关键词： 情景动词识别   知识蒸馏   神经网络   计算机视觉  

摘要： 随着计算机视觉领域的迅速发展,动词情景识别作为图像领域一项挑战性任务,旨在识别图像中的语义高度复杂的情境。分析动词情景识别的研究现状,提出了一种结合CLIP模型与知识蒸馏技术的新方法。利用CLIP的强大跨模态能力捕获图像与情景间的细微关联,并通过知识蒸馏将这些关联映射到任务中,提升网络的性能。在标准SWiG数据集上结果表明,该算法在参数量最小的情况下,性能上超越了当前的先进技术。主要贡献为提出了一个结合CLIP的语义感知知识蒸馏的SKD⁃VSR框架,并在公开数据集上进行了广泛的实验,验证了方法的有效性。

关键词： 信息融合   目标跟踪   量测关联   扩维无迹卡尔曼滤波器   空基多平台  

摘要： 该文以高空无人机(UAV)飞艇载双光电传感器,无人机载两坐标雷达对航空目标的精确定位跟踪为研究背景,针对参与融合的传感器均无法独立获得目标位置信息导致传统点迹关联、定位方法失效等问题,提出一种基于多平台异构信息融合的航空目标跟踪算法。首先,在坐标系转换的基础上提出基于角度-距离两级点迹关联算法,从而实现多传感器量测关联。其次,提出基于线面交汇融合定位算法,通过最小二乘法、交汇点投影、距离最近点解算及同源数据压缩确定目标的航迹起始位置。在此基础上,利用空基多平台侦察的异构信息,结合传统无迹卡尔曼滤波器(UKF)设计扩维UKF对航空目标进行跟踪。仿真结果表明,该算法实现了对航空高速目标的高精度跟踪。

关键词： 炭疽病   深度学习   目标检测   分类识别   病害诊断   SVM  

摘要： 炭疽病在柑橘园普遍发生、危害严重,为提高果园环境条件下病害识别的及时性和准确率,保障果品产量和品质,对果园环境条件下病害图像的ROI融合特征进行识别。收集果树不同发病部位、病害不同发病阶段的9种类型的柑橘炭疽病害图像作为模型训练的数据集;在病害ROI特征提取检测模块中对图像颜色、纹理特征及其融合特征进行提取,以获得更多的病害特征信息,并形成SVM分类器;使用训练好的SVM分类器进行待测病害图片的检测识别。将光谱特征与纹理特征融合送入训练好的SVM分类器,病害识别准确率平均可达94%,病害识别平均用时0.005 s。该方法对复杂自然环境下柑橘炭疽病的检测识别具有较高的精准度和较强的鲁棒性,对柑橘疾病的防控具有重要意义。

关键词： 水下目标跟踪   主动声呐   箱粒子滤波   量测不确定  

摘要： 在复杂水下环境中,主动声呐的量测值在距离和方位分辨率上存在较大的不确定性,即一个目标回波的能量可能覆盖声呐距离-方位能量谱的多个相邻位置网格。并且,当环境中混响较强时,上述量测不确定性将引起多个区域性的杂波干扰。为了减小状态空间估计的偏差,基于粒子滤波(PF)的跟踪方法需要大量粒子来近似后验概率密度,跟踪的实时性急剧降低。针对上述问题,该文提出一种基于区间量测的箱粒子滤波跟踪方法(IBPF),对主动声呐量测值进行区间表示,即用一个表示距离和方位区间的箱粒子代替点值量测,用区间表示这种量测不确定性,在提高状态估计稳定性的同时,极大程度地减少了后验概率密度估计所需的粒子数,从而进一步提高计算效率。实验结果表明,所提IBPF与PF相比,能以更高的计算效率获得更优的跟踪性能,对目标的跟踪时间缩短了18.06%,跟踪成功帧数增加了4.29%。

关键词： 西红柿   YOLOv8   CSPDarknet结构   注意力机制   混合损失函数  

摘要： 针对当前复杂环境下基于YOLO系列西红柿目标检测算法识别精确率不高、错检和漏检情况较多等问题,提出了一种基于YOLOv8单阶段西红柿目标检测识别方法.该方法以YOLOv8单阶段目标检测算法为主体,结合CSPDarknet结构改进、引入注意力机制、使用自适应锚框和混合损失函数等,提高算法检测精确率和效率.实验结果表明,YOLOv8模型在复杂环境下依然能够高效、准确地识别西红柿目标,展现出良好的鲁棒性,为农业自动化中的目标检测提供了可靠的技术支持.

关键词： 荧光高光谱   塑料包装材料   大肠杆菌   图像处理   生物膜  

摘要： 本研究基于荧光高光谱技术,采用365 nm波段紫外光作为激发光源,获得塑料包装表面421~700 nm波段范围内的荧光高光谱图像,确定多种塑料包装材料(聚乙烯、聚丙烯、聚酰胺)表面大肠杆菌污染的荧光特征光谱,并确定生物膜检测限。结果表明,聚乙烯、聚丙烯和聚酰胺表面大肠杆菌荧光光谱特征波长分别位于550、543、540 nm;基于上述特征波长处的单波段图像经过处理能够准确检出3种塑料包装材料表面的大肠杆菌接种点,检出率均大于98%;对聚乙烯、聚丙烯和聚酰胺表面大肠杆菌生物膜的检测限分别为1.39、1.39(lg(CFU/cm^(2)))和1.59(lg(CFU/cm^(2)))。本研究可为包装食品微生物检测及食品安全监控提供有力的技术手段和理论支持。

关键词： 深度学习   遥感图像   高斯分布   旋转目标检测  

摘要： 针对遥感图像目标检测物体长宽比例大、方向任意等特点,一般检测器存在检测精度不高的问题,提出一种基于YOLOv5的遥感图像旋转目标检测,使用旋转回归损失KLD Loss,把旋转矩形包络框转换为高斯分布,提供了更加准确的回归预测,避免了边界问题。实现结果表明,所提算法在DOTA数据集检测精度(mAP50)达到了77.97%,相比基础模型YOLOv5m提升了5.75个百分点。实验证明该算法在高精度的遥感图像旋转目标检测的有效性。

关键词： 单目标跟踪   Transformer注意力机制   目标分割   形态学方法   相关滤波  

摘要： 采用相关滤波的判别式目标跟踪算法因具有较好的跟踪效果得到广泛关注,但该类方法使用的矩形框估计法通常只能得到目标正矩形框,难以获得目标更加精细的状态信息,如旋转矩形框、目标轮廓、掩码信息等。为解决上述问题,提出一种基于Transformer的单目标跟踪与分割统一算法T-TS,利用Transformer的注意力机制优势对目标精确定位,通过得到的目标定位编码信息引导目标分割网络对目标进行前、背景分割,获得目标精细掩码,再对掩码进行形态学处理,优化得到目标的最佳旋转矩形框及其轮廓。在跟踪数据集VOT2018和分割数据集DAVIS上进行实验,结果显示,T-TS算法与孪生网络类算法相比具有更高的鲁棒性,与相关滤波类算法相比具有更高的跟踪精度,其在VOT2018上期望平均重叠率指标达到0.463,在视频分割任务上也实现了较好结果,DAVIS2016和DAVIS2017上Jaccard指标分别达到77.3和65.3,运行速度达到34 frame/s。实验结果表明,该算法能够准确得到旋转矩形框,对目标进行精准预测,有效解决目标旋转、形变等问题。

关键词： 无人机影像   目标检测   YOLOv5模型   位置注意力模块   旋转框  

摘要： 针对无人机影像背景复杂、地面目标尺寸跨度较大且角度各异等问题,本文提出了一种基于YOLOv5模型与带有旋转角度的目标框(OBB)损失函数的无人机影像目标检测方法。首先,在主干网络中加入位置注意力模块(PAM),让模型更专注于学习正样本的纹理特征;其次,在特征增强网络中输出更大尺寸特征图,进一步增强对小目标的检测能力;再次,为更精准检出多角度目标,在输出端引入旋转框定位损失函数;最后,为增加样本数量并扩充训练集多样性,对训练集进行了增广处理。试验结果表明,基于旋转框与位置注意力模型(PAM-OBB-YOLOv5)在平均精度均值(mAP)上较YOLOv5模型提高了8.3%,在多种复杂环境中表现出良好的泛化能力,且该模型每秒检测影像帧数(FPS)达到32帧,能进行实时级检测结果输出。

关键词： 目标检测   轻量化级神经网络   注意力机制   多尺度特征融合  

摘要： 由于YOLOv5目标检测模型中参数多、计算复杂度高,无法满足边缘设备进行智能计算和实时反馈的需求,提出了基于多尺度特征融合的轻量级目标检测算法。首先,针对标准卷积模块参数量大、计算复杂度高的问题,提出基于幻影卷积的特征提取卷积模块代替原模型的特征提取模块,在保持检测精度的前提下,减少模型的参数量和计算量。其次,设计出ShuffleNetv2_2下采样模块,进一步减少算法的参数量。再次,针对模型轻量化后的特征提取能力不足问题,将低维特征充分融合到Neck网络中并添加跨层级联以降低浅层语义的丢失,在增强目标特征的表达的同时提高模型的检测效率。最后,提出LAM注意力融合模块,为模型的颈部网络提供具有更丰富的语义特征图。实验结果表明,相比于原模型,改进模型的参数量和计算量更少,并且在PascalVOC和MSCOCO数据集的检测准确率分别提高了2.1%和2.4%。