关键词： 目标跟踪   煤矿井下   外观姿势   中心点尺度  

摘要： 随着计算机技术的飞速发展,煤矿井下智能工作面的建设取得了巨大进步。目标跟踪作为井下智能工作面建设的一个重要环节,在保证作业人员安全,提升开采效率等方面发挥着重要作用。但是煤矿井下光照条件较差,当目标有较大外观变化和遮挡时,算法的跟踪预测框将不能准确跟踪目标。为了解决上述问题,设计出姿势自适应权重更新策略,该策略能计算出不同帧与模板帧之间目标外观姿势的变化程度,该变化程度作为目标估计网络调制向量更新的依据,动态地更新调制向量。通过该更新策略,使得算法对于目标尺度变化较大物体的跟踪精度得到提升。同时设计的中心点尺度回归损失函数,将中心点距离和高宽损失引入损失函数,使得目标框回归更加精准。

关键词： 遥感图像   目标检测   YOLO   低跨度上下文解耦   并行级联注意力  

摘要： 针对现有遥感图像目标检测方法在受资源限制的小型设备中检测精度不足问题,提出了一种基于改进YOLOv7-tiny算法的高效轻量遥感图像目标检测方法。首先,针对遥感图像小目标分布密集问题,设计了一种低跨度的上下文解耦检测头模块,通过融合深层和浅层特征分别实现目标检测的分类和回归任务,有效解决了遥感图像小目标漏检和误检的问题。同时,针对遥感图像目标多尺度问题,设计了一种并行级联注意力机制,通过并行三分支网络与空间注意力模块相结合,增强了网络对多尺度目标特征的提取能力。此外,引入Focal-EIoU损失函数,提高模型泛化能力。对模型进行了对比实验、消融实验、部署实验和泛化实验,结果表明,在DIOR-5s和NWPU VHR-10数据集上的检测精度分别达到了85.4%、90.6%,相较原模型分别提高了2.6%、1.7%。且模型大小仅为19.1 MB,检测速度为64.1 fps,验证了算法的有效性。

关键词： 无人机航拍   小目标检测   空间池化金字塔   解耦检测头  

摘要： 目前,无人机航拍目标检测技术在军事和民用领域得到广泛的应用,但复杂场景中小目标密集,易出现误检和漏检的情况。为此,文章提出一种基于改进YOLOv5s的无人机航拍小目标检测算法,用分组卷积取代两个普通卷积,用解耦检测头取代耦合检测头,去除了原始算法中的P5检测头,在PANet结构中增加一层新的P2检测头。仿真结果表明,改进算法具有较好的检测效果,mAP50较原始算法提高了9.3%,同时能够满足无人机实时性检测需求。

关键词： 动物   目标检测   多目标跟踪   数据关联   遮挡   羔羊活动量  

摘要： 为评价母羊繁殖性能并及时发现分娩栏中的弱活力羔羊,该研究提出一种基于状态向量增强ByteTrack的新生羔羊活动量自动计算方法。针对传统ByteTrack算法在跟踪目标被遮挡时易发生身份切换的问题,引入置信度信息增强的状态向量,提高跟踪算法区分遮挡与被遮挡羔羊的能力。针对跟踪目标丢失导致轨迹预测不准确的问题,构建目标丢失期间的虚拟轨迹并重更新轨迹状态向量,以纠正轨迹误差。在获取各羔羊活动轨迹后,计算各羔羊帧间移动距离统计羔羊活动量。在江苏海门山羊研发中心采集的新生羔羊活动视频数据集上,测试状态向量增强的ByteTrack多目标跟踪算法性能。测试结果表明,研究提出的多目标跟踪方法在高阶跟踪精度、多目标跟踪精度、多目标跟踪准确度、IDF1得分上分别达到80.8%、86.1%、84.5%和92.2%,相较于现有算法的最高精度,分别提高2.7、0.2、2.3和3.9个百分点。该研究所提方法能够实现同窝多只新生羔羊的稳定跟踪,为新生羔羊活动量的自动计算、母羊繁殖性能的自动评估提供技术支撑。

关键词： 多目标跟踪   目标检测   重识别   深层聚合   高斯核   在线实例匹配   卡尔曼滤波  

摘要： 为解决多目标跟踪中联合目标检测和重识别训练时间过长、多分支特征不对齐和目标相互遮挡的身份转换问题,提出一种高效的多目标跟踪算法。在特征提取阶段利用深层聚合网络联合多层次特征,在重识别阶段通过三元组对在线实例匹配损失进行增强,缓解特征不对齐问题。加入高斯核函数对训练样本进行概率扩充,缩短训练时间。利用运动、外观特征与卡尔曼滤波实现高效的在线关联,利用轨迹池暂存丢失的轨迹,提高目标相互遮挡时的跟踪性能。算法在MOT15和MOT17数据集上的准确度分别达到了60.1%与74.2%,MOT17上的FPS也达到21.6 Hz。

关键词： 计算机技术   图形图像处理   应用   关键技术  

摘要： 我国正处于快速发展时期,各方面都在快速改革和进步。因此,对于图形图像处理技术也提出更高的要求。计算机技术在图形图像处理中的应用越来越广泛,不仅提高人们对于图形图像处理的质量和效率,而且对社会发展也产生重要影响。文章首先对计算机技术在图形图像处理中的应用内容展开分析,随后从图像增强技术、图像边缘检测技术和图像识别技术等方面深入探讨计算机技术中图形图像处理中的关键所在。希望文章能为相关从业者提供参考,提高我国图形图像处理水平。

关键词： 卷积神经网络   计算机视觉   特征相似性   特征规范化   注意力模块  

摘要： 近年来,注意力机制在图像分类、目标检测和语义分割等领域取得了巨大成功,但现有的注意力机制大多只能在通道或空间维度上实现特征融合,这极大限制了其在通道和空间维度上变化的灵活性,导致无法充分利用特征信息。为此,文中提出一种基于特征相似性和特征规范化的、可同时利用特征图各维度信息的卷积神经网络注意力模块FSNAM。该模块由特征相似性模块(FSM)和特征规范化模块(FNM)两部分组成,FSM利用输入特征图的通道特征信息和局部空间特征信息生成一个二维的特征相似性权重图;FNM利用输入特征图的全局空间特征信息生成一个三维的特征规范化权重图;两个模块生成的权重图融合在一起,生成一个三维的注意力权重图,以此实现通道特征信息和空间特征信息的融合。为证明FSNAM的可行性和有效性,进行了消融实验,结果表明:在图像分类任务方面,FSNAM模块对分类网络在CIFAR数据集上的性能提升明显优于其他主流注意力模块;在目标检测任务方面,使用FSNAM模块的目标检测网络对VOC数据集中的小目标和中等大小目标的检测准确率分别提高了3.9和1.2个百分点;在语义分割任务方面,使用FSNAM模块可以提高HRNet模型的性能,在SBD数据集上模型的平均像素准确率提高了0.58个百分点。

关键词： 自适应   优化   聚类   车辆检测   道路交通   目标检测  

摘要： 在当前复杂的道路交通环境下,车辆作为道路交通范畴内的一个重要参与群体,对其有效的监测和监管成为了涉及交通运输安全问题中的一个重要内容。以道路交通车辆目标为研究对象,结合模糊聚类算法在图像处理领域所展现的技术优势,将其进一步扩展到车辆目标检测的实际应用之中,并针对该算法所存在的性能方面的不足之处,提出和设计基于超像素的像素级以及基于群智能的种群级自适应优化方法。实验仿真结果表明,该方法能够有效地提升车辆目标检测的性能,进而为高效精准的车辆目标检测提供理论和方法上的参考依据。

关键词： 目标检测   深度学习   云边协同   算法模型   进度采集   预警模型   协同分析  

摘要： 基于目标检测优化的深度学习算法,研发了一套基于云边协同的工程施工进度智能全时空监控软件。该套软件包括边缘进度采集装置和云端进度智能监控软件后台。施工现场部署边缘进度采集装置,装置内构建了精细化训练网络算法模型,选取38类关键识别对象,建立了输变电工程现场基建的构建筑物样本库,工程进度识别准确率提升达到96%以上。同时,边缘进度采集装置将进度数据实时上传汇聚至云端的进度智能监控软件后台,后台整合现场班组人员、设备资源投入等全要素信息,建立工程进度风险分级预警模型,通过识别出的多维数据的协同分析,实现基建现场进度精准预警掌控,解决了输变电工程的进度管控困难问题。

关键词： SAR   遥感图像   光学遥感   目标检测   深度学习   脉冲神经网络  

摘要： 与第二代人工神经网络(ANN)相比,第三代类脑脉冲神经网络(SNN)由于其高能效、高仿生、可解释等特点,在遥感影像智能处理的高能效、高精度、高可解译方面具有较大的潜在优势。针对现有脉冲神经网络算法延时较大的问题,本文提出一种基于类脑脉冲神经网络的遥感图像检测算法。该算法首先搭建了一个带有动态裁剪阈值激活函数的目标检测神经网络作为源网络进行预训练,随后借助训练过程中得到的裁剪阈值,通过激活神经元与脉冲神经元的映射关系将源网络转换为类脑脉冲神经网络,在继承源网络较高精度的同时还具备了低延迟、高仿生的特点。在SSDD(SAR-Ship-Detection-Datasets)和RSOD两个公开遥感数据集上的实验结果表明,该方法能够以极低的损失将源网络转换至类脑脉冲神经网络,并能在低时间步下对遥感目标实现较高的检测识别精度。同时该方法能够在继承ANN网络易于训练的特性与精度优势的同时,充分展现SNN的高稀疏度的带来的巨大能效优势。