关键词： 目标检测   Yolov5   Labeling图片标注   模型训练  

摘要： 交通信号检测是智能汽车识别交通环境的一项重要辅助技术,现有的算法能够解决单一交叉口环境下的信号检测问题,但需要在十字路口的复杂交通环境中提高算法的精度和干扰可靠性。文章以one-stage目标检测算法Yolov5的应用为研究基础,实现多场景下的交通信号灯自动检测与识别,使用Labeling进行图片标注,通过镜像、裁剪、反转、等运行增强数据集,不断地调参实验与迭代模型训练,目标检测精度达到80%。

关键词： 深度学习   计算机视觉   编码器-解码器   交叉注意力机制  

摘要： 基于注意力的模型处理计算机视觉任务时,注意力机制的全局特征提取能力较弱,因此,提出了一种基于交叉注意力的双视图视觉特征提取模型VisFEM。模型采用编码器-解码器模型架构,通过交叉注意力机制从双视图中提取粗细粒度两种特征,并将不同编码器的输出特征融合,从而提高模型的全局特征提取能力。在ImageNet高清数据集的分类中准确率达到84.3%,在检索任务中正确召回率达到0.39。

关键词： 表面缺陷检测   注意力机制   特征融合   目标检测  

摘要： 复杂纹理瓷砖表面存在较多的低可视度小目标缺陷与严重的复杂纹理背景干扰,使应用目标检测方法时易出现较高的误检率和漏检率。为提升复杂纹理瓷砖表面缺陷检测效率,提出了基于通道与空间联合注意力的复杂纹理瓷砖表面缺陷检测方案。首先通过建模深浅层特征通道间关系设计了一种选择性特征融合方法,以提升模型对小目标缺陷的特征表达;其次,提出了通道与空间联合注意力模块,通过通道注意力和空间注意力来筛选关键特征通道和抑制纹理区域,使模型着重于学习缺陷特征以增强模型辨别缺陷与纹理的能力;最后,在复杂纹理瓷砖表面缺陷数据上进行了实验验证。实验结果表明,相较于AFF(attentional feature fusion)和CBAM(convolutional block attention module)方法,选择性特征融合方法和通道与空间联合注意力模块使模型检测性能分别提高了5.3 AP、6.32 AP。最终,实验证明了该方案分别优于现有的瓷砖检测方法YOLOv5和纹理织物缺陷检测AFAM方法1.32 AP、2.12 AP。

关键词： 数据处理   YOLO   数据增强   目标检测  

摘要： 文章介绍了在目标检测领域应用神经网络的方法,重点关注了对YOLO(You Only Look Once)目标检测算法的性能提升。首先,深入研究了数据处理与增强方法,包括数据归一化、图像旋转、镜像翻转和随机噪声添加等,以提高输入数据的质量;其次,采用经过处理的数据集,应用YOLO算法进行目标检测,并对所提方法进行了综合测试。实验结果显示,所提方法在精确度、召回率和F1分数方面略优于标准YOLO模型,取得了良好的效果。

关键词： 目标跟踪   轨迹融合   目标点迹   雷达   侦察   数据集  

摘要： 对海监视中航迹实时关联与轨迹融合任务是安全防控、区域态势监视、远程精确打击等军民应用领域的热点和难点问题,高质量的数据集对推动目标跟踪与融合技术在该领域的研究有重要作用。本研究针对目标跟踪与融合领域技术研究的数据需求以及目前公开数据集所存在的数据缺乏、场景设计针对性差、数据格式单一、数据描述不全等问题,通过仿真软件对复杂场景中多传感器多目标探测数据进行仿真,提供了一套面向典型对海监视场景(以舰船为探测对象的2D雷达与侦察传感器﹝ESM﹞)的目标跟踪与航迹融合数据集。其中仿真软件包括剧情发生器和传感器模拟器两部分,是一套成熟的目标跟踪场景仿真环境,提供逼真的探测数据模拟能力。本数据集涵盖的传感器对象包括2D雷达与侦察传感器,目标包括典型的海上舰船类别,并支持携带辐射源配置,设计了高速运动、密集交通、多传感器数据融合、特定舰船侦测和交叉定位等多种典型场景。本数据集中共包含368155条目标点迹,舰船数量为101条,时间范围15000秒,数据格式符合实际设备上报情景、探测误差模型符合实际。本数据集通过对数据误差进行正态性检验、对检测率、虚警率的场景检验以及实地调研,完成了对数据的准确性评估与数据完备性控制,可为舰船目标跟踪、轨迹融合等算法研究与验证提供基础数据。

关键词： 目标检测   模型   Transformer   虫害   深度学习  

摘要： 在复杂和密集尺度的农业检测任务中基于Transformer的DETR类模型逐渐崭露头角,但现有的传统量化分析难以深入探究检测模型的优化策略和机制的有效性。为了满足密集小型昆虫的检测和计数的需求,该研究构建了真实场景采集的包含稻飞虱、蚜虫和麦蜘蛛3类小型害虫的多尺度虫害数据集(multi-scale tiny crowded planthopper-aphid-wheat mite pest detection,MTC-PAWPD),提出基于黏连率和相对尺寸的数据划分方式,将虫害数据集分为密集分布、大尺度、中小尺度和超小尺度4类场景。通过分析DINO模型在特定场景下的性能表现,设计详尽的消融试验方案,以特征与其关键组件查询的可视化试验辅助,验证虫害检测任务性能提高与各个模块之间尤其是与查询相关模块的联系。经试验,模型在MTC-PAWPD测试集上的mAP@50达70.0%,与其他主流模型相比提升2.3个百分点。在4类场景中mAP@50分别达42.5%、79.4%、75.7%和62.4%,在多尺度、密集任务中表现出较强的检测性能。通过针对自身模块的消融和可视化试验证明模型性能提升与Transformer部分的优化模块相关性更大。试验说明基于DINO的虫害检测模型在田间复杂背景下多尺度的复杂虫害检测任务中具有强大的泛化能力和实用价值。

关键词： 领域自适应   目标检测   多目标域   风格迁移   伪标签  

摘要： 现有的基于深度学习的目标检测模型中,由于复杂天气使得现有方法的精度大幅降低.因此为了有效地消除不同天气场景带来的域差异问题,提出一种多域动态平均教师模型.首先引入多域平均教师模块,为多个不同天气场景下目标域数据生成伪标签;然后引入基于学生网络的风格迁移模块,解决多域任务中学生网络对不同目标域泛化能力差的问题,可有效地减小源域与不同目标域之间的差异,提升学生网络对不同目标域的泛化能力;最后提出基于教师网络的动态过滤伪标签模块,根据教师网络对不同目标域的学习效果动态地调整过滤伪标签的阈值,提升每个目标域伪标签质量.在FoggyCityscapes&RainCityscapes和Dusk-rain&Night-rain数据集上的实验结果表明,所提模型分别获得了40.3%和31.4%的精度,在雨天、雾天和夜晚等多种复杂天气场景下都优于对比方法.

关键词： 图像处理   合成孔径   多尺度   特征融合  

摘要： 受物理孔径大小和光线散射等影响,合成孔径光学系统成像因通光面积不足和相位失真而出现降质模糊.传统合成孔径光学系统成像复原算法对噪声敏感,过于依赖退化模型,自适应性差.对此提出一种基于生成对抗网络的光学图像复原方法,采用U-Net结构获取图像多级尺度特征,利用基于自注意力的混合域注意力提高网络在空间、通道上的特征提取能力,构造多尺度特征融合模块和特征增强模块,融合不同尺度特征间的信息,优化了编解码层的信息交互方式,增强了整体网络对原始图像真实结构的关注力,避免在复原过程中被振铃现象产生的伪影干扰.实验结果表明,与其他现有方法相比,该方法在峰值信噪比、结构相似性和感知相似度评估指标上分别提高了1.51%,4.42%和5.22%,有效解决合成孔径光学系统成像结果模糊退化的问题.

关键词： 计算机视觉   深度学习   卷积神经网络   实例分割   Mask R-CNN   边界框回归   KL散度   高斯分布  

摘要： 针对实例分割任务中图像中可能出现相互遮挡或边缘模糊导致边界框定位不准确的问题,本文提出了一种新的边界框回归损失函数。将边界框位置预测转化为估计定位置信度随位置变化的概率分布;考虑坐标点间存在联系,提出一种面积差计算方法;为了证明此方法可以很好地应用于先检测后分割的实例分割模型,本文使用Mask R-CNN作为基线。实验结果表明:在边界框检测及实例分割任务中,本文方法的精度优于其他方法,对于小物体的检测与分割效果更显著,训练和评估速度也更快。

关键词： 伪装目标检测   传统方法   深度学习  

摘要： 伪装目标检测旨在准确地检测出“完美”隐藏在周围环境中的目标,是一项重要且极具挑战性的任务。当前,伪装目标检测在计算机视觉领域引发了广泛关注,并且学者们已成功构建了多种类型的检测模型。但是,大多数工作以构建高效的检测模型为目的,缺少对已有模型的深入分析及归纳总结。因此,对现有伪装目标检测模型进行了全面分析和总结,并探讨了伪装目标检测潜在的研究方向。首先从传统方法和基于深度学习方法两个大类对已存的模型进行全面综述,并详细阐述相关模型的原理和优劣势;其次介绍了伪装目标检测领域常用数据集及评价指标;最后总结全文并对伪装目标检测领域的未来研究方向进行了展望。