关键词： 遥感图像   上下文模块   注意力机制   旋转目标检测  

摘要： 遥感图像处理旋转目标检测任务存在尺度变化大、背景复杂、目标方向任意的特点给自动目标检测带来了挑战。针对上述问题，本文结合Yolov5s检测器，提出了基于上下文空间感知的旋转目标检测框架。首先，本文设计了上下文空间感知模块CSPM（Context Space Perception Module）构造主干网络，获取更全面的局部上下文信息与全局空间感知信息，解决网络模型对多尺度目标的特征提取能力不足的问题；其次，在特征融合部分引入无参数SimAM注意力机制，基于神经元抑制原理自适应融合重要信息，解决模型在复杂背景下的误检和漏检问题；最后，增加角度参数回归旋转目标方向，解决任意方向目标回归的问题，同时采用GWDL（Gaussian Wasserstein Distance Loss）计算旋转框损失，参数联合优化，提升检测精度。本文提出的目标检测算法，在HRSC2016数据集上的Recall、Precision和mAP分别达到了95.5%、91.6%、90.4%，具有最优的检测效果；同时检测速度达到了140.8FPS，具有实时性。

关键词： 数据关联   多目标跟踪   多源雷达   双向长短期记忆网络   轻量化神经网络  

摘要： 针对密集杂波环境下多源雷达多目标跟踪容易出现数据关联错误、且精细化建模数据关联算法计算量大的问题，提出一种基于轻量化双向长短期记忆（BiLSTM）网络的多源雷达多目标智能点航关联算法。首先，构造杂波环境下雷达回波与目标航迹之间的多源雷达关联事件矩阵。其次，基于多源雷达点迹与多目标航迹量测预测，借助最小最大标准化处理，设计归一化的距离特征张量。最后，以归一化的距离特征张量为输入、以关联事件矩阵为输出，建立了基于轻量化BiLSTM的多源雷达多目标点迹/航迹数据关联网络模型。针对每一目标航迹，以每一雷达输出的最大概率对应的雷达点迹作为关联量测，利用卡尔曼滤波实现航迹更新。密集杂波环境下多雷达协同跟踪多目标仿真结果表明，所提方法在关联准确率与跟踪精度方面与集中式联合概率数据关联滤波结果基本一致，明显优于概率数据关联滤波、最近邻数据关联滤波、基于全连接层的点航关联滤波方法和基于长短期记忆（LSTM）网络的点航关联滤波方法；但平均运行时间明显小于联合概率数据关联滤波，与最近邻数据关联滤波几乎一致。

关键词： 毫米波雷达   多目标跟踪   密度峰值聚类   匈牙利匹配   无迹卡尔曼滤波  

摘要： 为解决车辆行驶道路上的路侧毫米波雷达数据分布不均匀，同时有较多的噪点，造成雷达在多目标跟踪方面准确性下降的问题，本文根据密度峰值聚类（density peaks clustering, DPC）算法提出改进后的毫米波雷达聚类方法。该方法结合匈牙利匹配和无迹卡尔曼滤波算法（unscented Kalman filter, UKF），实现77 GHz毫米波雷达在不同车流密度路面上的跟踪验证。实验结果表明，改进DPC算法能够在大幅度提高毫米波雷达数据聚类精度的同时，有效提高多目标跟踪算法的跟踪精度。

关键词： 输电通道   防外力破坏   目标检测   SimAM注意力机制   Wise-IoU损失函数  

摘要： 针对“三跨”输电线路容易受到外力破坏引发安全事故的问题，文章通过构建隐患目标数据集，提出基于改进You Only Look Once（YOLO）v5s的输电通道隐患目标检测模型。一方面在模型头部引入A Simple， Parameter-Free Attention Module（SimAM）注意力机制模块以加强隐患目标在提取特征中的权重，另一方面使用Wise Intersection over Union（WIoU）代替模型原始的Complete Intersection over Union（CIoU）作为边界框回归损失函数以提高预测边界框的回归预测精度。实验结果表明，相较于基线模型，提出模型在参数量不变的同时，准确率上升了2%，召回率提高了1.1%；在阈值为0.5和0.5:0.95时的精度分别提升了1.4%和1%；与当前主流的目标检测模型RetinaNet、Single Shot MultiBox Detector（SSD）和YOLOv3进行对比评估，提出模型精度明显高于其他三种模型。提出的改进方法为输电通道防外破研究提供了一种新思路。

关键词： 计算机视觉   多目标跟踪   基于检测的跟踪   联合检测跟踪   深度学习  

摘要： 多目标跟踪是计算机视觉领域的研究热点，目前主流的基于深度学习的多目标跟踪算法包括检测和跟踪两个阶段，根据检测和跟踪是否独立，可以将多目标跟踪算法分为基于检测的跟踪和联合检测跟踪两大类。本文首先指出多目标跟踪任务面临的挑战和传统方法的局限性，其次对基于检测的跟踪和联合检测跟踪两类算法进行文献综述与分析，然后对多目标跟踪算法常用的评估指标和公开的数据集进行了归纳，并对两类算法的性能进行了比较分析，最后立足于当前研究现状对有待解决的问题和未来研究重点做出预测和展望。

关键词： 水平集   太赫兹图像   太赫兹安检   图像分割   图像处理  

摘要： 为了能分割被动式太赫兹图像中的多亮温目标，满足太赫兹安检系统对不同亮温目标进行提取的需求，提出了一种基于多相水平集的被动式太赫兹图像分割方法。传统的单个水平集函数的方法仅能将图像划分为两个区域，当图像中存在多种亮温的目标物体时，不能将其完全提取出来。而该方法采用了多个水平集函数进行演化，能将图像分割成多个区域，满足分割多亮温物体的需要。使用多相水平集方法对多种目标物体进行处理，实验结果表明，该方法能够将被动式太赫兹图像中人体衣物下隐藏的多种亮温目标物体提取出来，相比于单个水平集的方法，提高了准确性。

关键词： 深度学习   目标检测   注意力机制   道路损伤   特征融合  

摘要： 针对道路损伤检测中存在的小目标检测难，图像背景复杂，在检测过程中易出现漏检，误检等问题。提出了一种改进Yolov5s的道路损伤检测算法，首先在主干网络中添加轻量级的注意力模块，使得网络模型更为关注检测目标中的重要信息。其次改进颈部网络中的特征融合机制，提高对重要特征的使用，在网络深处使用gsconv模块来替换模型原有的卷积模块，减少网络的参数量，达到提升模型的检测速度的目的，最后使用SIOU作为损失函数，来提高模型检测的稳定性。根据实验结果得出，改进网络在参数量为原模型89%的同时，其精准率，召回率，以及精度相较于原始网络模型分别提升了6.8%，2%，1.6%。证明了改进方法有效的提高道路损伤检测的准确性和效率。

关键词： 深度学习   目标检测   YOLOv7   安检图像   注意力机制  

摘要： 针对X光安检图像存在的违禁物品重叠和背景复杂等问题，提出了一种基于YOLOv7改进的X光安检图像违禁物品检测算法。在模型颈部网络中构建注意力特征融合模块，分别添加空间注意力和通道注意力挖掘浅层细节特征和深层语义特征，减少噪音信息冗余，降低有效特征丢失；重新设计WHIoU Loss替换CIoU Loss作为新的边界框损失函数，确保在预测框与真实边界框的宽高呈现相同的线性比例关系的情况下，宽高比惩罚函数仍然具有约束效果，提升收敛速度和精度。在SIXray数据集上的实验结果表明，算法在mAP50、mAP50:95上分别提高了2%和4.5%，同时检测速度也达到了58 FPS。

关键词： YOLOv7   小目标检测   EVC Block   SPPCSPC   NWD  

摘要： 目的 针对复杂的内河河道环境，漂浮垃圾中小目标物体占大多数且易受来自水面和岸边环境反光等因素影响，造成目标外形模糊，易被遮挡，给目标检测带来困难。提出了一种基于改进YOLOv7的河道漂浮垃圾检测算法。方法 首先，针对河道漂浮垃圾的受环境影响外形发生变化，通过改进SPPCSPC模块，增强对小目标物体的特征提取能力。其次，加入中心化特征金字塔，通过ROI(Regionofinterest)与特征金字塔进行加权融合，方便对于不同尺度目标的检测。最后，由于针对传统IoU(IntersectionoverUnion)对于小目标物体位置偏差非常敏感，降低了检测性能。采用了WassersteinDistance来替代IoU作为检测衡量指标，通过引入基于NWD(NormalizedWassersteinDistance)的损失函数，从而提高检测精度。结果 实验结果表明，改进YOLOv7算法模型准确率增加3.1%达到89.7%，并在IoU=0.5以及IoU在0.5到0.95情况下，平均均值精度分别增加了6%以及4.6%，分别达到87.8%以及43.4%。检测结果优于其他经典检测模型。结论 通过实验结果可以看出，改进后模型在检测精度上有显著提升，对于实际应用具有一定的参考价值。