关键词： 点云   三维目标检测   VirConv   特征增强  

摘要： 针对当前点云三维目标检测算法存在的高误检率以及远距离和小目标检测效果不佳等问题,基于VirConv算法提出一种改进的三维目标检测方法。设计BEV特征提取网络C-ECVNet对VirConv的点云编码网络进行优化,该网络引入显式视觉中心模块增强目标特征,以更精确地提取原始点云的空间结构信息,并融合通道自注意力机制捕获通道间的层级注意力,从而提升模型的效率和泛化能力,增强特征提取能力。在KITTI测试集的实验结果表明,该算法针对复杂环境、远距离目标和小目标进行检测时表现出更强的鲁棒性和更低的误检率。

关键词： 铁路货运   货检   货车装载状态   图像生成   目标检测   生成对抗网络  

摘要： 铁路货车装载状态图像是反映货物列车运行状态的重要载体,其智能化水平直接影响到行车安全和货运安全。受货物类型、货车类型、装载加固方案等因素影响,部分场景下铁路货车装载状态图像较少,难以满足该场景下识别项点目标检测模型构建需要。面向铁路货运检查作业需要,考虑铁路货车装载状态不良图像特征,采取基于生成-对抗的生成约束、前景项点目标提取、启发式项点目标放置等措施,构建基于生成对抗网络、实例分割等多技术融合的铁路货车装载状态图像生成技术模型,为丰富特殊场景下铁路货车装载状态图像库、构建可靠的智能识别模型提供技术支撑。

关键词： 农作物   目标检测   深度学习   轻量级网络   边缘计算  

摘要： 随着计算机视觉领域中深度学习网络模型应用的发展,各类农业场景中的目标检测性能得到极大的推动。与部署在云端服务器的大规模深度学习网络不同,轻量级深度学习网络因其较小的参数量和运算量,在硬件资源有限且实时性要求更高的农业场景中展现出潜力,完成果蔬采摘机器人的目标检测、作物病虫草害目标检测以及作物表型检测等任务。概述当前主流轻量级深度学习网络的模型结构、关键技术模块与模型性能,进行对比分析。归纳总结轻量级深度学习网络在果实目标检测、谷物穗部检测、作物病虫害检测3大类应用场景的研究进展。指出轻量级深度学习网络在农作物目标检测应用上还存在普适性数据集稀缺、模型泛化能力弱、模型检测精度与检测效率的平衡难以把握等问题,并展望通过农业数据集数量、质量与多样性提升,轻量级深度学习网络结构优化,迁移学习应用以及边缘设备硬件加速技术等进一步提升目标检测性能。

关键词： 伪装目标检测   上下文信息   特征交互   多源交互  

摘要： 伪装目标检测旨在检测隐藏在其高度相似环境中的目标,为解决在集成过程中往往难以有效地利用多个特征的独特性和互补性的问题,提出多源交互的伪装目标检测网络。首先,信息提取单元通过集成建模像素空间关系的空间建模组件和捕获通道关系的通道建模组件,在初始定位目标的同时保留丰富的语义信息。其次,多元信息融合单元将不同层级的特征与全局上下文信息进行整合,充分利用特征的唯一性和互补性获取检测特征。最后,语义-纹理互补单元使用空间注意力和通道注意力促进纹理特征和检测特征之间的交互,进而生成高质量的预测图。在四个公共数据集上的大量实验结果优于其他7个模型。

关键词： 粒子群算法   直方图均衡化   模糊估计   图像增强   目标检测  

摘要： 水下建筑物结构老化等缺陷使水电站运行存在巨大的安全风险。水下建筑物图像作为运维人员了解水下情况的主要来源,在水下缺陷检测中发挥着重要作用。针对水电站水下建筑物图像模糊、颜色失真导致的缺陷检测困难等问题,提出一种基于改进直方图校正和模糊估计(Improve Histogram Correction and Fuzzy Estimation,IHCFE)的多层次水下图像增强算法。该算法利用粒子群算法(Particle Swarm Optimization,PSO)自适应确定裁剪因子,并得到自适应对比度增强图像;进而利用IBLA算法解决图像颜色失真问题,得到颜色还原后图像;再以拉普拉斯金字塔对上述图像逐层分解融合,得到多尺度融合图像。将原图、限制对比度自适应直方图均衡化(Contrast Limit Adaptive Histogram Equalization,CLAHE)、综合色彩模型(Integrated Color Model,ICM)、水下图像增强卷积神经网络模型(Convolutional Neural Network Model for Underwater Image Enhancement,UWCNN)和所提算法增强后图像输入Fast RCNN中验证目标检测性能,所提算法拥有最高的目标检测准确率,说明了增强算法的有效性和优越性。

关键词： 目标检测   深度半监督学习   半监督学习   深度学习  

摘要： 基于深度半监督学习的目标检测技术利用少量带标注信息的样本和大量无标注信息的样本进行模型训练,可减少对标注样本的依赖,提高准确性和效率。首先介绍了基于深度半监督学习的目标检测理论,依据损失函数和模式设计方式的不同对其方法进行了分类,然后基于MS-COCO和Pascal VOC数据集对典型方法进行了性能对比,最后分析了其挑战和发展趋势,旨在为相关研究提供参考。

关键词： 计算机视觉   数学课堂   教学互动方法  

摘要： 文中探讨了基于计算机视觉技术的数学课堂教学互动方法,重点分析了行为识别与情感分析对课堂互动的影响。通过使用高清摄像头和高性能计算单元实时捕捉学生的手势和表情,结合OpenCV和TensorFlow进行图像处理和模型训练,实现了课堂行为识别和情感分析。实验结果显示,该方法的行为识别与情感分析准确率接近100%,处理延迟低于100 ms,确保了课堂反馈的实时性。

关键词： 自动监测   YOLOv3   K-Means算法   循环水场   目标检测  

摘要： 为了提高水资源利用率,减少水体污染,提出了一种基于改进YOLOv3循环水场自动监测系统,结合YOLOv3与K-Means算法构建循环水场水面垃圾检测模型,对循环水场的水质进行实时监测并对水面垃圾进行自动检测与识别。首先,选择YOLOv3作为水场水面垃圾检测的基础模型,并为了进一步提高模型的检测速度与精度进行改进;然后将设计模型部署到循环水场自动监测系统中,并对系统整体框架、软件、硬件进行设计;最后对垃圾检测模型与自动监测系统进行实验测试。测试结果表明:设计的循环水场水面垃圾检测模型的平均F1维持在0.96左右,平均精准度维持在97%左右,mAP值达到了97.06%,与传统的目标检测模型相比,具有可行性和优越性,更加适用于循环水场水面垃圾自动检测与识别工作;设计系统可以实时监测并显示水中的PH值、电导率、药剂浓度以及钙硬度等参数,同时及时对水面垃圾进行检测并识别垃圾类别,具有可行性和有效性。

关键词： 船舶自动监测方法   目标检测   数据融合   异常行为检测  

摘要： 为保障桥区通航安全,提出一种视觉与船舶自动识别系统(Automatic Identification System,AIS)融合的船舶自动监测方法。基于YOLOv5(You Only Look Once version 5)目标检测算法和Canny算法提取船舶图像轮廓信息,构建桥区水域目标距离、方位和高度视觉测量模型与方法,实现船舶三维定位。利用融合视觉与AIS的船舶航行态势数据建立异常行为检测模型,自动识别、监测桥区水域危险船舶。试验结果表明:在单、多船的情况下视觉与AIS数据关联准确率分别达到98.45%、91.29%;能有效监测桥区船舶的运动状态。本研究可为保障船舶和桥梁的安全提供有效方法。

关键词： 多目标跟踪   超图神经网络匹配   视觉一致性关系   数据关联   联合检测与跟踪范式  

摘要： 针对联合检测与跟踪范式中存在的检测特征和Re-ID特征相互竞争的问题以及在复杂场景下难以保持被遮挡目标视觉一致性关系的问题,提出一个端到端的超图神经网络关联的多目标跟踪方法(HGTracker).首先,HGTracker设计一个增强的空间金字塔池化网络(ESPPNet)模块用来提高目标检测骨干网络的检测能力,该模块通过聚合不同维度的特征来适应跟踪过程的不同任务,有效地缓解一阶段跟踪方法中检测任务与Re-ID任务相互竞争的问题.其次,提出一个基于长短期超图神经网络的数据关联模块,通过设计长期超图神经网络和短期超图神经网络来分别关联未被遮挡和被遮挡的检测视觉特征,将数据关联问题转化为轨迹超图与检测超图之间的超图匹配问题,跟踪器将轨迹片段信息与当前检测帧信息之间的关系建模为超图神经网络,在严重遮挡的情况下保持了视觉轨迹的一致性.通过一系列的对比实验,所提出的HGTracker跟踪方法相比于FairMOT跟踪方法,在MOT17数据集上HOTA值由59.3%提高至61.4%,IDF1值由73.7%提高至79.3%,MOTA值由72.3%提高至76.9%;在MOT20数据集上,HOTA值由54.6%提高至57.9%,IDF1值由61.8%提高至73.1%,MOTA值由67.3%提高至75.1%.