关键词： 短道速滑   多目标跟踪   卡尔曼滤波   运动估计  

摘要： 短道速滑是多目标跟踪的一个重要应用领域，在收集运动员数据及自动战术分析等方面起着至关重要的作用。然而，现有的MOT基准很少关注该领域，这限制了其发展。为此，首先提出了一个短道速滑场景下的多目标跟踪数据集，将其命名为SkatingMOT，并揭示了该数据集存在的三个关键挑战：1）外观高度相似的小尺度目标；2）快速变速运动模式；3）频繁的遮挡与重叠。针对以上挑战，进一步提出了一个新的多目标跟踪框架SkatingSORT。在这项工作中，首先设计了一个遮挡感知模块对目标的可见度进行评估；其次，在运动分支中，修改Kalman滤波以适应场景中复杂的运动模式并在关联中引入弱线索；最后，在外观分支中，考虑到遮挡及外观相似问题，提出了嵌入特征自适应模块。该方法在SkatingMOT上的准确度高达94.86%，这与现有最先进的方法相比具有显著的优势。此外，在MOT17和DanceTrack数据集上的实验表明，该方法以即插即用和免训练的方式对其他跟踪器和场景表现出一定的泛化性。

关键词： 极化雷达   主瓣干扰   目标检测   抗干扰   参数估计  

摘要： 主瓣压制干扰是当前雷达面临的难点之一，极化对消是实现抗干扰的有效手段，但当前针对同时全极化雷达的研究较少，因此本文基于全极化多输入多输出（MIMO）雷达开展主瓣单极化压制干扰对消算法研究。利用幅度和相位估计（APES）算法估计单极化压制干扰极化参数，设计极化对消系数，并研究了压制干扰下的全极化多通道融合检测算法。通过仿真实验表明，当全极化阵列的极化响应已知且压制干扰为单极化时，干扰信号功率被大幅抑制到-60 dB，干噪比的增大会提升极化估计精度，进而使信干噪比逼近无压制干扰情况下的信噪比。

关键词： YOLOv11n   无人机   小目标检测   多尺度特征融合   Inner-WIoU  

摘要： 针对目前无人机小目标检测任务中存在的多尺度、目标小、复杂背景干扰、易受遮挡等问题，提出一种复合特征融合与跨尺度优化的YOLOv11n改进模型，在骨干网络中提出MPCA（Multiscale Perceptual Cascade Attention）机制改进卷积模块，解决传统卷积特征表达能力不足的同时，在较低计算成本下显著提升网络的特征提取能力；提出全新的EMSFPN（Efficient Multi-Scale FPN）结构改进颈部网络，使不同层级的特征得以相互融合。在改进颈部网络模型的基础上，增加具有丰富小目标语义信息的特征层；使用SBA（Selective Boundary Aggregation）模块对多分辨率特征进行交互融合，提升模型的多尺度处理能力；引用Inner-IoU损失函数的思想改进WiseIoU函数，用Inner-WIoU替代原损失函数，提升对小目标的定位精度，优化损失值计算。改进后YOLOv11n算法在Visdrone2019数据集上相对原始模型参数量减少9.8%，mAP50%显著提升了9.1%，性能超过YOLOv11s，在实现模型轻量化的同时，大幅度提升了性能。

关键词： 智慧农业   YOLOv8   目标检测   近景色褚橙   轻量化  

摘要： [目的]目标检测作为农业智能化的核心技术基础，对推动现代农业发展具有重要意义。本研究针对云南特色水果褚橙（Citrus chuanmuensis）在非结构化农田场景下的识别难题，旨在通过改进算法提升其智能化检测与识别能力。[方法]基于YOLOv8n深度学习架构提出一种改进算法CFCN-YOLO（Camouflage Citrus Net-You Only Look Once）以应对复杂农业环境中绿色褚橙采收所面临的诸多挑战，包括但不限于目标物体被遮挡、尺寸多样难识别，以及果实自身与背景叶片的颜色高度相似而导致检测干扰等问题。融合Focal Modulation SPP（Focal Modulation Spatial Pyramid Pooling）机制，通过焦点调制来改善多尺度特征提取技术，提高了模型对近景色果实尺寸波动的识别精度。集成DySample自适应动态上采样算子，优化特征图分辨率，增强了模型对农业复杂环境的适应性。采用ADown轻量化主干网络，保持绿色褚橙检测精度的同时，显著减少计算量，使模型大小降低了9.5%。引入GIoU-SlideLoss损失函数新组合，以解决难易样本不均衡，再一次强化了模型性能。[结果]与原始模型YOLOv8n相比，优化后的CFCN-YOLO在P、R、mAP@0.5和mAP@0.5:0.95分别提高1.1%、3.7%、2.8%和4.3%。为进一步验证CFCN-YOLO的实用性，将其部署于Jetson Nano嵌入式设备，检测速度达到了31.45 FPS，相较YOLOv8n的28.23 FPS提升11.2%。[结论]表明CFCN-YOLO在模型轻量化和高效率检测之间达成理想平衡，适用于智慧农业中褚橙果实的机器视觉识别任务。

关键词： 遥感影像   小目标检测   细化特征提取   多尺度特征融合   注意力机制   YOLOv8  

摘要： 针对遥感图像存在背景环境复杂、分辨率低及特征信息不足等导致目标检测精度不高的问题，提出基于改进YOLOv8的小目标检测算法REI-YOLOv8。首先，在主干提取网络中，设计了精细化特征提取模块，强化网络对细微特征的捕捉能力以区分复杂背景。其次，在颈部部分构建了一种增强型特征融合网络框架EiFPN，并设计了基于注意力的融合模块实现多尺度特征的高效融合，提高小目标检测的性能。此外，为了充分利用高分辨率的空间信息，在模型中增加了第四层检测层，以进一步提高小目标的检测能力。最后，设计了新的边界框回归损失Inner-PIoU以增强模型的定位性能并加快收敛速度。实验结果表明，改进后的REI-YOLOv8算法在数据集NWPUVHR-10和VisDrone2019上的m AP0.5分别达到了0.904和0.369，较原YOLOv8分别提升了3.6%和6.3%，有效提高了遥感小目标的检测性能。

关键词： 深度学习   计算机视觉   YOLOv7   SAR图像   船舶检测   注意力机制  

摘要： 在基于深度学习的合成孔径雷达(synthetic aperture Radar, SAR)船舶目标检测中，SAR图像丰富的上下文信息尚未被充分利用。因此，该研究提出一种新颖的SAR船舶图像检测方法，它结合高维上下文注意力和双感受野增强，通过双感受野增强从SAR图像中提取多维特征信息，从而引导动态注意力矩阵在由粗到细的高维特征提取过程中学习丰富的上下文信息；另外，基于YOLOv7,通过引入轻量级卷积模块、轻量化非对称多级压缩检测头和新的损失函数XIoU,构建了YOLO-HD网络。在E-HRSID和SSDD数据集上进行对比实验，实验中所提方法的检测平均精度分别达到91.36%和97.64%,相比原始模型分别提高4.56百分点和9.83百分点，且相比其他经典模型结果更优。

关键词： 目标检测   无人机影像   注意力机制   损失函数   RT-DETR  

摘要： 为了解决在无人机影像目标检测任务中出现的特征信息丢失以及上下文不匹配等问题，提出了一种全新的算法Drone-DETR。在RT-DETR网络架构的基础上，设计了结合并行分块感知注意力的主干网络，解决因多次下采样操作导致的特征信息丢失问题。同时，在混合编码器的跨尺度特征融合模块中引入了上下文特征校准和空间特征校准方法，解决上下文信息不匹配和空间特征不对齐的问题，以更好地聚合无人机影像中的上下文信息，对齐空间特征。最后，引入了一种全新的损失函数MPDIoU，从而更进一步地提升模型的检测精度和收敛速度。在VisDrone2019数据集上的实验结果表明，Drone-DETR的平均精度达到了50.4%，与原始的RT-DETR相比，mAP0.5提升了3.0%。在与各个主流检测模型的比较中，Drone-DETR的检测精度均高于其他主流算法，证明了本文所提出模型的有效性。

关键词： 小目标检测   Swin Transformer   小波变换   交叉注意   自注意力  

摘要： 小目标检测面临下采样过程中的信息损失及深层特征忽视目标细节的挑战。为解决这些问题，本文提出基于空频分离交叉注意力Swin Transformer（Space-Frequency Separated Cross-Attention Swin Transformer, SF-SCST）的小目标检测算法。SF-SCST算法通过小波分解与特征拼接模块（WDFC）以及特征通道空频分解与融合模块（SFDF）从频域角度区分目标与背景，并与空域特征融合，增强小目标轮廓信息，在下采样过程中有效保留小目标特征；此外，交叉—自注意力Swin Transformer模块（CS-swin）通过对深、浅层特征的双重注意力计算补充了深层特征中丢失的小目标信息，并提取目标的上下文信息。实验结果表明，SFSCST算法在UAV-DA和VisDrone两个无人机小目标检测数据集上分别取得69.3%和46.0%最高mAP50，显著提高小目标检测精度。

关键词： 深度学习   Kolmogorov–Arnold网络   多模态融合   点云   3D目标检测  

摘要： 针对传统MLP模型存在的可解释性不足、神经元数量增加导致训练成本上升，以及图像与点云数据融合效果欠佳等问题，提出了一种基于Kolmogorov-Arnold Networks(KANs)的多模态三维目标检测网络。该网络以KANs为主干，设计了一种结合融合层的体素特征编码器KANDyVFE。其中，融合层采用自注意力机制动态融合图像和点云特征。此外，通过RGB图像裁剪和绘制生成彩色点云，以增强点云特征表达。在KITTI数据集上的实验表明，与基准方法相比，该网络在汽车类别的鸟瞰图检测中平均精度提升了3.78%，在3D检测中提升了3.75%。可视化结果显示，该方法在减少误报和漏检方面表现优异。实验结果验证了KANs在点云应用中的有效性，消融实验进一步证明了所提出模块带来的性能提升。