关键词： 机动目标跟踪   交互多模型   序贯蒙特卡罗   泊松多伯努利混合  

摘要： 满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度。在多目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降。针对这一问题,提出了一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪。同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景。仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性。

关键词： 交通标志   小目标   注意力   检测算法   精度  

摘要： 为了提高全新中国交通标志检测数据集2021(CCTSDB 2021)的小目标检测精度。在YOLOv5网络模型上,融入归一化的注意力模块(NAM)和协调注意力模块(CA),同时新增加160×160的检测特征图,增加小目标检测层,用于检测4×4以上的目标。在YOLOv5中采用改进的SIou目标回归损失函数,使得整个网络模型对图像特征的学习能力和目标检测精度得到一定的提升。实验表明,CCTSDB 2021在改进的YOLOv5算法中,小目标检测精度mAP@.5和mAP@.5:.95达到85.87%、57.21%,相比原YOLOv5网络mAP@.5、mAP@.5:.95分别提升了5.72%、5.85%,检测精度和精确率-召回率得到了明显提升,减少了推理时间,提高了整体网络的鲁棒性,具有更好的检测性能和目标分辨能力。

关键词： 目标检测   边缘部署   智能驾驶   轻量化   YOLOv8  

摘要： 为优化智能汽车环境感知算法,提出一种改进的YOLOv8模型。通过引入Ghostconv改进C2f结构,实现算法的轻量化;建立了基于CBAM(Convolutional Block Attention Module)注意力机制的GSAM注意力机制降低模型的计算复杂度,同时提升检测精度;利用P2小目标检测层和深度可分离卷积改进Neck层,降低参数量和计算量提高检测精度;采用SIOU损失函数,提高目标检测算法的性能。实验结果显示,改进后的模型mAP提高了2.5%,复杂度降低了1.4%。

关键词： 合成孔径声纳   感兴趣小目标检测   轻量化目标检测模型   注意力机制   二次非极大值抑制  

摘要： 轻量化目标检测模型SSD-MV3(Single Shot Detection-MobileNet V3)因输入图像尺寸限制无法直接检测高分辨率大尺寸合成孔径声纳(Synthetic Aperture Sonar,SAS)图像中感兴趣小目标.为此,本文提出了一种新的目标检测方法HRSSD(High Resolution Single Shot Detection),该方法通过冗余切割确保SSD-MV3输入图像尺寸的规范以及感兴趣小目标的完整,并利用二次非极大值抑制保证检测结果的唯一.此外,提出了一种尺度、空间和通道注意力机制联合的特征提取模块,并利用该模块重新设计了SSD-MV3的基础网络和附加特征提取网络,记作SSD-MV3P(Single Shot Detection-MobileNet V3 Pro),使得SSD-MV3P能更有效的感知感兴趣小目标特征信息.实验结果表明,在感兴趣小目标检测数据集SST(Sonar Small Targets)上,SSD-MV3P的平均检测精度(mean Average Precision,mAP)比SSD-MV3提升4.39%.HRSSD实现了高分辨率大尺寸SAS图像感兴趣小目标的检测,并且保证了同一位置上检测结果的完整性和唯一性.

关键词： 多目标跟踪   时空嵌入感知   位置预测   数据关联   协同优化  

摘要： 为解决多目标跟踪中遮挡频繁、场景拥挤以及目标尺度多变带来的跟踪挑战,提出时空嵌入感知与多任务协同优化的多目标跟踪方法。提出空间相关性模块以提取空间上带有目标上下文感知的判别力嵌入;提出时序相关性模块聚合来自空间相关性模块提取的嵌入,用于生成时序注意力以引导空间相关性模块在遮挡频繁和拥挤场景下提取更具判别力的嵌入。由此,判别力的嵌入在增强关联鲁棒性的同时可预测更加精确的检测框以克服尺度多变问题,而精确的检测框则促进两个模块提取更加高质量的嵌入,从而实现嵌入提取、位置预测和数据关联多任务间的协同优化。在亲和力矩阵中引入检测框间的GIoU距离以进一步提升遮挡和拥挤场景中关联的鲁棒性。在MOT16、MOT17和MOT20数据集上的实验结果表明,提出的方法表现出比先进方法更优异的跟踪性能。

关键词： 遥感影像   小目标检测   深度学习   YOLOv8  

摘要： 遥感影像中的小目标在遥感影像中像素占比较小,传统的遥感影像小目标检测方法经常出现漏检错检的情况。本文提出一种基于YOLOv8模型的改进算法,在YOLOv8骨干网络中使用更加轻量的鬼影混洗卷积(ghost-shuffle convolution, GSConv),并通过Slim-neck设计范式优化网络结构,提高网络性能。在特征推理过程中,使用切片辅助超推理库来加强对小目标的检测,减少漏检情况的发生。针对改进后的模型,在DOTAv1.0数据集上进行试验验证,其准确率与YOLOv8相比提升了3.1个百分点,召回率相比于YOLOv8提升3.9个百分点,mAP50及mAP50-95分别为0.713和0.479。模型的参数量减少15.6%,改进后的模型在遥感影像小目标的检测中效果得到提升。

关键词： 卷积神经网络   深度学习   反向传播   图像处理  

摘要： 为了减少实验样本和数据集增量选取在训练过程中的过拟合现象,提高肺炎识别的准确率,提出一种拟合构建的卷积神经网络与模型识别肺炎的算法。该算法首先对图像采用图像阈值分割技术进行预处理,再将卷积神经网络和反向传播算法结合,对卷积神经网络进行优化,使其提取到的特征更加趋近于抽象并且表达能力也更强,在提高收敛度的同时可以避免过拟合现象的产生,经临床数据实验证明,该方案较现有普遍研究的分类算法在精确度和识别率方面都有较大提高,且提升了整体交互处理不良数据反应,一定程度上完善了肺炎判别方法。

关键词： 改进Mask RCNN   航空遥感图像   注意力机制   CIOU  

摘要： 随着航空遥感领域的不断发展,针对该场景下小型目标的检测已经成为目前研究领域中的一项重要工作。论文基于航空遥感图像场景,提出了一种针对航空遥感领域中小目标检测的优化方法。为了提高算法在小目标检测方面的实用性和准确性,论文在Mask RCNN算法的基础上添加了空间注意力机制模块来对图像的背景做降噪处理,使用CIOU作为边界框回归损失函数进行优化,然后使用Kmeans聚类算法代替原始算法生成更加匹配小型目标的检测锚框。改进的Mask RCNN在航空遥感图像数据集下的检测精度达到61.89mAP,检测精度相对于目前主流的遥感图像检测算法R-FCN提升了17%,相对于Mask RCNN提高了2.4%,达到了当前条件下最好的检测效果。

关键词： 机器视觉   视频压缩   目标检测   协作智能   特征压缩  

摘要： 由于越来越多的视频开始使用机器视觉进行任务分析,以往面向人眼的视频压缩方法难以保障视频目标检测等任务性能。对此,提出一种基于通道注意力的协作智能特征压缩算法。首先,选择分裂点特征,将其作为特征压缩网络的输入;其次,使用通道注意力对特征进行通道冗余去除,使用卷积进行空间冗余去除;最后,运用广义除法归一化减少噪声,以确保重建特征的还原度。实验结果表明,该特征压缩算法可以有效缓解通信带宽压力,高质量重建特征,保障目标检测任务性能。

关键词： 岩石裂隙   深度学习   图像分析   裂隙分离   裂隙表征  

摘要： 岩石裂隙特征是评判岩体结构及其完整性的核心指标,也是评估岩石工程安全稳定性的重要因素。针对岩石裂隙识别,采用深度学习方法,通过引入混合注意力机制对Unet模型进行了改进,有效提高了岩石裂隙识别的精度。针对交叉岩石裂隙的分离与特征提取,提出了一种基于迹线方向判定的裂隙分离与表征算法,依据裂隙分离的结果形式,采用重合追踪法或断裂追踪法分离交叉裂隙骨架,继而使用微分累加法、方框法、线性回归法求得裂隙的长度、宽度及倾角等几何特征指标。基于提出的算法,研制了一套具有图形用户界面的岩石裂隙图像智能识别与表征软件系统,实现了从深度学习模型参数选择、模型训练、裂隙识别、量化分析到结果可视化的完整功能。最后对岩石裂隙识别与分离表征算法的性能进行了评判,结果表明,改进Unet模型对复杂分布的裂隙识别效果最好,其总体识别性能要优于其他网络;骨架分离算法对常见类型交叉裂隙能够取得预期结果,表征算法对分离裂隙与交叉裂隙的表征精度高,对实际岩石裂隙图像的应用效果较好。研究成果可为基于计算机视觉的岩石工程试验与岩体结构检测技术研发提供参考依据。