关键词： 目标检测   激光雷达   注意力机制   全局上下文   残差网络  

摘要： 基于激光雷达的目标检测技术在自动驾驶、机器人导航和无人机等领域得到广泛应用,由于激光雷达点云数据的稀疏性和不均匀分布,目标的检测和分类面临挑战。为此,本文提出一种基于PointPillars算法改进的三维目标检测算法,首先设计了更为有效的点云柱状特征编码网络,在编码网络中引入逐点和逐通道的双重注意力编码网络,提高每个pillar的特征表示能力。其次,在主干网络部分,融合全局上下文信息网络GCNet和CSPDarknet网络以提高特征图表征能力,使得网络在特征提取阶段能够更为充分地提取丰富的上下文语义信息。通过KITTI数据集进行了实验验证,相较于基准模型,改进方法具有更高的检测精度,在简单、中等和困难3种场景下,改进算法平均精度分别提升了2.12%、2.51%和1.84%。同时,改进算法检测速度达到35.6 FPS,证明了该方法在保持检测算法实时性的同时,有效地提高了检测精度。

关键词： 深度学习   医学影像分割   视网膜血管分割   脑血管分割   冠状动脉分割   气道分割   图像处理  

摘要： 医学影像分析中,血管和气道分割是备受关注的研究。通过对血管和气道异常的评估,例如动脉壁增厚和硬化、脑血管破裂导致的出血以及肺部或气道内的肿瘤等,可以实现此类疾病的早期诊断和临床治疗指导。随着医学成像技术的发展,影像分割技术在评估和诊断这些结构异常方面变得越来越重要。然而,由于其复杂的结构和病理变化,血管和气道的准确分割仍然是一项具有挑战性的任务。许多研究都集中在特定类型的血管或气道分割上,对多种类型的血管和气道分割方法的综合回顾相对缺乏。对各类血管和气道的综合回顾可以为医学专家和研究人员提供更全面的临床参考价值。此外,不同类型的血管和气道具有形态上的相似性,一些算法和技术可以同时应用于它们的分割中,综合回顾也增强了讨论的广泛性。因此,本文对近20年来具有代表性的视网膜血管分割、脑血管分割、冠状动脉分割和气道分割4类研究工作进行了归纳,分别从传统方法、机器学习方法和深度学习方法3个方面对每类研究进行综述,同时总结了各种方法的优缺点,为后续研究提供了理论参考。此外,本文还介绍了适用于医学影像血管和气道分割的损失函数、评价指标,并收集了目前公开的各类血管和气道分割数据集。最后,本文讨论了目前医学影像血管和气道分割方法的局限性以及未来研究的方向。

关键词： 智能监控系统   模式识别   计算机视觉  

摘要： 随着经济的快速发展,城市交通的实时监控系统变得越来越重要,建立全面的智能监控系统对构建平安城市和智慧城市非常重要。本文算法借助强大的计算机处理数据的能力,利用图像领域的相关理论和模式识别、计算机视觉等新兴技术,针对视频源中有用的关键信息进行提取和分析,及时地对场景下的异常情况进行识别监控,并通知有关安全人员处理危机。在人力不可及的条件下最大限度地避免误报、漏报等现象,使监控系统真正实现无人监管、智能化。

关键词： YOLOv7   水下小目标检测   注意力机制   FPN   EIoU  

摘要： 目标检测研究一直是水下小目标检测的难题;针对水下小目标检测任务漏检率高、水下场景识别效果差的问题,提出一种利用YOLOv7改进的水下小目标检测技术;为了达到准确率的同时兼顾高检测速度,采用YOLOv7网络作为基础网络;该网络通过融合SENet注意力机制、增强FPN网络拓扑、结合EIoU损失函数,集中小目标更关键的特征信息,提高检测精度,同时降低模型复杂度;通过模拟测试,在测试集上确认了mAP、P和R指标,并与其他传统目标检测技术进行了对比;结果表明,增强的算法优于竞争网络,并成功提高了测试集的检测精度。

关键词： 视频SAR   运动目标检测   深度学习   YOLOv5   阴影检测  

摘要： 视频合成孔径雷达图像中动目标阴影可反映其真实位置,针对目前利用深度学习检测阴影的方法来检测动目标存在检测概率低和虚警等问题,提出一种改进的YOLOv5模型。该算法以YOLOv5框架为基础,一方面添加小目标检测层、引入兼顾通道和空间的三维注意力机制,并调整损失函数计算方法为最小点距交并比方法,来提升网络对动目标阴影的感知能力;另一方面增加道路提取作为判定条件,来降低道路外侧静止物体阴影对检测动目标阴影的干扰。经实验验证,该算法与YOLOv5相比在平均精度上提高7.12%,满足动目标检测需求。

关键词： 目标检测   YOLOv5s   线路巡检   高压输电线路  

摘要： 文章针对传统的高压输电线路巡检过程中存在的效率低下等问题,提出一种基于改进YOLOv5s的高压输电线路巡检故障实时检测方法。将卷积块注意力模块加入YOLOv5s骨干网络中最后一层,从通道注意力与空间注意力两个方面对特征图进行权重分配。所提出的方法在无人机获取的图像中进行训练和验证,结果表明所提出的方法相较基于YOLOv3、YOLOv5s,能保持较高检测精度的同时,还能保持较快的速度。

关键词： 实时目标检测   YOLOv4   特征融合   GIoU损失函数  

摘要： 为提升实时目标检测的准确性和稳健性,该文采用增强特征融合技术、网络架构技术、损失函数技术等对YOLOv4算法进行优化。结果表明,改良后的YOLOv4算法在多变环境下对小型目标检测表现出色,展现了其实用性和稳定性,为广泛应用奠定了坚实基础。

关键词： 近景摄影测量   编码标志点   目标识别   图像处理   轮廓筛选  

摘要： 环形编码标志点在近景摄影测量中应用广泛,具有平移、旋转、缩放无关的优良特性。环形编码标志点的鲁棒识别与解码对后续三维重建工作有着重要意义。针对杂乱背景、不均匀光照等复杂环境下的编码标志点识别,提出了一种两步法的轮廓筛选策略,首先基于轮廓长度和圆度进行粗筛,然后基于灰度分布统计分析进行精细筛选。实验结果表明,当拍摄角度小于75°且编码点成像大于30像素时,能够保证较高的识别准确率与解码准确率;在复杂环境下,识别正确率和解码正确率分别为99.53%和100%,误识别率为0%。实验证明,所提方法有效降低了误识别率,在复杂环境下具有良好的识别效果。

关键词： 无人机   深度学习   目标检测   视觉定位   Yolov5  

摘要： 针对无人机飞行高度高、目标尺度变化大、目标存在密集遮挡等问题,本文将对基于深度学习的无人机目标探测与识别以及视觉定位进行深入探讨,并设计出一套无人机目标探测与定位系统。研究选用Yolov5深度学习网络模型进行目标检测,基于Darknet深度学习框架完成端到端的训练预测,最后利用AprilTag视觉基准库完成无人机自身空间位置的辅助定位。测试结果表明,Yolov5模型的参数量只有5.3,准确率为97.41%,召回率为90.73%,mAP为83.2。AprilTag辅助定位的拟合精度达95%以上。研究设计的基于深度学习的智能化无人机视觉系统不仅具有实际的工程价值,更具有重要的社会意义。

关键词： 机器学习   图形图像处理   应用   关键技术  

摘要： 智能化浪潮下图像和视频数据爆炸式增长,需挖掘图像中的深层信息,最大化应用数据信息的价值。机器学习技术以学习和分析能力使计算机具备理解、识别和处理图像的能力。通过深度学习不仅可捕捉图像的表面特征,更洞察其深层含义,满足人们对图形图像处理的多样化需求。该文探讨了机器学习在图形图像处理中的应用,分析其关键技术,旨在推动该领域的技术进步与应用发展。