关键词： 自动驾驶   目标检测   目标跟踪   深度学习   卷积神经网络   循环神经网络  

摘要： 传统的检测和跟踪方法在复杂驾驶场景下存在精度不高、实时性不足、鲁棒性不强等问题,据此提出了基于深度学习的改进方法。在目标检测方面,设计了一种双阶段检测器,在骨干网络中引入注意力机制,并结合FPN进行多尺度特征融合,该方法利用孪生网络架构,通过时空注意力模块来挖掘目标的显著特征和运动模式,从而增强了网络对目标表征的学习能力。这种端到端的框架设计,避免了传统方法中由于模块化处理而导致的特征表达能力下降的问题。此外,讨论了算法的局限性以及未来的改进方向。实验结果表明,所提出的算法在KITTI和OTB等公开数据集上取得了显著优于现有方法的性能,展现出了良好的精度和实时性。研究成果可为自动驾驶系统的感知模块设计提供新思路。

关键词： 无人机   多目标跟踪   深度学习   特征提取   数据关联  

摘要： 基于视觉的空对空多目标跟踪技术是对无人机目标态势感知的关键技术,目前的研究局限于单目标无人机跟踪和通用多目标跟踪算法的迁移运用。针对空对空条件下现有算法对多无人机目标跟踪不准确的问题,提出一种基于分块增强特征提取与局部几何信息关联的级联多目标跟踪算法,将无人机图像按照机身和机臂特点分块处理,提取目标细粒度形态特征,利用连续时间内目标间相对几何关系变化微小的特性,构建局部区域目标相对几何关系向量,综合上述技术组件设计级联关联算法,提高所提出的算法对无人机目标的检索能力和关联成功率,从而提高算法的跟踪性能。实验表明,在测试集中,所提出的算法相比于目前最先进的多目标跟踪算法OC-SORT算法,身份编号F1值(ID F1 Score,IDF1)提升了5.6%,相比于在通用多目标跟踪领域较优的ByteTrack算法,多目标跟踪准确率(Multiple Object Tracking Accuracy,MOTA)提升了2.7%,实现了对多无人机目标跟踪的最优性能。同时,所提出的算法中用到的技术可应用于SORT、BYTE等数据关联算法中,从而可提高这些关联算法的性能。

关键词： 脉冲神经网络   人工神经网络-脉冲神经网络(ANN-SNN)转换   目标检测   低时延和高精度  

摘要： 人工神经网络(artificial neural network,ANN)在众多领域取得了显著进展,但其对计算资源和能耗的高需求限制了其在硬件端的部署和应用.脉冲神经网络(spiking neural network,SNN)因其低功耗和快速推理的特性,在神经形态硬件上表现出色.然而,SNN的神经元动态和脉冲发放机制导致其训练过程复杂,目前主要研究集中在图像分类任务上,本文尝试将SNN应用于更为复杂的计算机视觉任务.本文以YOLOv3-tiny网络为基础,提出了Spiking YOLOv3模型,其符合SNN特性的网络模型,在检测任务上实现了更高的准确度,并将平均推理时间减少至约原来工作的1/4.此外,我们还分析了ANN-SNN转换过程中产生的转换误差,并采用量化激活函数对Spiking YOLOv3模型进行了优化以减小转换误差.优化后的模型平均推理时间减少至约原来的1/2,并在VOC与UAV数据集上实现在ANN-SNN无损转换,显著提升了基于该模型的检测效率.

关键词： 电力设备   指针表   图像去雨   可变形注意力   特征融合中间件  

摘要： 针对复杂天气环境下电力设备图像模糊而造成电力设备识别与检测受到严重影响的问题,设计了可变形特征融合网络来实现图像清晰化,从而提高复杂天气环境下电力设备的检测精度。将可变形注意力作为编码器-解码器组件引入U-Net架构中。将特征融合中间件作为连接上下文信息的桥梁,以此整合上下文信息并保留更多的空间细节信息。以指针式仪表图像为例,进行了指针式仪表图像去雨和指针式仪表自动读数实验。实验结果表明,所设计网络在指针表图像去雨方面有良好的效果,并提高了去雨后指针表的读数精度。

关键词： 目标检测   安防装备   高空作业   YOLOv7-tiny   轻量化   Involution  

摘要： 针对现有高空作业人员安防装备检测算法参数量较大且检测目标相对单一,难以适应复杂的高空作业场景等问题,提出一种基于改进YOLOv7-tiny的高空作业人员安防装备检测算法。首先,将主干网络重新设计为更轻量的YOLOv7-FasterNet,并调整空间金字塔池化结构,实现模型参数量的压缩;其次,在ELAN-L模块中扩展梯度传输路径的分支,解决了模型压缩造成的通道信息缺失问题,提升了特征信息的提取能力;最后,将网络中下采样部分替换为Involution模块,降低参数冗余,增强网络对全局的捕获能力。实验结果表明,改进的YOLOv7-tiny算法能够更好地适应复杂高空作业场景,在开源数据集上具备良好的性能。该算法的平均检测精度达到94.7%,较原模型提升1.5%,参数量较原模型下降11.6%,实验结果验证了算法改进措施的有效性。

关键词： 运动目标检测   全局注意力机制   检测尺度   损失函数  

摘要： 针对自动驾驶领域运动目标检测存在目标相互遮挡、对小目标漏检误检严重、实时性和鲁棒性较差等问题,提出一种基于改进YOLOv5s的方法。将全局注意力模块嵌入到主干网络C3结构的残差块中,增强了网络的整体特征提取能力;将原始网络20×20的检测尺度替换为160×160,提高模型对于小目标的识别能力;采用SIoU Loss作为边界框回归损失函数,使预测框的定位更加精准。实验结果表明,该改进算法在公开的自动驾驶数据集SODA10M上均值平均精度达到了81.3%,较原始网络提升了7.5%,推理速度达到238 frames/s,与主流的目标检测算法相比也表现出一定的优越性。

关键词： 三维目标检测   深度残差网络   体素特征   图像特征   特征融合   双次特征融合网络  

摘要： 针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。

关键词： HSV色彩空间   感兴趣区域   目标检测   色彩阈值  

摘要： 嵌入式设备中部署深度学习检测模型往往面临算力不足的问题,而感兴趣区域(ROI)提取可作为一种高效的性能优化手段。文章提出一种基于HSV(Hue,Saturation,Value)色彩空间模型的ROI提取的方法,将检测目标的像素信息转化到HSV色彩空间,在色相-饱和度(H-S)平面引入DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法,精确定位目标的主色彩像素在H-S平面上的分布位置,同时过滤杂乱色彩,然后通过Quickhull(快壳)凸包算法,从散点数据中拟合出主色彩的精确分布范围。根据获取的主色彩范围对像素进行遍历,可以根据色彩信息有效地提取ROI。实验结果表明,经过该方法优化后的Faster R-CNN(Faster Regions with Convolutional Neural Networks)算法,较原模型减少了57.08%的平均推理耗时,同时精确率提升了0.9百分点。这对于嵌入式设备中进行实时目标检测具有重要的现实意义。

关键词： YOLOv5   注意力机制   目标检测  

摘要： 为提高交通背景下车辆、行人等交通目标检测识别精度低的问题,文章提出了一种基于改进YOLOv5的交通目标检测方法。在YOLOv5骨干网络引入了全局注意力机制模块,增强模型对交通小目标特征提取的能力,并在YOLOv5模型上增加了一个小目标检测头,以提升模型对交通小目标的检测能力。验证结果表明所提算法的识别精度优于原始的YOLOv5算法,平均精度提升1.4%,检测速度为74帧/秒。

关键词： 目标检测   雷视融合   SAF-FCOS网络   多尺度融合   LNblock_GAM  

摘要： 针对雷视特征融合目标检测网络难以有效利用雷达点云信息和图像特征,在恶劣天气环境下,仍然容易出现误检、漏检的问题,提出了一种改进SAF-FCOS雷视融合目标检测网络。对SAF-FCOS的骨干网络结构进行改进,在C3、C4特征层进行雷达特征信息的多尺度融合,使网络模型更充分地利用雷达信息;在检测层前使用改进的LNblock模块——LNblcok_GAM,能够以较低的计算成本提取图像特征的同时提高网络的检测性能;在回归损失方面,使用基于EIOU与GIOU改进的CEIOU替换原网络中的GIOU,提高了网络的检测精度,提升了模型的鲁棒性。在NuScenes数据集上,改进网络的mAP_(0.5:0.95)达到了70.7%,AP_(50)达到了90.5%,比原网络SAF-FCOS分别提高了1.7个百分点和0.9个百分点,漏检、误检的情况得到了有效改善,同时,该改进网络的总体检测效果要优于其他经典的纯视觉目标检测算法。