关键词： 无人机   小目标检测   多信息流融合注意力机制   YOLOv7   损失函数  

摘要： 针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。

关键词： 红外小目标检测   U形注意力块   逐像素注意力  

摘要： 红外小目标检测在军事和民用领域获得了广泛应用,但其存在目标尺度小、细节少、复杂背景干扰等问题,现有经典深度学习检测方法往往适用于通用目标检测,对红外小目标适配性较差。针对上述问题,构建了一种新的基于U形注意力块和逐像素注意力块的红外小目标检测网络。设计了U形注意力块,在单层级内通过局部U形子网络提取多尺度特征,并通过逐像素注意力精细化增强小目标特征,丰富多尺度小尺度目标特征表示,提升网络对小尺度目标判别能力;通过稠密融合方式进一步保留小目标信息,缓解不同层特征融合时的语义鸿沟,降低漏检率;将空间与通道2个维度逐像素注意力块应用于融合后的特征图,避免小目标特征被衰减,同时抑制复杂背景干扰。实验结果表明,提出的网络在2个红外小目标数据集NUDT-SIRST与IRSTD-1k上交并比、检测概率、虚警率指标均超过最新基准方法。此外,所提网络在检测精度和效率上也达到较好平衡。

关键词： 激光雷达   激光点云   三维目标检测   球面投影  

摘要： 基于深度学习的激光点云目标检测已成为了一个重要的研究领域。本文采用球面投影和2D图像的SOTA深度学习网络,实现3D激光点云目标快速检测。首先,将KITTI数据集单帧3D点云经球面投影转换成一帧2D的RGB三通道图像,像平面的像素位置取决于点云的三维坐标,其R、G、B 3个通道灰度值取决于点云归一化后的反射强度、距离、高度。其次,分析了不同分辨率下球面投影的重叠分布情况和对图像质量的技术影响。最后,采用语义分割模型DeepLab-V3+网络,仿真结果表明:该方法在分割精确度和速度方面都具有良好的性能,应用价值较高。

关键词： 目标检测   毯子法   联合分形   雨杂波  

摘要： 针对雨杂波环境下传统目标检测方法虚警和漏警双高的问题,本文主要研究雨杂波频谱的联合分形特征及其在目标检测中的应用,提出了一种基于定向毯子覆盖法的联合分形特征检测方法,首先通过利用毯子覆盖法测量回波距离多普勒域的分形维数和模型拟合误差特征,然后将分形维数和模型拟合误差作为检验统计值,构造基于联合特征的阈值检测方法。通过优化毯子法的计算步骤,减少了对非目标信息的冗余运算,使得方法具有更好的实时性能。通过对雨杂波环境中实测数据的处理结果表明,相比于传统的目标检测算法,该方法在处理雨杂波等非平稳数据时,可以有效降低虚警,同时提升对目标的检测性能。

关键词： 粗粒床面   级配曲线   GAS算法   数字筛分   图像处理  

摘要： 粒径和级配是表征床面组成的重要指标,基于GAS粒径自动识别技术可自动识别粗粒床面粒径并生成级配曲线,能够大幅提高现场采样和分析的效率。为了验证GAS的分割效果,采用GAS提供的默认参数进行分割,同时应用ImageJ软件手动分割进行验证。结果表明:GAS级配曲线的相对误差为5.7%,相关系数为0.992。另外,采用单参数和多参数敏感性分析法来标准化参数调整方案,gre、can1和can2对GAS提取的级配曲线和特征粒径有显著影响,其中gre起主导作用,而can1和can2控制着砾石边界的检测完整性。

关键词： 安全装备检测   目标检测   深度学习   YOLOv8   特征金字塔网络  

摘要： 为解决现有安全帽和反光衣检测模型对小目标和复杂天气中目标检测精度低、环境干扰因素大、难以在性能一般移动设备部署等问题,设计实现一种改进YOLOv8安全装备检测模型YOLOv8-DSI。首先,设计基于残差思想和并行空洞卷积的DR-SPPF模块,进一步扩大感受野且不损失图像分辨率,显著提升复杂天气检测精度;其次,在特征融合阶段设计结构轻量特征金字塔网络ST-BiFPN,进一步减小模型参数量,实现高效多尺度特征融合;最后,引入Inner-ShapeIoU损失函数,使得边界框回归更加准确,增强检测效果。在自建数据集上,相较于基线模型mAP50和mAP50:95分别提升了2.1%和4.7%,而模型参数量仅为2.4 M,计算量仅为7.3 G,分别降低了10.9%和20.0%。最终将改进模型部署到Jetson Orin Nano边缘设备,通过在开发板实际运行证明,改进后模型在复杂场景下有效性和可应用性。

关键词： 损失函数   深度可分离卷积   激活函数   建筑垃圾识别   目标检测  

摘要： 针对现有的目标检测算法对于高分遥感影像建筑垃圾识别效率不高的问题,提出一种基于改进的YOLOv7的目标检测模型,提高建筑垃圾的检测效果。该方法使用高分二号卫星影像数据,首先用SIoU来优化模型的目标框回归,加快模型的收敛速度;然后用漏斗激活函数FReLU扩大卷积层的感受野范围,以提高模型的特征提取能力;最后使用深度可分离卷积核,在提高检测精度的同时也减小了模型的参数量。实验结果表明,改进后的YOLOv7模型相比其他模型平均精度、准确率和召回率分别提升了5.8%、6.4%和8%,具有较好的识别效果,为遥感影像建筑垃圾识别提供了可靠的方法。

关键词： YOLO   目标检测   后处理   硬件加速   FPGA  

摘要： YOLO目标检测网络系列因具有高精度低延时的特点而得到广泛运用,但如何加速其后处理仍未得到充分研究。利用YOLO计算特点,优化了后处理算法:(1)融合detect层和后处理计算过程,通过将置信度阈值判断移至detect层计算前,避免无效计算和通信;(2)结合模型量化,实现基于脉动阵列的后处理硬件加速。实验表明:YOLOv3、YOLOv5的detect层卷积计算量减少了87.3%~99.9%;加速硬件设计在Virtex Ultrascale+VCU112上实现,100 MHz时钟频率下,YOLOv3的detect层与后处理计算相较优化前加速比达到7.2~9.3,在3000选框中筛选5个最佳选框条件下延时1736μs。相比现有工作,本文的detect层与后处理计算速度提升了4.7~5.0倍,后处理所需FF资源仅为9.9%~10.5%。较后处理优化前,稀疏化的YOLOv3网络整体推理速度提升1.2%~1.3%。

关键词： 计算机视觉   “两人执法”   非现场执法   自动化行政   电子警察  

摘要： 现行法律关于“两人执法”的条文存在目的、定位、选用之冲突,警力数与执法量难以同步增配,导致出现“单人执法”情形,并引起关于主体资质、身份表明及证据效力等争议。计算机视觉技术衍生的“电子警察”“人脸识别”等能实现人力解放,突破执法“物理屏障”,并逐步成为政务需求。运用传输型智能执法记录仪,“一人一机”协同式执法模式不仅具备合法形式还兼顾司法效力,能以全程监督保障实质权益。技术进步也需兼顾风险规避,在协同式执法向“完全自动化行政”演变过程中,需接受频繁试错、区分不同应用场景、避免绝对禁止规制、保留司法解释能力;无限接近于智能化过程中,也应摒弃堵截方法,加强约束引导与前瞻预防。

关键词： 深度网络   目标跟踪   自适应框   注意力机制   模板更新  

摘要： 现有深度网络跟踪算法应对相似物体干扰、尺度变化、形变模糊、遮挡等问题存在挑战,为此提出一种融合多模板注意力机制的鲁棒深度网络算法.在SiamFc深度网络分支中构建通道和空间多模板注意力机制,以加强网络对目标特征的提取能力;融合浅层和深层卷积特征实现跟踪目标的精确聚焦,以克服相似物干扰问题;采用自适应回归网络学习目标采样点与目标边界之间的距离,实现目标区域的动态预测,有效应对目标尺度变化问题.另外,通过计算分类特征的APCE均值和最大值建立模板在线更新策略,实现网络自适应目标形变模糊与遮挡等问题.对OTB 100和VOT 2016等公开数据集的测试结果表明,与目前先进的SiamFc及改进方法相比,所提出算法在动态目标跟踪的准确率和成功率上均得到有效提升,具有强鲁棒性能.