关键词： 4D Radar   目标检测   Lidar   传感器  

摘要： 针对传统Lidar目标检测模型对于雨雪等天气下的低鲁棒性和对遮挡及多路径反射的难以识别等问题,该研究提出了一种新颖的数据融合框架,该研究聚焦于将4D毫米波雷达数据整合到现有的Lidar目标检测模型中,旨在提高目标检测的准确性和鲁棒性。通过将4D毫米波雷达独有的多普勒和速度特征与在恶劣天气下的鲁棒性与传统Lidar相结合,提升了传统Lidar在各种场景下对目标的适应性和可靠性。此外,通过定量和定性分析验证了整合4D雷达数据后检测模型在多个评估指标上的显著提升。通过消融实验分析了RCS和速度等特征对不同目标检测性能的影响。

关键词： 多源目标检测   分组特征提取   注意力多尺度   非极大值抑制  

摘要： 为兼顾多源目标检测网络的精度与效率,将分组卷积作用于目标多模态特征中,并配合注意力多尺度结构以及改进的目标框筛选策略,设计了一种轻量级的红外与可见光目标检测模型。模型先以多种特征降维策略对输入图像进行采样,降低噪声及冗余信息的影响;其次,根据特征通道所属模态进行分组,并利用深度可分离卷积分别对红外特征、可见光特征以及融合特征进行提取,提升多源特征提取结构的多样性以及高效性;然后,针对各维度多模态特征,引入改进的注意力机制来增强关键特征,再结合邻域多尺度融合结构保障网络的尺度不变性;最后,利用优化后的非极大值抑制算法来综合各尺度目标预测结果,精确检测出各个目标。通过在KAIST、FLIR、RGBT公开数据集上的测试结果表明,所提模型有效提升了目标检测性能,并且相对于同类型多源目标检测方法,该模型也体现出较高的鲁棒性和泛化性,可以更好地实现目标检测。

关键词： 疲劳驾驶   目标检测   FasterNet-YOLO   注意力机制   低光增强  

摘要： 针对环卫车驾驶员的驾驶环境和驾驶安全,提出了一种基于改进YOLOv8n算法的驾驶员疲劳检测方法。使用FasterNet替换YOLOv8n目标检测算法的主干网络,并设计FasterNet-YOLO的轻量级网络模型;在主干网络和颈部中分别加入压缩和激励(SE)模块与卷积注意力机制(CBAM)模块,保留输入的重要特征信息;引入Zero-DCE++算法对摄像头输入的视频流进行亮度增强,处理因驾驶员面部亮度不足所致模型难以识别问题。试验结果表明:交并比为0.5时的平均类别检测精度(mAP@0.5)达到98%,平均每帧图片推理时间缩短至6.95 ms;该方法在不同光照情况下,均能够实时、准确地检测驾驶员疲劳状态。

关键词： 开放词汇   点云目标检测   混合查询   偏移注意力   逐点级   跨模态对比学习  

摘要： 3D开放词汇目标检测是计算机视觉中的新兴任务,但由于点云数据采集与标注困难,缺乏大规模的点云类别和点云-文本对数据。现有检测器在处理小尺度物体及缺失、遮挡、重叠物体时常出现漏检或混淆,性能较差。此外,点云与文本数据在特征空间的显著差异,使得二者的对齐与统一尤为困难。针对上述问题,本文提出了一种两阶段的3D开放词汇目标检测方法—GLP-OVD。在第一阶段(定位),本文提出一种基于混合查询与偏移注意力机制的定位模块,能够有效捕捉场景的全局与局部信息,从而提升检测精度。在第二阶段(分类),本文提出逐点级跨模态对比学习方法,优化了跨模态对齐,扩展了开放词汇表,实现更精确的分类。在室内点云数据集SUN RGB-D和ScanNet上的实验表明,本文方法在mAP25指标上分别达到了21.33%和18.87%,优于当前大多数3D开放词汇目标检测方法,验证了其有效性。

关键词： YOLO   多目标   检测   识别   车道  

摘要： 为了解决人眼视力范围有限、疏忽等问题所引发的碰撞等交通事故,采用计算机视觉进行目标智能检测和识别,目前深度学习算法是目标检测识别的热门研究方向,主要有YOLO(You Only Look Once)、VGG、SSD(Single Shot MultiBox Detector)、CornerNet等算法,其中YOLO网络容易训练和调整,运行速度快,可达到实时检测效果,针对车道多目标检测的时效性等问题,文中提出基于YOLO车道多目标检测识别系统。该系统可以实时地检测出车道目标及类型的概率,同时通过多次实验,设置合适置信度,提高识别准确性,对于车辆和行人识别准确率在0.85以上,如果训练样本库数量继续增加,准确率还会提高,有效避免因人为疏忽发生碰撞等问题,对智能车道偏离辅助系统有一定的应用价值。

关键词： 医疗卫生装备   生物医学工程   生物医学信号处理   生物医学成像   脑机接口   图像处理   技术研究成果   人工智能  

摘要： 为促进我国生物医学工程领域的繁荣与发展,提升卫勤保障装备研发速度和质量,我刊“论著-研究与设计”栏目特面向全国征稿。该栏目主要报道生物医学工程领域最新的理论和技术研究成果、新型医疗卫生装备的研制、医院数字化及智能化建设,选题包括但不限于:(1)基础研究类,如人工智能在医学工程领域的基础理论研究、生物医学工程关键技术研究、生物医学信号处理技术研究、生物医学成像与图像处理研究、脑机接口与神经工程研究。

关键词： 目标检测   病害识别   轻量化   YOLO v7   注意力机制   SIoU  

摘要： 为了解决葡萄病害检测过程中存在的识别精度低、模型计算复杂度高及参数量大等问题,提出一种基于EBS-YOLO v7的轻量化葡萄病害识别方法。该方法使用EfficientNet轻量化网络结构替换YOLO v7主干网络,使模型在降低计算量及参数量的同时保持检测精度;在主干网络不同尺度特征输出层嵌入BiFormer注意力机制,强化模型对病害区域特征的提取能力,提高对细节、全局信息的理解能力;采用SIoU(SCYLLA交并比)损失函数作为边界框损失函数,加快模型收敛速度并提高边界框预测精度。结果表明,EBS-YOLO v7模型的准确率、召回率、平均精度均值分别达到97.4%、96.2%、98.3%,相较于YOLO v7模型分别提高了2.4、2.3、2.8百分点,参数量、计算量分别减少至原模型的32.5%、20.0%。与SSD、Faster-RCNN、YOLO v5模型相比,改进模型的平均精度均值分别提高6.0、11.9、7.2百分点,且参数量、计算量也均低于其他模型。研究结果显示,EBS-YOLO v7模型在保持高检测精度的同时,大幅降低了计算资源的消耗,可为葡萄病害的精准快速识别提供技术支持。

关键词： 机械零件   目标检测   YOLOv8s   感受野注意力   可变形卷积  

摘要： 针对非结构环境下机械零件检测任务高精度的需求,提出了一种改进YOLOv8s目标算法。通过引入可变形卷积优化骨干C2f结构(C2f_DCNV2),帮助模型快速地提取更细粒的空间特征;引入空间注意力改造空间金字塔池化层(SPPF_RFA),增加不同层级特征间的信息交融能力和识别复杂细节的能力,提升目标零件的检测精度;使用α-DIoU改进边界框回归损失函数,提高模型边界框定位的精确性和收敛速度。实验结果表明,改进YOLOv8s算法在98帧/秒(FPS)下实现了97.6%的平均精度均值(mAP),相较原算法表现出了更高的准确率和更快的推理速度。

关键词： 深度学习   目标检测   自适应剪枝   轻量化   移动视觉变换器   复杂度评估  

摘要： 为满足深度学习模型在资源受限环境中高效部署的需求,提出了基于场景复杂度的自适应移动视觉变换器(adaptive scene complexity-based mobile vision transformer,AC-MViT)剪枝模型。首先,在移动视觉变换器(mobile vision transformer,MobileViT)网络前引入场景复杂度评估模块,根据场景复杂度动态调整通道数量和变换器层数量,实现在简单场景降低计算开销、在复杂场景保留特征细节的效果。同时,运用动态卷积与变换器层耦合策略,并在训练中加入随机剪枝和计算量惩罚,增强模型的鲁棒性。结果表明,AC-MViT模型在上下文常见对象2017(common objects in context 2017,COCO 2017)数据集和模式分析、静态建模和计算学习视觉对象类2012(pattern analysis,statical modeling and computational learning visual object classes 2012,PASCAL VOC 2012)数据集上取得明显成效,与MobileViT模型相比,在COCO 2017和PASCAL VOC 2012数据集上的平均精确率均值(mean average precision,mAP)分别下降1.1%和0.1%,浮点运算速度分别减少43.1%和46.6%,参数量分别减少49.1%和50.0%,推理时间分别缩短48.4%和52.5%。AC-MViT模型在多种场景复杂度下表现优异,展现出在资源受限环境中应用的高效性和平衡性。

关键词： YOLOv5   模型小目标检测   动态稀疏注意力   消融实验  

摘要： 无人机航拍图像的目标检测面临多重挑战,如小尺度目标与背景难以区分、目标集中易遮挡和显著尺度变化,导致通用检测器精度下降。中文改进YOLOv5,提出TRYOLO,旨在解决小目标检测问题。TRYOLO通过增加检测分支,提升多尺度环境下的性能,更有效地捕捉不同尺度的目标特征,特别是在小物体检测上表现突出。此外,TRYOLO采用基于NWD(Normalized Wasserstein Distance)的新度量替代传统IoU,以增强小目标检测能力,并融合Biformer注意力机制寻找密集场景中的关注区域,同时使用基于Transformer的预测头提升检测效果。在VisDrone数据集上的实验表明,TRYOLO在mAP指标上比YOLOv5提高了5.14%,AP50指标增加了5.29%,展现出优越性能。