关键词： 目标检测   YOLOv5算法   子像素卷积   多尺度融合  

摘要： 为了提升目标检测算法在多尺度学习方面的能力,尤其是对小目标的检测能力,本文提出了一种基于改进YOLOv5的超分辨率和多尺度融合目标检测算法。首先,该算法使用子像素卷积代替原YOLOv5模型的上采样操作,提高图像的分辨率,并尽可能保留小目标的信息。其次,使用并行快速多尺度融合(parallel fast multi-scale fusion, PFMF)模块实现深层特征和浅层特征的双向融合,将原YOLOv5算法的3尺度预测升级为4尺度预测,以此提高模型多尺度特征学习能力和对小目标的检测效果。实验结果表明,与YOLOv5s相比,改进后的模型在PASCAL VOC数据集中,mAP@0.5提高了2.8个百分点,mAP@0.5∶0.95提高了3.5个百分点;在MS COCO数据集中,mAP@0.5提高了4.3个百分点,mAP@0.5∶0.95提高了5.2个百分点。改进后的YOLOv5模型在多尺度检测,尤其是小目标的检测效果方面得到了提升,并具有一定的应用价值。

关键词： 容积卡尔曼滤波   导航定位   目标跟踪   弹道数据处理  

摘要： 容积卡尔曼滤波由于其良好的滤波稳定性和高精度,是目前应用最为广泛的滤波算法。通过介绍迭代容积卡尔曼滤波、平方根容积卡尔曼滤波和自适应容积卡尔曼滤波3种容积卡尔曼滤波的原理及优缺点,结合具体实例,分析其在导航定位、目标跟踪、弹道数据处理中的应用情况,为选取合适的容积卡尔曼滤波进行数据处理提供参考。研究表明,容积卡尔曼滤波具备优异的非线性逼近性能、数值精度以及滤波稳定性,能有效处理高维数非线性系统滤波问题,为解决实际问题提供了有效手段。

关键词： 红外目标检测   YOLO v7   自蒸馏   空洞卷积  

摘要： 针对红外目标检测中对比度低和尺度差异导致的检测精度低的问题,本文提出了一种PPSD-YOLO(parallel pooling and self distillation-YOLO)红外目标检测算法。首先,构建了并行池化模块Fusion-P,使目标附近的像素点更为平滑,防止目标像素缺失。其次,针对红外小目标检测精度低的问题,在网络中增加小目标检测层,并采用K-means++算法优化其初始化锚框大小及比例。然后,在Neck层中引入多尺度特征感知模块(SA-RFE),通过多分支空洞卷积结构融合目标的多尺度上下文信息。最后,在训练过程中构建了一种修正自蒸馏框架,动态修正教师模型中的误检目标从而提高学生模型检测精度。在FLIR红外数据集上的结果表明,改进后的PPSD-YOLO较YOLO v7算法mAP提高了2.7%。

关键词： 时间节点联合估计   多平台   纯方位   目标机动检测  

摘要： 针对水面及水下纯方位变速、变向目标机动检测跟踪问题,提出一种基于时间节点联合估计的多平台纯方位机动目标跟踪算法,该算法将目标的机动时刻等价于“时间未知节点”,基于Taylor级数运动要素估计方法直接对目标机动时刻、目标机动前后运动要素进行估计。机动检测特征是估计机动时刻以及估计机动时刻迭代分量的迭代过程,当迭代过程震荡发散,或机动时刻估计值不在观测时间范围内时,目标未发生机动。仿真结果表明,该算法在跟踪中远距离海上变向变速目标时,具有较低的机动检测虚警率和较高的跟踪精度。

关键词： 卷积神经网络   遥感无人机   低空摄影   土方测量   图像处理  

摘要： 为了解决传统的土方测量方法效率低下、精度不高、受地形影响大等问题,此次研究提出了一种基于卷积神经网络算法的遥感无人机低空摄影智能模型来测量土方工程。首先,研究对基于卷积神经算法的遥感无人机低空摄影智能模型测量土方工程进行研究。其次,研究基于改进卷积神经网络算法对遥感无人机低空摄影智能模型进行构建。最后对此次研究模型进行结果分析,将此次研究模型与基于TSS技术的土方工程测量模型在384000 m~2的土方工程中进行土方面积测量实验,由结果可知,此次研究模型测量的土方工程面积为383980 m~2,基于TSS技术的土方工程测量模型测量的土方工程面积为380000 m~2。综上所述,此次研究模型能够有效地从无人机拍摄的图像中提取土方特征,并生成精确的土方测量结果。

关键词： 目标检测   YOLOv5   图像识别   ResNet   注意力机制  

摘要： 行人检测与识别技术在交通管理、智能监控等领域具有重要的应用价值。针对现有行人检测与识别存在的检测精度低、识别困难等问题,提出了一种融合SE注意力模块的YOLOv5算法和ResNet50网络的行人检测与识别系统。在Backbone网络中引入SE注意力模块,以捕获更加丰富的特征信息,从而提升模型的检测精度;采用ResNet50网络对裁剪图片进行识别检索。实验结果表明,该算法的检测精度较高,能够识别复杂场景下的行人,基本满足不同场景下的行人检测与识别要求。

关键词： 多目标跟踪   轨迹置信度   数据关联   椭圆门限   目标运动模型  

摘要： 近年来,3D激光雷达作为一种高精度传感器,提升了城市交通的治理水平。然而城市交通场景复杂,目标众多且运动轨迹相互交叉,传统的多目标跟踪方法难以生成准确的交通目标运动轨迹。本文针对城市路口复杂场景交通目标实时跟踪问题,设计了一种基于多层级结构的多目标跟踪(multi-level object tracking, MLOT)算法框架,结合基于椭圆门限的多维特征数据关联以及针对预测结果的自适应初值滤波等方法。通过对路侧感知数据集进行实验,结果表明,本文的算法明显优于初始的跟踪算法,能够增强复杂交通场景中目标跟踪关联的准确性和鲁棒性,提高感知跟踪的准确率,具备一定的工程推广价值。

关键词： 中药显微鉴别   架构设计   目标检测算法   深度学习  

摘要： 中药显微鉴别的传统方法以人工观察为主,过于依赖专家经验,具有时间长、成本高和容易造成误差的特点。文章集成人工智能技术的系统架构,引入现有数据增强方法和目标检测算法,设计了中药自动显微鉴别系统。该系统引入了YOLOv8模型,基于分层架构技术进行设计。结果显示,中药自动显微鉴别系统能够自动、低成本、快速和准确地鉴别中药材。

关键词： 昆虫   伪装   目标检测   深度学习   图像分割   深层梯度网络  

摘要： 【目的】昆虫常在色彩、纹理或形态上和背景相似,具有伪装性,识别难度大。本研究旨在探索基于深度学习的伪装昆虫前背景自动分割方法。【方法】将显著目标检测算法(salient object detection algorithm)、大模型图像分割算法(large-scale model-based image segmentation algorithm)以及伪装目标检测算法(camouflaged object detection algorithm)应用于伪装昆虫数据集,该数据集包括10类昆虫共1 900张图片;并进一步针对现有伪装目标检测算法的不足,提出了一种基于DGNet(deep-gradient network)的网络模型改进方法,即ZDNet(zoom-deep gradient network)。在构建该模型时,充分运用图像特征增强、交错图像金字塔、梯度诱导和跳跃式特征融合等技术。利用伪装目标检测公开数据集COD10K与CAMO构建了包含螽斯、蜘蛛等10个目昆虫的图像数据集,结合迁移学习进行网络训练,将经过训练的模型用于分割伪装昆虫。【结果】现有的伪装目标检测模型用于伪装昆虫前背景分割时,其分割性能明显优于显著目标检测模型和大模型分割图像。同时,ZDNet在性能上也明显优于现有的伪装目标检测算法,获得的S度量值、最大F度量值、平均F度量值、最大E度量值、平均E度量值和平均绝对误差(mean absolute error,MAE)分别为0.890, 0.865, 0.824, 0.966, 0.951和0.020。【结论】研究结果证明了ZDNet网络模型能够获得很好的伪装昆虫前背景分割结果,有利于提高昆虫识别的性能,也进一步拓宽了伪装目标检测方法的应用范围。

关键词： 机器学习   自然语言处理   计算机视觉   网络安全   人工智能   图数据   神经网络   数据处理方法  

摘要： 近年来,由于图结构的强大建模能力,用机器学习方法分析图数据的研究越来越受到重视.图机器学习是一类基于机器学习的图数据处理方法.特别是,将经典卷积神经网络模型拓展到具有非欧特性的图数据而产生的图神经网络具有强大的结构和特征融合学习能力,已成为国际研究热点,是人工智能发展的前沿技术.图机器学习不局限于处理图数据,广泛应用于计算机视觉、自然语言处理、网络安全和药物发现等领域.