关键词： 深度学习   目标检测   YOLOv5s   自注意力机制  

摘要： 针对遥感图像普遍存在背景复杂、小目标多、特征提取难等问题,本文提出了一种改进的上下文通道变换器(Contextual and Simple Squeeze-and-excitation Transformer,CoST)风格模块算法。这种设计充分利用相邻Key之间的语义信息,引导注意力矩阵动态学习,同时引入简化版通道注意力(Simple Squeeze-and-excitation,SSE),促进了与当前任务相关的特征图通道的形成,抑制了与当前任务关系不大的特征通道,从而增强了视觉表征的能力。实验在目标检测(YOLOv5s)框架上进行,在PASCAL VOC和DIOR数据集上进行评估,结果表明:改进后的YOLOv5s在模型在VOC以及在遥感数据集DIOR上平均精度分别提升了2.4%和1.4%,验证了模块CoST的有效性。

关键词： 毫米波雷达   车辆检测   卡尔曼滤波   神经网络   深度视觉   目标跟踪  

摘要： 为解决现有毫米波雷达和传统机器视觉融合方案在复杂环境下车辆检测准确率较低的问题,首先,使用4D毫米波雷达替代传统毫米波雷达,使用自适应卡尔曼滤波算法滤除雷达杂波并跟踪目标;其次,使用车辆数据集训练改进深度视觉网络MobileNetV2+SSDLite来提高视觉识别车辆的准确率;最后,采用决策融合方案完成毫米波雷达信号和视觉信号融合。通过对比不同环境下的实验结果表明,改进方案可以完成对目标车辆的有效估计与跟踪,在不同环境下都有着很好的车辆识别效果,以及更好的可靠性和鲁棒性。

关键词： 数字图像处理   教学方法改革   OBE理念   项目驱动   动态评价  

摘要： 数字图像处理作为大多数理工类和综合类院校的一门新兴交叉课程,该课程具有发展速度快、内容覆盖面广、理论难度大和实践要求高的特点。然而,其教学过程往往存在课程教学气氛单调、学生主动性、积极性不高;课程实验任务简单,学生解决复杂问题能力培养不足,以及教学评价依赖期末考核,缺乏动态、完善的评价机制等问题。该文针对这些问题,提出基于OBE理念的数字图像处理教学方法,在“学导互促”教学、项目驱动式教学、动态评价的教学机制三个方面进行探索与实践,培养学生的创新和解决复杂工程问题的能力,提高本科生教学质量。

关键词： 游泳比赛   自动识别   视频输出   数据集   训练算法   游泳者   目标检测   游泳运动  

摘要： 目的现在流行的模型不能有效识别出泳池中的游泳者,本研究尝试将计算机视觉运用到游泳运动中,通过自建数据集训练出模型自动识别出运动员在泳池中头部的位置。方法(1)以游泳比赛视频输出175张图片,通过labelimg软件标注构建识别运动员的头部的数据集。由于数据量较小,使用imgaug方法对图片和标签进行扩增10次使数据集图片达到1750张。(2)设置训练集和验证集的比例为7∶3,使用YOLO训练算法对数据集进行训练。(3)用验证集对训练模型进行验证。结果由于流行的yolov8n模型的无法识别出水中的人物,但训练出来的模型能有效识别出水中的人物,损失值为1.7034、精度为80.1%、召回率为69.2%,在Io U为0.5时,平均精度均值m AP为79.4%;在Io U为0.5~0.95间的m AP值为38.7%。结论该模型在验证中比原模型有较好提升。但是由于该模型的精度不够高后期可通过增加数据集和优化算法来提高检测精度测精度,并加入对游速、划频等指标的识别。为自动识别游泳者的游速、划频构建了基础。

关键词： 目标检测   深度学习   摄像头  

摘要： 为了解决现有目标检测算法在实际应用中存在的问题,文中提出了一种综合方法,包括数据预处理和标注、深度学习模型选择与构建、模型训练与调优以及模型评估与指标分析。另外,进一步探索了目标检测算法优化的方法。结果表明,目标检测算法在目标定位和分类精度方面表现出色,且具有较高的准确性和鲁棒性。

关键词： 靶标   降质图像   目标检测   特征融合   注意力机制  

摘要： 装甲车辆动态性能考核中的立靶成像测试环节,靶标检测的准确性与武器装备鉴定及定型的精度息息相关。针对靶标图像对比度低、可辨识度低等降质问题,提出一种基于改进YOLOv5的降质靶标检测算法:使用多分支分组卷积结构配合深度、逐点卷积搭建主干特征提取网络,降低网络参数计算量,提高网络的检测速度;引入表征注意力机制,增强靶标的表征能力;在网络输出层,引入3分支空间特征融合,利用低层特征图的细粒度特征信息与高层特征图丰富的语义信息组合,保留降质靶标图像的细节、边缘语义信息;实验结果表明:在靶标数据集中,所提算法的检测精度mAP达到90.88%,检测速度达到52.74帧/s,能在降质环境下够高效、精准地完成动态性能考核中立靶成像测试环节中的靶标检测部分。

关键词： 高光谱遥感影像   目标检测算法   农田“非粮化”  

摘要： 文章结合实际案例,对高光谱遥感影像目标检测算法在农田“非粮化”监测中的运用进行深度探讨。通过数据获取以及处理流程改进,引入现代化学习算法,高效辨识农田中的非粮食作物,做好类型划分,从全局出发把握农作物发展,动态监测数据信息变化。基于数据表以直观方式,揭示不同监测区域非粮食作物类型、面积及占比,通过对比掌握其中存在差异,以期为产业规划提供支持,同时展望技术未来发展应用。

关键词： 三维目标检测   注意力机制   ConvNeXt V2   损失函数   激光雷达点云   自动驾驶  

摘要： 针对PointPillars算法中存在识别与定位不准确的问题,提出一种GCR-PointPillars三维目标检测模型,该模型首先在Pillar特征网络中引入全局注意力机制,学习点云特征之间的相关性,增强伪图特征的全局信息交互能力;其次,基于ConvNeXt V2重新构建特征提取网络,提取更加丰富的语义信息,从而有效提升网络的学习能力;最后引入RDIoU来联合引导分类和回归任务,有效缓解分类和回归不一致的问题。文中模型在KITTI数据集中与基准网络相比,汽车类别在简单、中等、困难三种难度级别下分别提高了2.69%、4.29%、4.84%,并且推理速度达到25.8 f/s。实验结果表明,文中模型在保持实时性速度的同时,检测效果也有明显提升。

关键词： 松材线虫病变色木   深度学习   目标检测  

摘要： 【目的】对受松材线虫病影响的树木进行快速、高效和精确的检测。【方法】利用深度学习技术中的YOLO v4(you only look once version 4)目标检测模型,对高分辨率影像中的松材线虫病变色木进行检测,并与SSD(single shot multibox detector)模型进行对比。【结果】YOLO v4模型的检测精度较高,精确度(P)为0.961 3,召回率(R)为0.764 9,F1分数为0.851 9。【结论】YOLO v4可准确地识别和定位松材线虫病变色木,且精确度比SSD高。

关键词： 硬币识别   图像预处理   智能优化   粒子群算法   Otsu图像分割  

摘要： 硬币检测对于银行部门大额硬币流通、自助机交易、假币鉴别等具有实用意义。针对目前光电传感器硬币检测效果不理想的问题,提出了一种基于智能优化图像处理的硬币金额检测方法。首先利用颜色特征和智能优化Otsu图像分割对五角硬币特征区域进行提取并计数,再依次利用图像预处理、边缘检测、形态学处理和Hough圆检测等环节检测各硬币的半径信息,通过对半径进行比较可识别出硬币的种类及面额,最后利用App Designer设计了硬币自动识别系统。实验结果表明,该方法具有效果好、速度快、易于实现等优点,能够满足工程化需要。