关键词： 无人驾驶汽车   多目标跟踪   强化学习   控制策略  

摘要： 无人驾驶汽车作为未来智能交通系统的重要组成部分,不仅有望大幅提高驾驶的安全性和舒适性,还能有效减少交通事故,缓解交通拥堵等社会问题。然而,在自动驾驶的过程中,无人驾驶汽车面临着许多技术挑战,如复杂多变的环境感知、精确的速度和路径规划等。多目标跟踪和强化学习控制策略是实现无人驾驶汽车自主驾驶的两项关键技术,本文将对这两项技术进行深入探讨,以期为无人驾驶汽车的进一步发展提供理论支持和实践指导。

关键词： 舌齿痕特征识别   AM-FCOS   CBAM  

摘要： 目的:研究舌体齿痕特征识别方法,旨在为中医智能舌诊提供技术支持,辅助中医进行疾病诊断。方法:采用TDA-1型舌诊仪采集220张舌影像数据,利用数据标注工具Labelme对每张图片中的齿痕进行标注。为提升齿痕特征的检测效果,提出了整合CBAM注意力机制的AM-FCOS模型用于舌齿痕检测。最后,将该模型与Faster R-CNN、TridentNet、RetinaNet、FCOS算法在由220张图片构成的数据集上,按照8∶1的比例进行训练和测试。结果:测试结果显示,AM-FCOS模型表现最佳,F1值和AP_(50)分别达到了71.3%和70.1%,这表明整合CBAM注意力机制的AM-FCOS模型在检测齿痕特征方面具有显著优势。结论:AM-FCOS模型在舌齿痕特征检测中展现出色性能,可应用于智能辅助舌诊系统。

关键词： 开放词汇   开放世界   零样本学习   开放场景目标检测   视觉语言模型  

摘要： 目标检测方法针对特定场景进行训练,需要识别的物体都要人工标注,检测器只能识别被标注的物体。随着目标检测应用场景逐渐增加,特定场景下训练的目标检测器不能满足多样化场景需求,目标检测方法的泛化性能成为研究者关注热点。不同场景中存在同一物体标签不一致,不同物体特征差异较大等问题,导致在特定场景下训练目标检测器无法泛化到其他场景。针对上述挑战,研究者提出面向开放词汇目标检测方法,利用大量图像-词汇知识将目标检测器从特定场景扩展到开放场景。检测器扩展到开放场景通常有两种方式,即基于大规模图像标题数据方法和基于预训练视觉语言模型方法。基于图像标题数据方法通常需要从大量数据中提取与物体相对应的词汇知识注入检测器,基于视觉语言模型方法则直接利用预训练的知识扩展检测器。开放词汇目标检测模型无需重新训练即可应用在不同场景,更加实用有效。

关键词： 指针式仪表   元学习   小样本   目标检测   稀疏采样  

摘要： 仪表定位精度是保证指针式仪表示数准确识别的前提。复杂工业场景下仪表样本难以采集,小样本情况下,现有指针式仪表定位检测方法存在检测精度低、实时性差的问题。为此,提出了基于元学习的小样本指针式仪表检测方法Sparse-Meta-DETR。并以Meta-DETR为目标检测基线模型,采用元学习训练策略,在元训练阶段构建多个小样本任务训练Sparse-Meta-DETR模型,增强特征相关聚合模块对特征空间中支持集和查询集类别的余弦距离的度量能力,使模型能够在元测试阶段小样本任务中识别图像包含的类别,快速适应新类小样本任务,检测复杂工业场景图像中包含的指针式仪表;引入轻量级主干网络Efficientnet b1作为特征提取器,减少模型的计算复杂度和参数量;设计评分网络对查询特征稀疏采样,构建稀疏化遮罩选取前景特征,引导Transformer编/解码器对前景特征进行处理,进一步减少计算量并提高检测精度。使用Sparse-Meta-DETR模型,20-shot时指针式仪表定位检测精度指标AP^(50)和AP^(75)分别达到了94.2%和87.5%,10-shot时的AP^(50)达到了91.1%;相较于最初的基线模型,改进模型的时间复杂度下降了74.5%。实验结果表明,Sparse-Meta-DETR不仅能够保证样本匮乏时仪表定位的精度,还可以有效地提高仪表定位的实时性,其整体性能优于Meta-RCNN等小样本深度学习算法。

关键词： 橡胶支座   无人机改造   计算机视觉   病害识别   变形测量  

摘要： 为解决中小型市政桥梁支座检测难、成本高的问题,依托重庆马桑湾大桥、水口岩大桥和王家桥大桥等市政桥梁,提出了基于无人机的板式橡胶支座典型病害识别及变形获取方法。以大疆御2行业版为基础,结合轻质材料进行防护装置设计,实现对支座图像抵近获取;通过建立板式橡胶支座典型病害数据库,构建了基于YOLOv57.0的典型病害识别算法,实现了对支座类型以及开裂、剪切变形、破损、脱空和建筑垃圾等病害的智能识别;通过建立橡胶支座结构轮廓线提取算法,构建图像尺度与物理尺度之间的转换依据和关系,实现通过图像直接获取支座的剪切、压缩和鼓包等变形量。结果表明:本文所建立的板式橡胶支座典型病害识别算法对裂缝病害识别率达到了80%,支座变形测量精度达到毫米级,可实现支座典型病害的智能识别及变形的精准测量。

关键词： 安全帽   小目标   YOLOv6   深度可分离卷积   高效通道注意力  

摘要： 在施工环境下,检查工人是否佩戴安全帽是确保工作场所安全的重要任务,但传统方法费时费力。为解决这一问题,以YOLOv6作为基础模型进行改进。首先,采用深度可分离卷积(Depthwise Separable Convolution,DSC)对标准卷积进行修改,加速模型的识别速度,使其更适用于实时应用。其次,引入高效通道注意力(Efficient Channel Attention,ECA)模块,通过增强模型在特定区域的关注度,提高对小目标的识别精度。实验证明,改进的YOLOv6方法相较原始的YOLOv6,在识别速度上提高了24 ms,在识别精度上提升了2.1%,对施工环境下未佩戴安全帽的检测具有重要的实际意义。

关键词： 变化检测   卷积神经网络   注意力机制   图像处理   信息融合  

摘要： 高光谱图像变化检测通过分析同一区域不同时间拍摄的高光谱图像,识别自然场景中地物变化。现有基于深度学习的检测方法主要包括卷积神经网络和基于注意力的方法两类:卷积神经网络方法使用卷积核提取特征,但感受野较小,关注局部信息,缺乏全局建模能力;而基于注意力的方法专注于全局依赖性建模,但对局部特征的捕捉不足,导致检测中漏检、误检现象严重。针对这些不足,提出了一种联合多尺度高低频信息融合的变化检测方法。具体而言,通过金字塔多尺度网络提取多时相高光谱图像的高低频信息,不同尺度的高频信息关注边界区域,低频信息捕捉背景区域细节。高频信息通过残差卷积算子网络提取多尺度局部特征;低频信息通过基于自注意力的网络提取全局特征,以此对图像全局和局部信息进行有效建模。为进一步增强特征提取的有效性,设计了双时相差分分类决策网络,自适应学习各分支的分类权重系数,生成最终的加权预测结果。在三个真实高光谱数据集上的实验表明,方法在可视化和定量性能上均优于现有方法,实现了更高的分类精度和更稳定的变化检测效果。

关键词： 卫星编队   稀疏采样   综合孔径成像   运动目标检测   点目标  

摘要： 利用卫星编队形成天基被动干涉成像系统可获得高空间分辨率,但探测基线稀疏会导致反演图像存在混叠,影响单像素点目标检测。考虑观测区域的缓变特性,提出一种基于图像序列的目标检测方法。通过多帧图像进行背景估计,对反演图像进行背景消除;基于旁瓣特征聚集能量,估计目标区域噪声,筛选出候选目标;结合时序运动特征得到目标的运动轨迹,实现运动点目标的检测。以10颗地球静止轨道卫星构成的编队系统为例,对50个舰船点目标探测,进行300次仿真实验。结果表明:所提方法可实现大视场范围内的点目标检测,平均虚警率为14.5%,平均漏警率为19.5%。

关键词： 老旧小区   小区环境质量   城市体检   图像回归   深度学习   空间计量   武汉市  

摘要： 在高质量发展时代,科学运用新数据、新技术开展城市老旧小区体检工作具有重大现实意义。以武汉市为例,基于安居客小区实景图像,运用深度学习、空间计量等方法,从“市—区—街道”多尺度进行老旧小区体检评估,刻画老旧小区环境质量的空间分布特征,揭示小区环境质量与房价的空间相关关系。研究发现:(1)武汉市小区环境质量呈现“主城区由沿江两岸向外围地区逐渐升高,远城区高值围绕低值”的空间分布特征,老旧小区环境质量显著低于新建小区。(2)低质量的老旧小区在沿江地区连片集聚,以江岸区南部和江汉区东南部的老里分小区、青山区的单位房小区、武昌区的商品房和单位房小区为典型。(3)小区环境质量和房价存在显著的空间相关性,二者从中心向外围形成了“低—高、高—高、高—低、低—低”的空间集聚格局。(4)小区环境质量是影响房价的关键因素,特别是在新建小区。由此为城市小区环境质量的大规模自动化评估提供技术工具,对于快速识别亟待改造的重点区域具有重要启发。

关键词： SiamRPN   单目标跟踪   轻量化网络   特征融合  

摘要： 针对目前多数基于孪生网络的单目标跟踪算法模型参数大,难以在嵌入式平台等移动端设备部署的问题,设计了一种基于SiamRPN改进的轻量化孪生网络单目标跟踪算法。算法使用裁剪过的MobileNetV3替换AlexNet作为特征提取网络,降低算法的参数量;融合了MobileNetV3的高低层特征,整合不同尺度的特征信息,增强算法对目标多尺度变化的适应能力;使用GhostConv替换原网络模型头部的普通卷积,使用深度可分离卷积进行相关运算,在保证特征提取能力的同时进一步减少了参数量。在OTB数据集上进行测试的结果表明:改进后的算法在准确率上提高了1.6%,成功率提高了3.8%,模型参数量为2.9 MB,减少了98.3%,证明改进后的目标跟踪算法模型具有显著的性能优势。