT-10k、LaSOT以及TrackingNet上超越SwinTrack和StarK等一众优秀算法表现SOTA（State of the Art），在OTB100中的跟踪成功率超越MixViT-L(ConvMAE)达到71.9%，跟踪速度达到36.82FPS，达到目前行业的领先水平。

关键词： 露天矿卡   装载   浅层特征   CIoU   损失函数   目标检测  

摘要： 露天矿运输过程中轻车跑票和人为套票等现象时有发生，导致运载数据统计真实性和可靠性大幅度降低，不利于矿山运营管理。针对此类现象，采用图像识别技术，提出了一种基于改进YOLOv5s的露天矿卡装载率检测方法。将露天矿卡车装载图像数据集进行数据增强与扩充，并对其进行标注；在YOLOv5s网络结构的基础上，采用改进的骨干网络GhostNet进行特征提取；增加浅层网络P2细化特征输出，提升网络对空间信息进行有效捕捉的能力，同时引入吞吐量可配置卷积C2f模块，保证轻量化的同时获得更加丰富的梯度流信息；针对目标检测后处理阶段使用更平滑的soft-NMS替代NMS去除冗余检测框，使用损失函数CIoUα对矩形框损失进行计算。研究结果表明，改进的YOLOv5s模型对不同装载率(70%，80%，90%，100%，110%)矿卡的识别准确率达到了83.2%，90.4%，93.3%，92.4%，94.1%，能满足矿山现场监测的需求。此方法具有不接触计量对象、不干扰运输系统、且运行成本低，无需人工值守等特点，能够有效降低企业运输管理成本，为实现露天矿运输的精细化管理提供数据支撑。

关键词： 红外目标检测   小样本   类边界均衡   二阶池化注意力   协方差  

摘要： 针对红外目标检测存在复杂背景干扰下已有的小样本目标检测模型无法充分挖掘支持信息导致检测性能下降的问题，提出了融合二阶池化注意力的类边界均衡小样本目标检测算法。类边界均衡算法通过类边界对抗最小-最大正则化来实现新类之间边界平衡，解决了小样本目标检测任务中由于基类和新类特征原型分布混乱造成的检测性能下降的问题。但是，由于复杂背景干扰，类边界均衡算法直接用于红外目标检测无法充分利用支持集图像的有效信息。提出二阶池化注意力机制来抑制背景干扰，增强对支持图像有效信息的学习，进而加强利用支持信息对查询信息调节的功能。该机制沿通道维度计算输入特征图各个通道之间的协方差，来获取各个通道之间的统计依赖性进而捕获重要通道的高阶特征信息。同时沿通道维度计算输入特征图各个通道的标准差，并将两个通道的协方差除以两个通道的标准差以减弱噪声对协方差估计的影响，增强协方差计算的准确性。在类边界均衡算法权重模块中融入二阶池化注意力机制，来引导检测算法将特征学习聚焦在目标及其邻域，并抑制复杂背景的干扰。实验结果表明，相对于经典算法，提出的小样本目标检测算法在10-shot任务上获得了最佳性能，在自制的红外目标数据集的新类别上的平均mAP达到了56.4%。