关键词： 深度学习   自监督学习   小样本目标检测   广义小样本目标检测  

摘要： 深度学习技术在目标检测领域取得了巨大进展,但其优异的性能建立在大量精确标注的数据集之上。在样本稀缺的特定领域,如国防海上安全和医学等领域,获取具有标注的数据尤为困难。因此,小样本目标检测领域因其能够应对样本稀疏性所带来的挑战而得到学术界的广泛研究。该领域的研究目标是得到能够从极其有限的样本中提取知识并实现高效目标检测的算法框架。然而,由于新类样本的稀缺性,其与基类之间存在着显著的分布差异,导致了小样本目标检测任务的准确度受限。此外,在对模型应用新类进行微调的过程中,由于新类与基类的不重叠性,模型学习新类的特征知识的过程中会存在大量的梯度更新,导致基类的特征知识被遗忘的问题,从而降低模型的整体性能。针对新类别样本稀缺的问题,本研究采用自监督学习策略。自监督学习,无须依赖标注信息,便于构建代理任务以进行模型训练,是缓解小样本目标检测样本稀缺问题的有效方案。为了避免模型在学习新类特征知识后出现基类灾难性遗忘的问题,本文将自监督学习与两阶段的目标检测器相结合。通过在类别域应用潜在特征来表示各个类别的特征信息,通过动态更新策略在学习新类别的过程中进一步优化特征,并借助检测框域构建良好的代理任务提升回归框的精准度。本研究在PASCAL VOC数据集和MS COCO数据集上进行大量的实验验证,实验结果表明,无论是在新类性能方面还是总体性能方面,本研究所提出的方法相较于其他多个小样本目标检测模型均展现出更加优越的性能表现。

关键词： 智能交通   小目标检测   YOLOv5   EIoU   GAM  

摘要： 针对现有道路目标检测技术在小目标识别方面的挑战,如精度低、误检率高和漏检问题,提出一种基于YOLOv5的目标检测改进方法(GCE-YOLOv5),旨在提高小目标检测能力。首先,在主干网络上集成全局注意力机制;其次,在头部网络中增加小目标检测层;最后,将原来的损失函数改为高效交并比损失函数。在KITTI数据集上评估了GCE-YOLOv5算法,并将性能与YOLOv5算法进行了比较。结果表明,GCE-YOLOv5将检测mAP@0.5提高了1.6%,P提高了1.5%。与YOLOv5算法相比,GCE-YOLOv5模型检测道路小目标的精度更高,有效改善了小目标漏检问题,具有更好的检测效果。模型检测速度满足实时性的要求,适合集成到自动驾驶系统中,用于提升车辆在复杂道路环境中的感知能力。

关键词： 卫星遥感   深度学习   目标跟踪   YOLOv8  

摘要： 针对卫星遥感图像舰船目标追踪和轨迹绘制,提出了一种全局注意力(global attention mechanism,GAM)模块改进YOLO(you only look once)v8算法(GAM-YOLOv8)与DeepSORT算法相结合的方法。在YOLOv8网络结构中加入GAM模块,以提升模型提取卫星遥感图像特征的能力,提高舰船目标追踪的精度和稳定性;实施基于RGB(red,green,blue)-HSV(hue,saturation,value)融合颜色空间转换卷积模块的数据增强技术扩充数据集,帮助模型捕捉更多维度的特征信息,进一步提升识别准确度;利用DeepSORT算法通过结合目标的特征外观和运动信息,增强追踪过程中的稳定性与精度,有效减少身份切换和目标丢失。实验结果表明,本文提出的GAM-YOLOv8与DeepSORT相结合的方法,相较于原始YOLOv8模型,在遥感图像舰船目标检测与跟踪任务中均表现出了显著的性能提升,在准确度、召回率和平均准确率精度上分别提高了7.6%、7.9%和6.0%,在帧率、多目标跟踪准确度和多目标跟踪精确度上分别提升了17.7%、6.9%、1.9%,身份切换次数降低了10.0%。

关键词： 城市排水管网   缺陷检测   YOLOv8   目标检测   特征融合  

摘要： 针对城市排水管道缺陷易受背景干扰、特征尺度多变以及现有检测模型存在检测准确率低、误检率高等问题,提出了一种基于改进YOLOv8的缺陷检测算法。首先,设计DSK模块并嵌入主干网络的C2f模块中以扩大感受野,提高模型对多尺度缺陷特征的提取能力;其次,引入Slim-neck网络结构对颈部网络进行改进,对缺陷特征信息进行有效利用和融合,并有助于实现模型的轻量化;最后,采用FocalEIOU损失函数以更好地提高对较小缺陷目标的检测性能和模型的收敛速度。在管道缺陷数据集上的实验结果表明,本研究改进的算法在70.4 fps的检测速率下,mAP达到了67.5%,相比于原始YOLOv8算法,mAP值和检测速率分别提升了3.8%和1.7 fps,表现出了良好的检测性能。针对实际应用目的,基于改进算法开发了一款能够实时检测管道缺陷的系统软件,通过实际项目检测,验证了本文改进的算法能够满足城市排水管道缺陷检测任务中高精度、实时检测的需求。

关键词： 电路板   贴片电阻   图像处理   自适应分区策略  

摘要： 在图像处理的基础上,针对贴片电阻缺件、偏移、歪斜和翻转等常见故障,提出了一种贴片电阻故障智能诊断方法,并应用于某企业的电路板元器件故障诊断系统。根据故障特点、图像相似度等因素确定了故障诊断时几种故障的优先级,并提出一种改进的自适应分区策略进行图像的特征提取。对缺件故障,根据故障特点选取判断指标;对偏移和翻转故障,采用自适应分区策略来提取特征并诊断;对歪斜故障,在改进的自适应分区策略基础上对其进行进一步改进来提取特征并诊断。实践应用表明此诊断流程具有较高的故障诊断准确率,而且整个流程故障诊断速度快,平均速度达到0.032 s/张。因此,实际工作中使用该诊断流程可保障贴片电阻质量,进而提升电子产品质量。

关键词： SEM   CoreDRAW   ArcGIS   微观  

摘要： 文中旨在探索一种较为客观、便捷的扫描电子显微镜图像处理方法,以减少人为干预的主观性。通过使用CoreDRAW以及ArcGIS中相关的空间分析工具,对SEM图像进行处理,并利用导出的数据证明黄土颗粒的一些微观特性:土颗粒的数量随深度的增加而逐步增多,颗粒的椭圆率和离散系数越来越小,圆形度和分形维数则具有增加的趋势,方向角变化不大。此方法不仅提高处理SEM图像的速度和便捷性,且增强分析的客观性,有效揭示黄土颗粒的微观结构特性,为黄土微观结构研究提供了新的技术手段。

关键词： 室内场景   三维点云   目标检测   特征补偿   交互查询   残差   自注意力机制   特征映射  

摘要： 在复杂室内场景下的3D点云目标检测中,点云规模大且目标密集细节多。针对现有检测算法处理点云数据时会丢失大量局部特征且不能提取足够的空间信息与语义信息,致使检测精度低的问题,提出了一种基于改进VoteNet的点云特征增强的复杂室内场景3D目标检测(PFE)算法。首先,利用动态特征补偿模块模拟种子点集与分组集点云特征的交互查询过程,逐步恢复丢失的特征来进行特征补偿;其次,在特征提取部分引入残差MLP模块,通过残差结构搭建更深层的特征学习网络以挖掘更细节的点云特征;最后,在目标提案生成阶段引入特征自注意力机制对一组独立的目标点进行语义关系建模,生成新的特征映射。在公开数据集SUN RGB-D和ScanNet V2上进行实验,实验证明改进后的模型对室内目标的检测精度相较于基准模型在mAP@0.25上分别提升了5.0%和11.5%,大量的消融实验证明了每个改进模块的有效性。

关键词： 计算机视觉   三维目标检测   区域候选融合   加权非极大值抑制   关键点采样  

摘要： 为了改善点云场景下的检测任务中,基于单一低分辨特征图生成的候选框容易造成目标丢失和关键点采样过程中引入大量背景点的问题,本文提出了一种基于PV-RCNN网络的改进算法。通过区域候选融合网络和加权非极大值抑制融合不同尺度下的候选框并消除冗余。利用分割网络对原始点云进行前景点分割,并根据候选框确定目标中心点位置,利用高斯密度函数进行区域密度估计得到不同的采样权重以解决稀疏区域采样困难的问题。本文使用KITTI数据集进行实验评估,在汽车、行人和骑行者中等难度下的平均精度分别较基线算法提升0.39%、1.31%和0.63%,并同样在Waymo open数据集上进行泛化实验。实验结果证明本文算法与目前大部分三维目标检测算法相比取得更高的检测精度。

关键词： 人工智能技术   智能识别   安防监控   数字信号处理   医疗诊断   电子信息技术   异常行为   目标跟踪  

摘要： 图像与视频处理作为信号处理领域的重要分支,近年来伴随电子信息技术的快速发展和人工智能技术的深度融合,成为国际学术界和工程界关注的焦点。作为数字信号处理的重要应用方向,图像与视频处理涵盖了生成、修复、增强、检测、识别、分割、跟踪等多个核心任务,并在安防监控、医疗诊断、智能娱乐等行业中展现了巨大的应用潜力和市场价值。在安防监控领域,图像与视频处理技术通过智能识别和目标跟踪实现了对异常行为的高效检测,显著提升了系统的自动化水平和监控精度。

关键词： YOLO算法   鸟类检测   目标检测   深度学习  

摘要： 随着深度学习技术的持续进步,YOLO目标检测算法已成为计算机视觉领域内的研究热点。鉴于环境生态问题的日益严峻,鸟类识别技术对于生态环境保护、鸟类种群监测以及生物多样性研究具有至关重要的作用。本文全面回顾了YOLO系列检测算法从v1至v11的发展历程及其网络结构原理,对基于YOLO的鸟类检测领域的相关文献进行了梳理与分析,并归纳总结了各模型的网络结构及性能指标,为进一步验证模型效能,选取了部分主流模型在CUB-200鸟类数据集上进行了性能对比实验;探讨了几种常用于YOLO目标检测框架下的鸟类图像数据集,这些数据集是训练和测试模型的关键资源;结合YOLO系列算法的特点及最新文献,展望了未来在该领域可能的研究趋势和发展方向,旨在为进一步提高鸟类检测精度和效率提供参考。