关键词： 多尺度交叉注意力   边缘感知   伪装目标检测   特征金字塔结构  

摘要： 针对当前伪装目标检测算法无法准确、完整地检测出目标对象和其边缘的问题，为此，提出了一种融合多尺度交叉注意力和边缘感知的伪装目标检测网络（MAEP-Net）。利用Res2Net-50提取图像的原始特征，并采用融合了多尺度交叉注意力的特征金字塔结构从通道、空间两个维度挖掘目标位置信息和突显伪装目标区域特征；再使用定位模块对目标的大致位置进行准确定位；边缘感知模块抑制低级特征中背景的噪声，融合边缘特征以获取更多的边缘细节信息；最后细化模块通过注意力机制分别从前景和背景两个方向关注目标线索，利用边缘先验、语义先验、领域先验、区域先验知识进一步细化目标结构和边缘轮廓。在3个公开数据集上的实验表明，所提算法相较于12种主流算法在4个客观评价指标上均取得了最优表现，尤其是在COD10K数据集上所提算法的加权平均值F-measure和平均绝对误差（MAE）分别达到0.797和0.031。由此可见，所提算法在COD任务上具有较好的检测效果。

关键词： YOLOv7-tiny   目标检测   表面缺陷   GSConv   MPDIoU  

摘要： 针对带钢表面缺陷检测任务存在小目标检测效率低、缺陷定位不准确、检测算法参数量大、难以运用在终端设备上等问题，提出一种改进的YOLOv7-tiny检测算法。首先，使用GSConv替换颈部网络中的标准卷积，再基于GSConv设计一种改进的高效聚合网络(ELAN-G)，保证带钢表面缺陷特征信息被充分融合的同时降低算法的参数量；其次，在预测头和颈部网络之间增加针对低分辨率和小缺陷的SPDConv模块，模块先生成一个中间特征图，通过对中间特征图中的小缺陷特征信息过滤学习得到最终特征图，以此提高预测头对小缺陷的检测精度；最后，引入MPDIoU损失函数，合理利用边界回归框的几何性质，简化损失函数计算过程并提高缺陷定位精度。实验结果表明，在NEU-DET数据集上，改进算法比其他6种先进目标检测算法效果更好，性能更均衡，改进算法的平均精度均值(mAP)可达74.1％，且参数量和计算量低于所有对比算法，可布置在工业坏境中的带钢表面缺陷检测系统上。

关键词： 门控快速傅里叶卷积   高频特征融合   红外小目标检测  

摘要： 针对在远距离复杂场景下红外小目标尺寸和形状差异大，检测精度欠佳的问题，提出了一种基于门控卷积和高频特征融合的红外小目标检测模型。首先，为了解决复杂场景下目标尺寸差异的问题，通过在U-Net下采样过程中使用门控快速傅里叶卷积（Gated Fast Fourier Convolution， GFFC）模块提取多尺度的全局和局部特征，为提升模型在不同复杂程度数据集上的训练效果，利用超参数门控调节网络对目标全局和局部特征的权重，平衡网络对全局和局部特征的需求。其次，为解决红外小目标形状差异的问题，采用了高频特征融合（High-frequency Feature Fusion， HFF）模块，进一步提取高频子带特征，增强红外小目标细节纹理信息。最后，在SIRST和IRSTD数据集上的实验结果表明，相比基准方法，提出的方法在两个数据集的评价指标下分别提升了0.83%、0.40%和5.18%、0.23%，证明了该方法的有效性。

关键词： 机场道面   地下病害   领域知识   目标检测   关联关系推理  

摘要： 为促进道面地下领域知识和目标检测算法的深度融合，缓解不同病害样本间的特征复杂性和相似性导致的特征畸变问题，提升病害的自动化检测效果，提出了融合关联关系推理的机场道面地下病害检测算法。首先，本算法结合残差网络和多尺度特征金字塔模块（Feature Pyramid Network，FPN）提取目标特征信息;其次，通过挖掘机场道面地下病害关联关系矩阵，结合图推理设计地下病害关联关系推理模块，以区域生成网络(Region Proposal Network，RPN)生成的特征向量作为输入特征，利用自我学习的变换矩阵设定图的传播权重，实现特征信息传播并构建有效的关联关系推理模块。实验证明，融合关联关系推理的机场道面地下病害检测算法可以有效地利用地下病害之间的关联关系，消除病害之间的相互干扰并且检测效果达到最优，平均准确率达到了87.38%。

关键词： 目标检测   卷积神经网络   多尺度目标检测   感受野   FPN  

摘要： 针对多尺度目标检测中主干网络实际感受野远远小于理论感受野、感受野分布稀疏以及FPN特征金字塔在横向连接过程中统一通道数丢失通道信息等问题影响模型的性能，提出ResFPN：一种扩增实际感受野和多特征融合改进FPN的多尺度目标检测算法。针对主干网络实际感受野远远小于理论感受野，设计了多分支膨胀卷积MBD模块和多分支池化MBP模块，通过学习不同尺度空间特征融合，扩增感受野。针对感受野分布稀疏问题，提出轻量级通道交互融合CIF模块，通过双分支结构并在每一分支叠加不同数量深度可分离卷积学习像素间的依赖关系增强特征表示。针对FPN通过1×1卷积统一通道数会丢失通道信息问题，尝试利用SubPixel卷积提取C5层输出特征，保留原始丰富语义信息同时引出额外双向路径对FPN通道信息进行补充，但这可能会产生冗余信息。因此，在额外双向路径后引入全局上下文GC模块，利用GC瓶颈转换模块进一步融合特征信息，减少信息冗余。实验表明，本文提出的ResFPN有效的解决了感受野分布稀疏问题并将主干网络感受野增大了原来的一倍，同时提出改进FPN通道丢失问题的方法也在多尺度目标检测中获得了良好的性能。具体来说，与典型的网络Faster-RCNN相比，大、中、小物体检测平均精度在具有挑战性的MS COCO数据集上分别提高了2.2%，1.6%，2.0%，与其他检测器相比检测效果也有提升。

关键词： 智能交通   计算机视觉   事故检测   域适应双流网络  

摘要： 道路交通事故是导致财产损失、人员伤亡和交通拥堵的主要原因之一。快速准确地检测事故对于提高应急救援速度和降低人员伤亡率至关重要。近年来，基于视觉的事故检测方法成为主流，且随深度学习技术的应用取得了显著进展。然而，现有方法应用于国内监控场景时存在精度不高的问题，主要原因是用于模型训练的开源数据与国内监控事故视频数据间存在较大的域偏移。为了避免重新构建并标注一个大型国内监控事故数据集的繁琐性，本研究提出了一种域适应双流网络，充分利用现有开源事故数据集实现面向国内监控场景的道路事故检测。具体地，提出了一种“由粗到细”递进式域适应方法，指导模型以捕捉域不变事故外观特征。此外，构建交叉注意力融合网络实现外观特征和运动特征的关联与交互，缓解因场景差异导致的特征偏差问题。实验结果表明，所提方法在国内监控场景下取得了较高的检测性能，验证了其有效性和可靠性。本研究有望为提升人民生命安全和交通效率提供了重要的技术支持。

关键词： 目标检测   YOLOv8   轻量化   SimAM   铁路异物  

摘要： 铁路轨道异物入侵对列车行车安全构成潜在威胁，情况紧急时可能导致人员伤亡和列车脱轨倾覆。针对现有铁路异物入侵检测模型在边缘设备上无法保证实时检测的问题，提出了一种基于YOLOv8s改进的铁路异物识别算法。首先，采用参数量更小的FasterNet网络替代原先的CSPDarkNet53主干网络进行特征提取，以减小模型参数量和计算量。其次，结合FastNet中的部分卷积思想，设计了FasterBlock模块替代neck部分的C2f模块，实现多尺度特征融合，从而进一步减小模型参数量。最后，为解决网络轻量化导致模型检测精度下降的问题，重新设计了BiFPN-A特征融合结构，并在每一层FasterBlock模块之前引入了无参注意力机制(SimAM)，这使得改进后的整体模型在保证轻量化的同时能够有效防止检测精度的大幅下降。结果表明：在保持0.2%精度损失的前提下，改进后的模型尺寸减小了60.89%，模型参数降低了61.8%，计算量减小了45.1%。

关键词： 协同感知   3D目标检测   通信延迟   时空序列预测   注意力机制   特征融合  

摘要： 针对车辆协同感知3D目标检测在通信延迟条件下精度较低的问题，提出一种通信延迟下车辆协同感知的3D目标检测方法。首先设计时空预测模块，提取通信延迟车辆历史感知特征序列中的时空特征，以预测当前时刻的感知特征，然后基于预测特征构建感知融合模块，利用注意力机制动态融合感知特征，以降低预测误差影响，提高检测精度。本文方法在OPV2V、V2XSet和V2V4Real数据集上进行实验，与Where2Comm、V2VNet等主流协同感知方法相比。实验结果表明，在所对比的方法中，Where2Comm在不同延迟下的3D目标检测平均精度最优，该方法相比Where2Comm在400ms下的平均精度分别提高了5.9％、3.9％和1.5％。

关键词： 开放世界目标检测   自适应特征动态融合   未知类评分优化   注意力机制  

摘要： 开放世界目标检测(Open World Object Detection， OWOD)的主要任务是检测已知类别和识别未知目标。此外，模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(Open-World Detection Transformer)中未知类召回率偏低、密集目标与小目标漏检等问题，提出了一种UBA-OWDT(UCSO，BiStrip and AFDF of Open-World Detection Transformer)开放世界目标检测网络。针对未知类召回率偏低的问题，对未知类评分优化(Unknown Class Scoring Optimization，UCSO)，将生成的浅层类激活图与聚合类激活图融合，获取细粒度特征信息，提高未知类的目标评分，进而提升未知类的召回率；针对小目标漏检问题，将双条状注意力(Spatial attention based on Strip pooling and Strip convolution，BiStrip)应用于输入特征图，捕获长程依赖，保留目标精确的位置信息，增强感兴趣目标的表征，以检测小目标；针对密集目标漏检问题，采用自适应特征动态融合(Adaptive Feature Dynamic Fusion，AFDF)，根据目标大小和形状，获得不同的感受野，动态分配注意力权重，关注目标的重要部分，融合不同层级的特征，以检测密集目标。在OWOD数据集的实验结果表明，未知类召回率增值范围在0.7%-1.5%， mAP增值范围在0.6%-1.2%，与现有的开放世界目标检测方法相比， 在召回率偏低、密集目标与小目标漏检问题上具有一定的优势。

关键词： 无人机   目标检测   Swin Transformer   卷积注意力模块   损失函数  

摘要： 针对背景与无人机颜色相似、目标遮挡重叠等复杂环境条件下，对无人机目标快速精准识别存在的问题，提出了一种改进的无人机检测算法STC-YOLOv5(Swin Transformer and CBAM-YOLOv5)。STC-YOLOv5的骨干特征提取网络采用Swin Transformer，以增强网络在复杂环境下的鲁棒性。在YOLOv5模型特征融合网络集成卷积注意力模块（Convolution Block Attention Module，CBAM），以增强对无人机目标重要特征的关注并抑制不必要的特征关注。根据无人机的特点优化了损失函数，在CIOU(Complete-IOU)损失函数中引入了角度损失、距离损失和形状损失，从而提高了被遮挡无人机目标的识别准确率。在自主建立的无人机飞行数据集上进行实验验证，结果表明：改进的YOLOv5算法在无人机目标被部分遮挡情况下平均精度为92.98%、召回率为87.09%，相比于YOLOv5算法分别提高了2.88%、6.03%，能够在复杂环境下对无人机快速准确识别。