关键词： 红外小目标检测   图像分割   深度学习   自注意力机制  

摘要： 针对红外小目标特征难以提取、易被噪声干扰及复杂背景淹没等问题,提出了一种基于U型多尺度Transformer网络的检测算法。该算法在U型多尺度网络架构下,借助卷积操作提取、强化小目标局部显著性特征,同时又基于Transformer机制对图像全局特征进行建模,以获取红外图像背景信息;通过对所生成目标置信图与特征图的自注意力运算,完成了对图像浅层和深层特征的融合,实现了对像素级红外小目标的分割及检测。实验证明,在红外序列图像弱小飞机目标检测跟踪数据集中,即使针对背景复杂且含噪的图像进行检测,所提算法性能仍然优于对比算法,呈现了良好的鲁棒性及稳定、准确的检测效果。在算法阈值选用使FM平均值最大的情况下,其检测率为0.9972,虚警率为2.82×10^(-7),精确率为0.9127,而召回率则为0.921。

关键词： 图像处理   多光谱图像   注意力机制   低照度图像   图像增强  

摘要： 为了解决短时曝光条件下高(多)光谱图像照度和信噪比偏低问题,提出了一种基于改进残差(Res-UNet)的高(多)光谱图像增强模型。该模型以Res-UNet为主干网络,采用空洞空间金字塔池化和坐标注意力机制强化模型的特征聚合能力,并引入标准分数损失函数以改善模型对光谱曲线的重构能力,利用图像增强质量指标和下游任务(干旱叶片分割精度)对所提模型的性能进行评价。结果表明,改进后模型的峰值信噪比、结构相似度和光谱角映射分别达到0.9852、39.71和3.120,优于对比算法;其对于干旱叶片的分割精确率也高于各类主流算法。该模型对植物低照多光谱图像增强的有效性,可为各类光谱图像下游任务提供信息支持。

关键词： 物流快递   智能分拣   密集包裹   目标检测   无参注意力机制   轻量化   边框相似性度量  

摘要： 针对物流分拣中堆放混乱、相互遮挡的问题,研究改进基于YOLOv7的目标检测算法,提高分拣效率和识别准确率。通过优化主干网络,引入ConvNeXt网络结构、轻量级上采样算子CARAFE,以及轻量级特征融合金字塔结构Slim-Light,减少模型参数和计算复杂度;引入轻量化无参注意力机制模块(SimAm)和新的边界框相似性度量标准归一化Wasserstein距离(NWD),解决密集堆叠包裹的误检漏检问题。实验结果表明,改进后的YOLOv7模型在自制数据集上取得了显著成果,在检测精度方面取得了显著提升,实现了模型参数和计算负担的双重降低,为解决物流分拣难题提供了一种有效方法。

关键词： 目标跟踪   云台控制   卡尔曼滤波   自动对焦   多线程  

摘要： 针对飞行速度快,空间跨度大,观察视角变化大的飞机起降过程,提出了一种基于视觉的远距飞机目标跟踪方法。该方法在没有雷达、对焦传感器等硬件的情况下,仅需要对摄像机的采集画面进行图像分析,通过对分析结果的进一步处理,实现对云台和变焦镜头的实时控制,使得飞机目标在起降过程中始终保持在摄像机的图像中心,同时大大降低了成本。为此,首先对相机成像规律、变焦镜头变焦规律进行建模。然后,采用YOLOv4目标检测算法对飞机进行目标检测,并对目标进行图像分析,得到目标在相机中的几何规律和位置关系。在此基础上,采用图像清晰度评价方法对变焦镜头进行自动变焦、自动对焦控制,并基于卡尔曼滤波器对云台的跟踪控制进行了优化。理论分析与实验结果表明,在没有雷达、对焦传感器等硬件的情况下,基于视觉的远距飞机目标跟踪方法可以使飞机目标始终保持在图像中心。

关键词： 异常检测   注意力机制   深度学习   计算机视觉   自动编码器   图像处理   人工智能  

摘要： 针对基于卷积的自动编码器提取视频特征时缺失全局信息,且缺少对可能发生异常的前景对象的自主选择性问题,提出一种基于混合注意力机制的视频异常检测算法,以加强卷积神经网络的全局特征捕获能力,控制不同通道和空间位置上特征的权重,使网络有选择地关注可能发生异常的前景对象,降低实验结果对背景等无关信息的敏感性,提高对检测对象的异常区分度。所提算法在Ped2、Avenue以及ShanghaiTech这3个数据集上实验,帧级曲线下面积分别达到99.5%、91.0%以及75.6%,较对比方法均有提高,实验结果表明了算法有效性。

关键词： 深度学习   目标检测   接触网支撑组件(CSCs)   路径聚合特征金字塔(PA-FPN)   空洞空间卷积池化金字塔(ASPP)  

摘要： 作为高铁牵引供电系统的重要组成部分,接触网系统承担着向动车组传输电能的重要功能.实际工程运营表明,受弓网交互产生的持续冲击以及外部环境的影响,接触网支撑部件可能会出现“松、脱、断、裂”等缺陷,导致接触网结构可靠性下降,严重影响接触网系统稳定运行.因此,及时精确定位接触网支撑部件(CSCs),对保障高铁安全运行和完善接触网检修维护策略具有重大意义.然而,CSCs的检测通常面临着零部件种类多、尺度差异大、部分零部件微小的问题.针对以上问题,本文提出一种基于多尺度融合金字塔焦点网络的接触网零部件检测算法,将平衡模块和特征金字塔模块相结合,提高对小目标的检测性能.首先,设计了可分离残差金字塔聚合模块(SRPAM),用于优化模型多尺度特征提取能力、扩大感受野,缓解CSCs检测的多尺度问题;其次,设计了一种基于平衡特征金字塔的路径聚合网络(PA-BFPN),用于提升跨层特征融合效率和小目标检测性能.最后,通过对比试验、可视化实验和消融实验证明了所提方法的有效性和优越性.其中,所提的MFPFCOS在CSCs数据集上的检测精度(mAP)能够在达到48.6%的同时,实现30的FLOPs(Floating point operations per second),表明所提方法能够在检测精度和检测速度之间保持良好的平衡.

关键词： 点云   三维目标检测   自适应特征池化   注意力机制  

摘要： 为解决点云三维目标检测算法中单阶段网络与双阶段网络在检测精度和检测效率之间难以平衡的问题,提出一种基于点云体素的伪双阶段三维目标检测网络—AFPNet。构建轻量化的中心热图模块预测目标中心点,去除传统区域建议网络中的锚框设置与非极大值抑制操作。为更好地利用多尺度体素特征,设计了AFP-Cross-Attention模块,通过设计的自适应特征池化(AFP)方法,在多尺度体素中提取高价值特征并进行交叉注意力计算,与全局注意力相比有效减少了计算量。基于AFP方法搭建了AFP-Transformer检测头,建模查询特征与高价值特征的依赖关系,提升网络精度。实验结果表明:在KITTI数据集上,所提方法在3种主要目标类别的平均精度均值(mAP)方面相较基准方法分别提升了1.43%、5.23%和4.41%,平均每帧推理时间为34.19 ms,有效缩短了单阶段和双阶段网络之间的精度差距,保留了良好的检测效率。

关键词： 自动驾驶   YOLOv8s   C2f⁃EMSCP模块   小目标检测   注意力机制   损失函数  

摘要： 针对自动驾驶场景下交通目标检测算法存在的误检及漏检的问题,提出一种基于改进YOLOv8s模型的复杂道路交通目标检测算法。设计一种轻量级的C2f⁃EMSCP模块改进YOLOv8s的骨干网络,实现网络的参数量和计算量的降低;在Backbone和Neck部分添加EMA注意力模块,有效地捕捉了全局的通道依赖性与局部空间特征,实现在通道和空间维度上的全面特征抽取;针对密集车流下小尺寸车辆检测效果不佳的问题,添加小目标检测头,更好地捕获小尺寸车辆的特征和上下文信息;使用可自适应调整权重系数的Wise⁃SIoU作为改进模型的损失函数,提升了边界框的回归性能和检测的鲁棒性。在KITTI数据集上进行实验,P、R和mAP@0.5分别提高了0.4%、2.1%和3.7%。文中的改进方法在交通监控系统中能够达到较好的检测精度和速度,有效改善了复杂交通场景下小目标车辆检测效果不佳的问题。

关键词： 医学图像   息肉检测   注意力机制   多尺度特征   特征融合  

摘要： 一些息肉目标检测方法难以充分提取全局及长距离语义信息,导致在具有环境噪声的情况下对尺寸差异较大的息肉目标检测精度低.为了解决该问题,提出了一种基于多尺度偏移感知的息肉检测网络.首先,设计了多尺度偏移感知注意力模块,通过在不同尺度上对图像特征进行注意力加权和偏移感知,提高了图像特征的提取和融合能力.其次,设计了渐近特征融合模块,对不同尺度的特征图进行自适应空间加权融合,从而捕捉了更丰富的上下文信息.通过大量实验证明,该方法在三个不同类型的息肉数据集上分别达到了94.8%、94.6%和95.8%的检测精度,相比于当前主流的目标检测方法取得了更好的检测结果.

关键词： YOLOv8   行人检测   注意力机制   低照度  

摘要： 在井下电机车无人驾驶障碍物检测任务中,由于光照不均、粉尘等因素的影响,电机车障碍物图像目标检测系统会出现提取目标特征困难、目标识别精度降低等问题,易导致障碍物误检和漏检。针对上述问题,提出一种基于SCI-YOLOv8的低照度目标检测算法,将SCINet自校正照明网络与YOLOv8目标检测算法相融合,使YOLOv8算法更有利于低光照目标检测。并将LSKA注意力机制嵌入到YOLOv8网络中Head部分C2f的末端,降低计算和内存成本的同时,保持了高效的图像处理能力。实验结果表明,本研究所提出的算法在公共低光数据集Exdark目标检测中,mAP@50为57.7%,mAP@50∶95为35.4%。相较于原始YOLOv8目标检测算法mAP@50提高了1个百分点,mAP@50∶95提高了1.4个百分点。在井下低光数据集LLP目标检测中,SCI-YOLOv8模型的mAP@50达到97.3%,mAP@50∶95为68.2%,相较于原始模型分别提高了3.4个百分点和8.6个百分点。本研究所提出的SCI-YOLOv8算法在低光场景的目标检测中具有优越性,能满足井下低光场景的目标检测任务要求,为井下电机车安全、高效、智能运行提供了技术支撑。