关键词： 深度学习   卷积神经网络   图像重建   图像处理   图像复原   图像分辨率   神经网络   底层视觉  

摘要： 卷积神经网络因强大的学习能力,已成为解决图像超分辨问题的主流方法。然而,用于解决图像超分辨的不同类型深度学习方法存在巨大的差异。目前,仅有少量文献能根据不同缩放方法来总结不同深度学习技术在图像超分辨上的区别和联系。因此,根据设备的负载能力和执行速度等介绍面向图像超分辨方法的卷积神经网络尤为重要。本文首先介绍面向图像超分辨的卷积神经网络基础,随后通过介绍基于双三次插值、最近邻插值、双线性插值、转置卷积、亚像素层、元上采样的卷积神经网络的图像超分辨方法,分析基于插值和模块化的卷积神经网络图像超分辨方法的区别与联系,并通过实验比较这些方法的性能。本文对潜在的研究方向和挑战进行阐述并总结全文,旨在促进基于卷积神经网络的图像超分辨研究的发展。

关键词： 遥感   目标检测   深度学习   视觉基础模型  

摘要： 深度学习技术极大地提高了遥感影像目标检测能力,但由于高分辨率遥感影像所涉及的地理环境复杂、地物要素混杂且动态,“同物异谱”或“异物同谱”现象造成相似地物目标被误检,或者细小地物被漏检。提出一种结合CLIP和YOLOV8的多模态高分辨率遥感影像目标检测模型,通过引入视觉基础模型的文本信息增强对影像场景的理解。实验结果表明,与YOLOV8等模型相比,YOLO-CLIP在相似地物目标的区分中更具优势,细小目标漏检情况有较大改善,泛化性有所提升。

关键词： 高空抛物   目标检测   目标跟踪   加密  

摘要： 针对高层建筑环境下高空抛物检测准确率低的问题,研究影响高空抛物检测准确率的干扰因素,改进传统高空抛物检测方法。基于目标检测和目标跟踪技术,增加抗抖动和形态学去噪,降低复杂环境对检测率的影响。进一步改进高空抛物判定方法,提取目标跟踪过程中高空抛物轨迹数据的特征向量,经由神经网络模型分类,过滤非高空抛物的相似轨迹。并对原始数据和提取数据做加密处理,采用端到端加密的方法,数据在采集、传输和存储的过程中得到可靠保护,确保只有授权用户才能解密和访问数据。实验证明,改进后的高空抛物检出率和误检率优化了32、35.4个百分点,高空抛物轨迹分类准确率达到81%以上。

关键词： 目标检测与跟踪   遮挡   多无人机   障碍环境  

摘要： 无人机常因受低空复杂环境中的障碍物遮挡而导致所跟踪的目标丢失。分析其原因:一是在感知阶段,目标被遮挡导致无人机无法准确识别;二是在跟踪阶段,单一无人机的视野范围有限且观察角度无法快速调整。为实现高效稳定的目标跟踪,本文首先针对遮挡目标检测,提出了一种轻量化的基于Transformer网络的目标跟踪方法,该方法摒弃传统Transformer中冗余的解码器结构,构建纯编码器视觉模型,实现了对遮挡目标的实时跟踪;其次针对目标的跟踪控制,采用多无人机协同跟踪方法,通过动态规划多无人机的轨迹实现对目标的多角度观测。固定视角下遮挡目标检测仿真试验结果显示:提出的目标检测方法可稳定检测遮挡率超过90%的目标;与实时性好的DiMP18、***算法在数据集实验和仿真试验中比较发现,所提出的算法刷新率约为其他算法的2倍,准确率相差不大。通过低空室外密集丛林飞行试验验证了本文方法能够在机载端实时检测并稳定跟踪目标。另外,在多障碍物环境下的仿真及飞行试验中,采用所提出的多无人机协同跟踪算法控制3架无人机动态地覆盖目标周围的可视区域,获得了相比单无人机更优的跟踪稳定性。本文提出的多无人机协同目标检测、定位与跟踪控制一体化框架适用于低空、多障碍物环境,该框架解决了因目标遮挡而引发的检测失效和跟踪丢失问题,并在实时性和跟踪稳定性方面均表现出显著的优越性。

关键词： 目标检测   包裹检测   CBAM模块   特征融合   对齐解耦头  

摘要： 目的:针对当前包裹检测技术存在精度低、速度慢和对设备性能要求高的问题,提出一种基于注意力机制和对齐解耦头的改进检测方法。方法:以YOLOX-tiny为基础框架,在特征融合网络的交叉阶段层中集成CBAM注意力机制模块,构建三个包含通道注意力和空间注意力的CBAMCSPLayer模块,以增强模型对关键特征融合的能力;设计新的对齐解耦头,通过AlignBlock结构实现对分类和回归连接信息的双重学习,以最小的参数增量实现分类和回归任务的对齐,并提高检测精度。结果:实验结果表明,改进后的YOLOX-tiny算法在自建数据集上的平均精度可达90.37%,相较原算法提高了1.48%,检测速度达到了82.6帧每秒(frames per second,fps),计算量仅为6.98 GFLOPS(每秒十亿次浮点操作数,giga floating-point operations per second,GFLOPS)。结论:本算法可实现在复杂物流场景下的快递包裹实时检测,特别适用于计算和存储资源有限的设备。

关键词： 目标检测   轻量化   交通标志检测   多尺度特征   RT-DETR  

摘要： 针对交通标志目标小、模型体积大的问题,提出一种基于改进RT-DETR(real-time detection transformer)的轻量化交通标志检测方法.首先,在骨干网络中引入PConv(partial convolution)卷积优化BasicBlock结构,构建PC_Block模块,增强特征提取能力,减少参数量和计算量;其次,提出DyASF(dynamic attentional scale sequence fusion)模块,通过自适应方式融合多尺度特征,提高模型的空间感知能力和特征表达能力;而后,使用Focaler-MPDIoU损失函数,通过聚焦不同回归样本以及引入最小点距离,准确评估预测边界框与真实边界框之间的相似度,提升模型的检测性能;最后,引入P2检测层,提高对小目标的检测能力,增强模型鲁棒性.在公共数据集TT100K上进行对比实验,结果表明,改进后的模型参数量降低了53.8%,计算量降低了22.8%,检测精度提高了2.4%,可以更好地满足交通标志检测的要求.

关键词： 深度学习   计算机视觉   表情识别   行为检测  

摘要： 为了保障交通安全,避免负面情绪影响驾驶员状态导致交通惨剧的发生,提出了一种结合注意力算法的改进残差网络来监测车辆驾驶场景中驾驶员的异常情绪。首先,使用自适应直方图等一系列手段对图像进行预处理,突出表情特征;然后,采用ECA块自优化通道的权重值,实现局部跨信道交互,提高精度,增强信道特性;最后,将注意力机制与特征提取算法融合实现表情识别。结果表明,与改进前的网络相比,该表情识别方法参数更少,速度更快,分类效果更好,在CK+、FER2013和RAF-DB数据集上的准确率分别为96.38%、72.25%和87.97%。该算法能够更有效地识别驾驶员的异常情绪,对预防交通事故与保障行车安全具有积极意义。

关键词： 高速   烟包   外观瑕疵检测系统   目标检测   智能化  

摘要： 针对目前烟草行业小盒烟包自动化生产过程中外观缺陷检测效率低下、精度不足等问题,首先设计并实现一种具有云、边、端一体化管控模式的小盒烟包外观缺陷智能快速检测系统。该系统可实现卷烟小盒图像数据自动化采集与存储、在线样本标注、深度学习模型在线训练与优化、表面缺陷高速检测和智慧告警与决策。其次,基于该系统所采集的数据,构建了一个用于卷烟小盒缺陷检测的标准数据集(Smart Cigarette Dataset,SCD)。最后,基于改进的YOLOv5模型实现对卷烟小盒缺陷的高精度、实时检测。实验表明,与原始算法相比,所提出的改进YOLOv5网络可有效降低27.12%模型参数量和16.67%计算量,同时检测精度和检测速度可分别提升2.4%mAP值和31.3 FPS值。

关键词： 目标跟踪   高置信度样本   快速尺度估计   相机运动补偿  

摘要： 针对在无人机高速运动场景下,相关滤波跟踪算法存在边界效应和滤波器退化等问题,提出了一种融合相机运动补偿的自适应时空正则化的无人机跟踪相关滤波算法。首先,在相关滤波器中设计了一种自适应空间正则化方法来缓解边界效应;其次,为防止滤波器退化,设计了基于高置信度样本的时间正则化方法及优化更新策略,同时利用交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)优化目标函数的求解,保证了算法的运行效率;然后,设计了快速尺度滤波器,实现目标尺度的快速估计;最后,提出了一种鲁棒性的跟踪不确定性规则及基于相机运动补偿的重检测器,使得目标丢失后可及时恢复。实验结果表明,提出的算法在无人机数据集上的精确度和成功率分别可达0.739和0.634,与ECO_HC(Efficient Convolution Operators-Hand Crafted)算法相比分别提升了1.65%和6.9%,与同类主流算法相比,有效地提升了跟踪时的精确度和成功率,经历快速运动、目标遮挡等情况时应用该算法的无人机也表现出良好的跟踪性能。

关键词： 图像处理   人工智能   深度学习   应用领域  

摘要： 本论文旨在探讨在人工智能时代下图像处理技术的发展趋势、应用场景及面临的挑战。通过对传统图像处理方法和人工智能在图像处理中的作用进行综合比较,阐述了深度学习、图像生成与增强技术、图像识别与分类方法、图像分割与语义理解等新兴技术的应用前景。针对医学影像处理、自动驾驶、智能安防监控系统和艺术与娱乐领域的应用场景进行探讨,展望了图像处理技术在未来的发展方向。论文指出了图像处理技术所面临的局限性和挑战,提出了未来的改进方向。最终得出结论,图像处理技术将在人工智能时代得到进一步发展,并指出了未来研究的重点。