关键词： YOLOv8   目标检测   轻量化   注意力机制   道路裂缝  

摘要： 在边缘端设备部署YOLOv8L模型进行道路裂缝检测可以实现较高的精度,但难以保证实时检测。针对此问题,提出一种可部署到边缘计算设备Jetson AGX Xavier上的基于改进YOLOv8模型的目标检测算法。首先,利用部分卷积设计Faster Block结构以替换YOLOv8 C2f模块中的Bottleneck结构,并将改进后的C2f模块记为C2f-Faster;其次,在YOLOv8主干网络中的每个C2f-Faster模块之后接一个SE(Squeeze-and-Excitation)通道注意力层,进一步提高检测的精度。在开源道路损害数据集RDD20(Road Damage Detection 20)上的实验结果表明:所提方法的平均F1得分为0.573,每秒检测帧数(FPS)为47,模型大小为55.5MB,相较于GRDDC2020(GlobalRoadDamageDetection Challenge 2020)的SOTA(State-Of-The-Art)模型,F1得分提高了0.8个百分点,FPS提高了291.7%,模型大小减小了41.8%,实现了在边缘设备上对道路裂缝实时且准确的检测。

关键词： 目标检测   违停车辆   计算机视觉   抓拍  

摘要： 随着智慧城市的不断建设,违停问题已成为影响城市形象与交通流的一大难题。针对这一现象,对计算机视觉技术在违停抓拍中的应用进行探讨。通过前景和背景差值搭建基础违停检测模型,针对其极易受到背景目标等因素影响的现象,研究引入机器学习对其进行改进。模型使用OpenCV开源计算机视觉库和Adaboost迭代算法,并使用正负样本的特征分析进行区分,随后进行分类器训练,并最终实现违停车辆的识别与抓拍。试验结果表明,研究提出的优化算法在实际监控和UA-DETRAC数据集中,平均识别准确率达到97.6%,相比于优化前的违停抓拍算法提升25.2%,因此提出的违停抓拍算法在多种复杂场景下都能稳定工作,相比于传统检测算法,性能有明显提升。

关键词： 高光谱目标检测   无监督聚类   通道注意力机制   感兴趣区域   光谱分辨率  

摘要： 高光谱图像(HyperSpectral Images,HSIs)具有高光谱分辨率和丰富的光谱信息,其具有的大量窄波段电磁波有利于获取感兴趣目标的理化信息,并根据对应的光谱特征对不同物质进行有效区分,从而完成目标检测任务.然而有限样本、少量先验信息、高维相似背景及不同类别差异小所导致的目标和背景混淆问题使得高光谱目标检测(Hyperspectral Target Detection,HTD)面临挑战.为此,本文提出结合区域引导和双注意力机制的高光谱目标检测判别式学习网络(Region-guided and dual-Attention Discriminative learning Network,RADN),以缓解标记样本少的条件下不同类别相似度高和相同类别差异性大导致的背景和目标不易区分的问题,减少高维冗余特征带来的计算复杂度,同时提升检测精度.本文使用经验性区域引导网络训练,采用光谱约束的无监督聚类方法确定网络输入,选择性地关注高光谱图像中的显著性特征和感兴趣区域.此外,本文在网络中添加双通道注意力机制来辅助复杂背景分布的估计,并在网络中引入不同类别光谱先验损失函数,进一步减少高维复杂背景以及光谱变化对于目标的干扰.实验结果和分析表明,RADN在不同数据集上的性能优于现有先进的算法.

关键词： 深度学习   雷达   目标检测  

摘要： 本文着重讨论了深度学习在雷达信号目标检测中的应用,首先说明了雷达在目标检测中的作用机制,并针对传统方法的不足之处,揭示了深度学习超越传统技术的显著优势。接着介绍了数据预处理、深度学习模型选择和优化以及深度学习与传统方法的融合策略等方面的内容。通过对深度学习方法的优化和改进,可以提高雷达信号目标检测的准确性和鲁棒性。

关键词： 无人机   复杂环境   YOLOv7   simAM注意力机制   SPPCSPC   数据增强  

摘要： 针对无人机在航拍过程中容易受到恶劣环境的影响,导致航拍图像出现辨识度低、被障碍物遮挡、特征严重丢失等问题,提出了一种改进YOLOv7的无人机视角下复杂环境的目标检测算法(SSG-YOLOv7)。首先从VisDrone2019数据集和RSOD数据集中分别抽取图片进行五种环境的模拟,将VisDrone数据集扩充至12803张,RSOD数据集扩充至1320张。其次,聚类出更适合数据集的锚框尺寸。接着将3D无参注意力机制SimAM引入主干网络和特征提取模块中,增加模型的学习能力。然后重构特征提取模块SPPCSPC,融合不同尺寸池化通道提取的信息同时引入轻量级的卷积模块GhostConv,在不增加模型参数量的同时提高算法对密集多尺度目标检测精度。最后使用Soft NMS优化锚框的置信度,减少算法的误检、漏检率。实验结果表明,在复杂环境的检测任务中SSG-YOLOv7检测效果优良,性能指标VisDrone_mAP@0.5和RSOD_mAP@0.5较YOLOv7分别提高了10.45%和2.67%。

关键词： 图像处理   全息显示   三维重建   深度学习  

摘要： 全息显示技术可以准确恢复出包含物体全部信息的三维像,能为使用者带来自然、真实的视觉体验,被认为是最理想的三维显示技术。准确获取三维真实场景的数据是实现高质量全息三维显示及应用的重要条件。对三维场景数据重建的各类方法进行比较,介绍主动式、被动式和基于深度学习的重建方法的基本原理,分析各类方法的特点和优缺点,综述基于深度学习的三维重建的基本方法,探讨重建方法与全息显示技术相结合的应用前景。本文内容为全息三维显示的进一步研究提供了参考。

关键词： 目标检测   轨道缺陷检测   变异生成算法   鲁棒重训练  

摘要： 研究目的:为了解决轨道缺陷检测系统在实际自然环境因素干扰下由于鲁棒性下降从而造成决策的不确定性问题,提出一种提高检测系统鲁棒性的方法,首先利用变异算法处理生成多样化的鲁棒训练样本,使模型能够学习适应各种环境扰动和变化,然后选择基于YOLOv5的目标检测模型作为轨道缺陷检测器,以满足高精度、实时性的要求,且准确性较高。研究结论:(1)通过变异生成算法,可以生成更多样性的鲁棒训练样本,使模型有更多的样本来学习各种扰动,以此适应各种环境;(2)所选YOLOv5目标检测模型作为轨道缺陷检测器,不仅能满足轨道缺陷检测对检测精度和实时性的高要求,而且即使在训练样本数量有限的情况下,也能凭借其优秀的泛化能力取得良好的检测效果,契合了实际轨道检测场景下对数据获取的困难,展现出较强的适用性;(3)在真实地铁线路上采集轨道巡检数据进行实验,实验结果表明,经过鲁棒重训练的轨道缺陷检测器在扰动数据上的鲁棒性得到了显著的提升,平均准确率提高23.35%,召回率提高32.75%,mAP50提高30.98%,mAP50-95提高19.54%;(4)本研究成果可应用于铁路、地铁等交通领域,有助于保障线路的安全运行。

关键词： 图像处理   识别技术   彩色图像分割   形态学处理   纹理特征   火灾烟雾   火灾监控   火灾现场  

摘要： 目前,图像处理火灾烟雾识别技术,在火灾监控领域中得到了良好运用,这也属于其中十分重要的分支。不过,受到火灾衍生物多变性以及场景复杂性等因素的影响,因此在这一环节中使用的图像处理方式方法暂时未具有普遍性的理论以及算法。随着国家整体经济持续发展,社会中各种科学技术也在不断创新和研发,进一步加大了图像处理的火灾烟雾识别技术研发力度,进而及时和精准识别出火灾烟雾情况,为相关营救工作提供重要的指导方向,及时消除了火灾带来的影响,避免对人民生命安全和财产安全造成损害,从而实现了长治久安的战略目标。在图像处理过程中,HIS空间彩色图像分割方式具有独立性和真实性的特点,同时也很容易被分割开。在大量实验数据中证明,把HIS空间图像分割法用在火灾烟雾探测环节中,可以具有实时性的火灾预警性能。同时,结合火灾现场一些衍生物的运动特点以及纹理特征,采用动态视频图像分割技术,也具有一定可行性。在强化处理效果期间,促使分割更加精准,积极运用形态学中图像处理技术知识,采用形态学处理方式方法,因此突出图像处理的科学性和有效性,在图像分割环节中占有重要地位,可以及时、有效地识别出火灾烟雾情况。

关键词： 图像处理   手动工具   机器学习   图像修复   破旧不堪   AI   老照片   老师  

摘要： 2023年年初,读研一下的我选修了一门叫“图像处理与机器学习”的课程,课上,老师为我们展示了AI在图像处理方面的惊人能力。其中有一项应用是图像修复。AI的惊人能力老师找来一张破旧不堪的老照片,图上不仅有一块明显的损坏区域,其颜色也因年代久远变得泛黄又失真。他先用传统方法进行了图像修复:采用图像编辑软件的手动工具对图片的破损处一点点进行填补、克隆或修饰。大约过了半个多小时,图片才基本修复好,即便是经过老师的专业处理,对于如此大面积的损坏,其效果也不尽如人意,放大图片后,我们仍看到了不少瑕疵。

关键词： 实时语义分割   模型轻量化   高效模块设计   计算机视觉   深度学习  

摘要： 语义分割是计算机视觉领域的一项像素级别的感知任务,目的是为图像中的每个像素分配相应类别标签,具有广泛应用。许多语义分割网络结构复杂,计算量和参数量较大,在对高分辨率图像进行像素层次的理解时具有较大的延迟,这极大限制了其在资源受限环境下的应用,如自动驾驶、辅助医疗和移动设备等。因此,实时推理的语义分割网络得到了广泛关注。本文对深度学习中实时语义分割算法进行了全面论述和分析。1)介绍了语义分割和实时语义分割任务的基本概念、应用场景和面临问题;2)详细介绍了实时语义分割算法中常用的技术和设计,包括模型压缩技术、高效卷积神经网络(convolutional neural network,CNN)模块和高效Transformer模块;3)全面整理和归纳了现阶段的实时语义分割算法,包括单分支网络、双分支网络、多分支网络、U型网络和神经架构搜索网络5种类别的实时语义分割方法,涵盖基于CNN、基于Transformer和基于混合框架的分割网络,并分析了各类实时语义分割算法的特点和局限性;4)提供了完整的实时语义分割评价体系,包括相关数据集和评价指标、现有方法性能汇总以及领域主流方法的同设备比较,为后续研究者提供统一的比较标准;5)给出结论并分析了实时语义分割领域仍存在的挑战,对实时语义分割领域未来可能的研究方向提出了相应见解。本文提及的算法、数据集和评估指标已汇总至https://***/xzz777/Awesome-Real-time-Semantic-Segmentation,以便后续研究者使用。