关键词： 点云   三维目标检测   图注意力   特征插值   多尺度特征   激光雷达   体素化   车辆检测  

摘要： 目前基于点云的三维目标检测方法未能充分利用点云局部几何特征,导致对点云稀疏的目标检测效果不佳。为此,本文提出基于原始点云体素图注意力的两阶段三维目标检测算法(voxel graph attention region-CNN,VGT-RCNN)。通过多尺度体素特征插值计算网格中心点特征;在多尺度非空体素特征上构造局部图;通过图注意力机制对体素特征进行加权平均,充分提取并利用目标的局部几何特征完成检测。该算法主要针对当前二阶段算法在进行特征聚合时对不同体素特征的重要性考虑不足进行改进,引入可学习的权重矩阵,动态学习体素特性的权重,提高局部特征表达能力。本文在流行的KITTI自动驾驶数据集上进行了充分测试,取得了具有竞争力的检测效果,尤其是在对点云稀疏的汽车目标检测上,准确率有较大提高。本文还对检测效果进行了可视化分析。

关键词： 计算机视觉   建筑工程测绘   智能分类   识别算法  

摘要： 在数字化技术快速发展的时代,计算机视觉作为一种致力于使计算机能从图像或多维数据中理解世界的科学,已成为技术创新的前沿领域。在建筑工程领域,测绘数据的智能分类与识别对规划、设计和建设过程的优化具有重要意义。文中系统地探讨了基于计算机视觉的建筑工程测绘数据智能分类与识别技术。通过详细分析计算机视觉在测绘数据处理中的应用,阐述了建筑工程测绘数据的特点,并研究了数据智能分类、特征提取方法、分类与识别算法的选择及实时数据处理技术,旨在推动建筑工程领域的技术进步和发展。

关键词： 舰船遥感   目标检测   舰船识别   深度卷积网络  

摘要： 近年来,随着高分辨率遥感影像和船舶智能化的发展,通过遥感技术在大范围内对船舶目标进行检测识别已在海洋监管和安全等领域发挥出重要的现实意义。考虑到人类的视觉回路系统中对外界特定目标有很强的方向选择性,借鉴视觉的方向选择性机制,将有助于提升舰船检测识别任务的性能。从3个方面来模拟这种视觉的方向性选择机制:对卷积层采用Gabor卷积核分解的方法来模拟视觉回路的方向性,使深度卷积网络具有方向不变性;通过采用方向回归的方式估计舰船目标的主方向,模拟方向性选择机制;结合方向性目标来提升舰船检测识别任务的性能。试验结果表明:与快速区域卷积神经网络(Faster R-CNN)、单步多框检测(SSD)和定向响应网络(ORN)方法相比,该方法能取得较好的效果,表现出潜在的优势,均值平均精度(mAP)可达到约98%。

关键词： EUIE   eSE注意力   海洋垃圾检测  

摘要： 针对海洋垃圾识别任务在实际应用中模型准确率不高的问题,提出一种基于优化YOLOv7的海洋垃圾识别算法。在图像增强部分,基于概率UIE的框架,通过添加eSE注意力减少特征信息的丢失。在损失函数部分,在IoU损失函数的基础上引入两层注意力机制的损失函数,将其与EIoU损失函数融合进一步提升模型的泛化能力。将该算法应用于海洋垃圾检测任务,并在基础数据集上对其进行评估。在YOLOTrashCan两个数据集上的平均精度均值指标分别达到69.5%、63.5%,相较于YOLOv7算法分别提升6%、1.6%。整体实验结果表明,所构建的算法能有效提升海洋垃圾检测的准确性。

关键词： 3D目标检测   激光雷达   毫米波雷达   占位预测   鸟瞰图视角   特征融合  

摘要： 激光雷达工作环境中的光束衰减和目标遮挡会导致输出点云出现远端稀疏的问题,从而引起基于激光雷达的3D目标检测算法的检测精度随距离衰减的现象。针对这一问题,提出了一种基于鸟瞰图视角(BEV)空间内目标占位预测的激光-毫米波雷达融合目标检测算法。首先提出了一种简化的BEV占位预测子网络,用于生成位置相关的毫米波雷达特征,同时有助于解决毫米波雷达数据稀疏带来的网络收敛困难的问题。然后,为了实现跨模态特征融合,设计了一种基于BEV空间特征关联的多尺度激光-毫米波雷达特征融合层结构。在nuScenes数据集上进行实验,结果表明,所提出的毫米波雷达分支网络的平均检测精度(mAP)达到21.6%,推理时间为8.3ms。在加入融合层结构后,多模态检测算法较基线算法CenterPoint的mAP提升了2.9%,同时增加的额外推理时间开销仅为8.6ms,在距离传感器30m位置处,多模态算法对于nuScenes数据集中10个类别的检测精度达成率分别较CenterPoint提升了2.1%~16.0%。

关键词： 红外小目标检测   深度学习   模型驱动   数据驱动  

摘要： 红外小目标检测(Infrared Small Target Detection,ISTD)是远程精确打击、空天攻防对抗和遥感情报侦察等军事应用中的关键技术.红外图像由于目标尺寸小,缺乏颜色、形状信息,在复杂背景下对小目标检测一直是一项挑战性的问题.近年来,研究人员对ISTD开展了大量研究.根据研究方式和角度的不同,将小目标检测分为基于模型驱动的模型和数据驱动的模型两大类,并分别进行了简要梳理,分析了不同方法的原理、优势及不足.最后,指出了该领域未来的研究方向,即更关注性能高、泛化性好、复杂度低的检测算法.

关键词： 多尺度   坦克目标识别   深度学习   注意力机制   YOLOv4  

摘要： 在信息化作战的大背景下,为实现无人模式智能收集前方战场的坦克目标信息,研究提出了一种基于YOLOv4地面坦克目标检测的改进算法。基于原YOLOv4目标检测算法,使用多特征层拼接模块增强特征信息的传递与流动;使用全局信息获取模块更好地对全局特征信息进行捕获;使用多尺度信息融合模块扩大特征融合的尺度;添加解耦检测头模块将目标分类和位置回归任务进行解耦操作使得网络学习更加彻底。实验结果显示,与YOLOv4算法相比,改进后的YOLOv4_Modify算法提高了识别精度,其中,Recall值提升了10.2个百分点,mAP值提升了4.3个百分点。实验结果表明,改进后的YOLOv4_Modify算法能够精确地识别出复杂环境下不同尺度的坦克目标,改善了原有检测算法中对较小坦克目标的漏检问题,为信息化作战提供了视觉技术支持。

关键词： 电力设施检测   异构图像融合   目标检测   深度学习  

摘要： 【目的】电力设施的及时、准确检测对保障能源供应的可靠性至关重要,而单一传感器在电力设施检测中存在一定的局限性,为此,提出了一种基于显著性检测的多尺度特征异构图像融合算法。【方法】采用边缘制导网络从红外图像中提取显著目标,生成显著目标掩模;在每个区域建立特定的损失函数,结合显著目标掩模引导网络进行特征提取;基于特征层次的定向异构融合方法,将不同尺度的深度特征进行定向结合,最大限度地减少信息丢失。【结果】在TNO数据集上进行的主观与客观实验表明,该算法在大多数评估指标上优于其他方法,验证了其在电力设施检测领域应用的有效性。【结论】该算法有效解决了检测率较低和信息丢失的问题,使电力设施的检测更全面准确,对提高电力设备故障检测的准确度和诊断效率具有重要意义。

关键词： 轻量化   深度学习   特征金字塔网络(FPN)   YOLOv5   大核卷积  

摘要： 针对移动端目标检测算法需要模型参数量与计算量更少、推理速度更快和检测效果更好以及目标检测算法对于小目标误检、漏检及特征提取能力不足等问题,提出一种基于YOLOv5改进的轻量化目标检测算法。该算法使用轻量级网络MobileNetV2作为目标检测算法的骨干网络降低模型的参数量与计算量,通过使用深度可分离卷积结合大卷积核的思想降低网络的计算量与参数量,并提升了小目标的检测精度。使用GhostConv来替换部分普通卷积,进一步降低参数量与计算量.本文算法在VOC竞赛数据集,COCO竞赛数据集两份数据集上均进行了多次对比实验,结果表明本文算法相比于其他模型参数量更小、计算量更小、推理速度更快以及检测精度更高。

关键词： 月球基地设备交互   TPH-YOLOv5目标检测   双向快速扩展随机树   路径规划  

摘要： 随着国际月球科研站计划的快速推进,针对月球基地相关技术的研究受到了广泛关注。面向月球基地场景下不同的设备间进行自主接触式交互这一应用背景展开研究。考虑不同的设备在进行自主接触式交互时,需要准确地完成相互识别,并且规划出畅行无阻且较优的行进路线以保证往返活动顺利进行,基于Webots搭建了月球基地仿真环境进行目标检测和路径规划相关实验。以前后配备高精度RGB相机的交互设备为载体实现基于TPH-YOLOv5月球基地场景下的目标检测。此外,设计并实现了交互设备在月球基地场景下基于双向快速扩展随机树(Bidirec-tionalRTT)的路径规划算法,以保证交互设备在月球基地环境下的相关工作顺利进行。仿真结果显示,该目标检测及路径规划算法能够实现预期功能。