关键词： 深度学习   目标检测   遥感图像   小目标   YOLOv7  

摘要： 针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的YOLOv7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

关键词： 计算机视觉   目标跟踪   无人机   高分辨率孪生网络   多帧特征  

摘要： 针对无人机(UAV)目标跟踪任务中目标尺寸小、尺度变化明显和视点改变频繁等问题,本文提出一种基于高分辨率孪生网络的无人机目标跟踪算法。首先,利用改进高分辨率网络作为特征提取主干网络,并且采用动态多模板策略挖掘视频的帧间信息;然后,构建多帧特征融合模块,得到利于目标定位的融合特征;最后,选取无锚框策略定位目标位置,得到精确的跟踪结果。实验结果表明:本文算法在DTB70数据集测试的成功率和准确率分别为66.0%和84.7%,在UAV123数据集测试的成功率和准确率分别为65.7%和84.3%,有效地提升了目标跟踪性能。

关键词： 皮革绷板干燥   最佳拉伸点   自动化选取   图像处理   算法  

摘要： 本文旨在解决皮革绷板干燥工序中皮革最佳拉伸点的自动化选取难题。通过对大量皮革轮廓和人工拉伸绷展皮革的工艺动作进行分析,确定了选择合理的皮革必选拉伸点和拉伸间距是提高皮革得革率的关键因素。通过正交试验,得出了头尾两侧与平行中脊线身体两侧的最佳拉伸点间距分别为12 cm和9 cm。基于此,本文提出了一种基于最简骨架法和画圆相交法的皮革最佳拉伸点识别定位算法。该算法通过机器视觉获取皮革源图像,并经过预处理去除图像缺陷和突出轮廓。然后,利用细化算法提取图像骨架,通过卷积运算筛选出皮革中的脊线和四肢,得到最简骨架,从而确定必选拉伸点。在确定必选拉伸点的基础上,利用画圆相交法确定皮革的其他轮廓区域,并获取其余拉伸点。本文的最佳拉伸点识别算法对于皮革拉伸板干燥工序的自动装备研发具有重要意义,并为提高皮革得革率和优化工艺提供了重要参考。

关键词： 目标检测   YOLOv8   WIoU   全局注意力机制   可变形卷积  

摘要： 针对遥感图像目标检测算法漏检和误检率高、目标定位不精确、无法准确识别目标类别等问题,提出一种基于改进YOLOv8的目标检测算法。为提高模型的损失函数对梯度分配的灵活性,适应各种形状和尺寸的物体,设计了非单调聚焦机制与边界框几何因素相结合的边界框回归损失函数;为扩大模型的感受野并削弱遥感图像背景对检测目标的影响,采用全局注意力机制与残差块结合的方式,设计了残差全局注意力机制;为使模型适应遥感图像中目标物体的形变与不规则排列,对YOLOv8模型中的C2f模块进行改进,融入可变形卷积与可变形感兴趣区域池化层。实验结果表明,在DOTA数据集和RSOD数据集上,所提算法的平均精度均值(mAP@0.5)达到72.1%和94.6%,优于对比算法,提高了遥感图像目标检测精度,为遥感图像识别提供了新的手段。

关键词： 运动目标检测   复杂环境   鲁棒主成分分析   全变分  

摘要： 针对复杂环境下背景干扰导致运动目标检测精度下降的问题,提出了一种基于l^(1/2)-TV正则化RPCA的运动目标检测方法。方法利用核范数来描述背景的低秩特性,采用l^(1/2)范数描述更稀疏的运动目标,以抑制运动目标中的背景干扰。同时结合TV正则化约束运动目标的空间连续性,使运动目标更加完整。利用Frobenius范数检测背景干扰。采用交替方向最小化策略扩展的增广拉格朗日乘子法求解所提出的约束最小化问题。实验结果表明,所提方法能有效去除背景干扰,提高运动目标的检测精度、改善视觉效果。

关键词： YOLO   无人机   遥感影像   目标检测   烟草植株计数   轻量化  

摘要： 植株精确计数在精准化农业中至关重要,是监测作物生长和预测产量的重要基础。针对成熟期烟草植株存在的密植、重叠和高空小目标等难题,研究提出了一种轻量级GEW-YOLOv8烟株检测算法。该算法采用GhostC2f模块减少了模型的参数和计算量,并应用高效的多尺度注意力机制来区分被遮挡的烟草植株。此外,还引入了WIoU损失函数,以加速模型收敛并提高准确性。实验结果表明,与原始模型相比,模型的效率和准确性有了显著提高,浮点运算次数减少了24.7%,模型大小减少了26.7%。改进后的模型烟草植株检测平均精度AP 0.5和AP 0.5~0.95分别为99.1%和86.2%,相较于原YOLOv8n模型分别提高了0.8%和3.6%。改进后的模型能够更快、更精确地识别田间烟草植物,为智慧烟草农业提供技术支持。

关键词： 深度学习   目标检测   模型压缩   知识蒸馏   YOLOv5  

摘要： 本文提出一种基于特征增强知识蒸馏的目标检测压缩算法(ODCA)。首先,使用坐标注意力增强教师网络中间层特征对前景目标的表征能力;然后,采用二进制掩码在空间上区分前景和背景,并定义带权重的空间信息损失以平衡前景和背景特征蒸馏强度;最后,使用卷积操作统一教师和学生网络通道数,构造通道信息损失学习特征的通道间分布信息。在Pascal VOC数据集上的实验结果表明,所提算法将学生网络的平均精度均值从68.3%提高至75.7%。

关键词： FPGA   图像检测   多目标   边缘检测   实时性  

摘要： 运动目标检测算法易受到噪声和亮度变换的影响,从而出现虚假目标,很难满足在实际应用中准确性和实时性的需求;针对上述问题,提出了一种融合边缘信息的多运动目标实时检测算法,并在FPGA平台上构建了视频图像处理系统;该算法首先使用高斯滤波增强算法来提高抗噪性能;然后,采用三帧差分法减少虚假目标的出现概率;同时,对图像进行边缘检测,并将边缘信息与帧差法的结果相融合;最后,运用多目标识别算法完成对运动目标的识别和标记;该算法实现充分利用了FPGA的并行计算和流水线操作,经实验测试检测识别系统能够在1280×720@60 Hz视频场景下实现对最多16个运动目标的实时检测。

关键词： 低照度目标检测   注意力机制   轻量化   Transformer   可变形卷积  

摘要： 针对现有低照度目标检测算法模型参数量与计算量大、检测实时性差、难以应用于移动设备等问题,提出一种基于YOLOv8的改进轻量模型DarkYOLOv8的低照度目标检测方法。使用MobileNet v2替换YOLOv8的主干网络,增加模型的特征提取能力;使用Transformer注意力机制,获取图像的全局信息,并且基于目标标记信息作为标签训练Transformer模块参数,增强目标区域内的权重,从而提高模型在低照度条件下提取目标特征的能力;对颈部网络使用动态特征融合注意力模块(dynamic feature fusion attention,DFFA),动态融合浅层和深层特征,同时使用YOLOv8X算法+CBAM对DFFA模块中CBAM空间注意力权重进行监督训练。实验结果表明,在ExDark数据集上,DarkYOLOv8在GFLOPs仅为8.53的情况下mAP50指标达到70.1%,相比YOLOv8n提高了3.9个百分点。

关键词： 注意力机制   多任务学习   自动驾驶   目标检测   混合空洞卷积  

摘要： 感知是自动驾驶的基础和关键,但大多数单个模型无法同时完成交通目标、可行驶区域和车道线等多项检测任务。提出一种基于交叉注意力的多任务交通场景检测模型,可以同时检测交通目标、可行驶区域和车道线。使用编解码网络提取初始特征,利用混合空洞卷积对初始特征进行强化,并通过交叉注意力模块得到分割和检测特征图。在分割特征图上进行语义分割,在检测特征图上进行目标检测。实验结果表明:在具有挑战性的BDD100K数据集中,所提模型在任务精度和总体计算效率方面优于其他多任务模型。