关键词： 漂浮物   自注意力机制   目标检测  

摘要： 针对水上漂浮物图像检测识别任务中传统DETR(Detection Transformer)框架在底层特征处理方面的不足,提出一种基于改进的DETR框架的方法。设计CF-DETR(Context-Free Detection Transformer)模型,以增强底层特征处理能力。在解码器中引入注意力机制,将编码器提取的特征转化为目标检测结果。实验结果表明,改进的模型在检测水上漂浮物时,显著提升了准确率和召回率,在平均精度方面也优于其他目标检测模型。

关键词： computer vision   adversarial examples   adversarial attack   adversarial defense  

摘要： Recent years have witnessed the ever-increasing performance of Deep Neural Networks(DNNs)in computer vision ***,researchers have identified a potential vulnerability:carefully crafted adversarial examples can easily mislead DNNs into incorrect behavior via the injection of imperceptible modification to the input *** this survey,we focus on(1)adversarial attack algorithms to generate adversarial examples,(2)adversarial defense techniques to secure DNNs against adversarial examples,and(3)important problems in the realm of adversarial examples beyond attack and defense,including the theoretical explanations,trade-off issues and benign attacks in adversarial ***,we draw a brief comparison between recently published surveys on adversarial examples,and identify the future directions for the research of adversarial examples,such as the generalization of methods and the understanding of transferability,that might be solutions to the open problems in this field.

关键词： 目标检测   半监督   稠密伪标签   阈值   软伪标签  

摘要： 为了解决当前半监督三维目标检测算法中,传统的固定阈值方法在过滤伪标签时不够灵活,舍弃了大量有价值的伪标签,没有充分利用潜在有价值样本的问题,提出了一种基于潜在有价值样本挖掘的半监督三维目标检测方法。首先,不再使用固定阈值过滤伪标签,采用基于得分聚类的自适应阈值生成方法,分别为不同的类别生成过滤伪标签时需要的阈值,保留更多有价值的伪标签;其次,由于标签由类别和边界框信息组成,提出了一种联合置信度过滤伪标签的方法,使用对象置信度、分类置信度和IoU置信度的乘积来过滤伪标签,改善伪标签的质量;最后,对样本数量较少的类别生成稠密伪标签,筛选未通过联合置信度过滤的部分数据,以软伪标签的形式保留伪标签,更充分地利用潜在有价值的样本。在KITTI数据集上,与PV-RCNN方法相比,所提方法在仅1%标记数据的情况下,汽车类提高了6.5百分点,行人类提高了9百分点,自行车类提高了25百分点,实验结果证明了所提方法的有效性。

关键词： 扩展目标跟踪   随机矩阵   非中心逆威沙特分布   非线性量测  

摘要： 针对非线性扩展目标跟踪问题,提出了在非中心逆威沙特分布条件下的非线性扩展目标跟踪方法.首先,在贝叶斯滤波框架下采用非中心逆威沙特分布进行算法的迭代,避免了因矩匹配或KL散度最小化而导致的信息丢失.其次,考虑到传统随机矩阵(RM)模型只能在线性观测条件下应用,利用去相关无偏转换量测将极坐标系下的非线性量测信息进行线性化处理,保证了量测转换的无偏性以及避免转换后的量测协方差估计与量测噪声的相关性,从而最终推导得到在非中心逆威沙特分布下非线性扩展目标跟踪的有效算法.椭圆形扩展目标的跟踪仿真实验验证了所提方法的有效性.

关键词： 目标检测   图像去噪   注意力机制   特征对齐   对抗攻击   鲁棒性   深度学习  

摘要： 为提高目标检测模型的对抗鲁棒性,提出一种融合图像去噪和特征对齐的目标检测算法(target detection algorithm with image denoising and feature alignment,TDA-IDFA)。采用坐标注意力机制对图像去噪结构进行改进,在去除图像噪声的同时强化图像细节和边缘信息;结合特征对齐对抗训练方法,训练不仅鲁棒而且准确的目标检测模型,在提升目标检测模型对抗鲁棒性的同时,平衡模型对干净样本和对抗样本的识别精度;使用不同的对抗攻击方法,针对多种算法展开对比实验。实验结果表明,所提算法在PASCAL VOC和MS-COCO数据集的对抗鲁棒性比现有算法分别平均提高了9.75%和8.72%。

关键词： 扩散模型   目标检测   侧扫声呐   水下沉船探测  

摘要： 基于侧扫声呐的水下沉船自主探测是水下考古的重点研究方向.水下目标的稀缺性阻碍了目标检测模型的训练.为了解决这一问题,使用基于稳定扩散模型的人工智能生成内容技术来补充稀缺的侧扫声呐沉船实例,通过比较多种生成式技术的效果,论证了人工智能生成内容技术在水下沉船探测领域的潜力.基于该技术,提出一种无需额外光学数据和人工标注的数据增强方法,称作自动扩散生成,可用于实现高精度的水下沉船探测.基于YOLOv8n,运用该方法训练的检测器在沉船探测任务中达到95.0%的精度和96.3%的召回率,超出仅使用原始数据训练的检测器1.5%和1.8%;基于Faster RCNN,该方法可以同样促进水下探测的效果,达到94.8%的精度和97.3%的召回率.

关键词： 扩散模型   计算机视觉   目标检测   目标分割  

摘要： 作为一种强大的生成模型,扩散模型在深度学习领域引起了广泛关注,成为当前的研究热点。受扩散模型在图像生成任务中取得巨大成功的启发,一些开创性的工作开始研究如何将扩散模型用于视觉领域的其他重要方向,并取得了显著的成果。对扩散模型的视觉应用进行梳理、分析与总结。首先阐述了3种主流扩散模型的原理:去噪扩散概率模型、基于分数的生成模型与随机微分方程的生成模型。其次,进一步分析了基于扩散模型改进与优化的相关衍生模型。并系统梳理扩散模型在视觉领域的重要应用研究进展。最后,总结了扩散模型在视觉应用中存在的问题,对其未来发展方向进行展望。

关键词： 遥感图像   弱小目标检测   YOLOv8   动态聚焦机制   多维注意力  

摘要： 遥感图像的目标检测在各领域有着广泛的应用场景,由于遥感图像中检测目标存在形态多变、弱小目标较多以及背景复杂等原因,导致遥感图像在目标检测方面存在检测精度识别不高、模型参数过大等问题。为提升算法对遥感图像目标的检测准确率以及缩减算法模型量,提出了动态聚焦多维注意力检测算法——YOLO-WiseGOD。在YOLOv8n基线网络中使用WIoU(Wise-IoU)构建动态聚焦机制的边界框损失,弱化因几何因素导致的梯度增益泛化能力不足的问题,在协调高低质量锚框竞争力的同时,使之适用于聚焦普通锚框,提高网络模型检测的定位能力。在网络末端融合改进的L-ODConv(Leaky ReLU-Omni-Dimensional Dynamic Convolution)多维注意力机制,避免梯度锯齿问题,在减少模型参数的同时,优化输出特征和卷积权值的调制,提升网络加权特征融合。在主干网络中引入轻量化注意力模块C2FGhostV2,在更好地捕捉输入特征图中的多尺度特征和全局上下文信息的同时,保持较低的参数量和计算复杂度,更好地平衡训练精度和模型量之间的关系。所提算法在遥感数据集NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)和RSOD(Remote Sensing Object Detection)上进行实验验证,对比当前主流算法模型YOLOv8n,其平均检测准确率(mean Average Precision,mAP)分别提高了2.0%和2.3%,模型参数量减少4.5%,计算量减少10.9%,能有效提高遥感图像中微小目标的检测精度和实现一定的模型轻量化。

关键词： 无人驾驶车   激光点云   测距影像   动态目标检测  

摘要： 针对利用激光雷达测距影像开展动态目标检测中存在的区域过度生长问题,本文提出了一种城市环境动态目标检测优化方法。在二维测距影像中进行三维点云空间快速分割旋转,准确、高效地保证了不依赖目标模型情况下的目标正确区域生长;同时针对场景流检测动态目标作了分类特性分析,通过目标聚类和目标区域生长解决了检测场景流后动态目标漏检测、超长目标误检测等问题,在显著提升检测查准率和查全率的同时,保证了较好的计算效率。相比直接在三维点云进行动态目标检测的算法,本文算法的帧平均计算时间是其1/11,计算查准率提升了12.67%,查全率提升了1.51%。

关键词： 无人机操控系统   空对地视频   目标检测  

摘要： 本文探讨了无人机(UAV)在执行空对地任务时,如何利用先进的计算机视觉技术进行高效的目标检测与分割。我们提出了一种面向无人机操控系统的优化方法,该方法结合了深度学习中的目标检测和语义分割算法,以实现更精确的实时视频分析。通过实验验证,我们的方法不仅提高了识别精度,还显著减少了计算资源的消耗,为无人机的应用提供了更加可靠的技术支持。