关键词： 目标检测   模板匹配   交通标志   小目标识别  

摘要： 交通标志识别作为交通和路况的提示信息,是智能驾驶的重要一环。通常都是单纯采用目标检测算法进行交通标志识别,忽略了交通标志本身所具有的标准化和单一性。本文基于交通标志的标准化和个性化,提出一种更有效的交通标志识别算法。首先对自然场景下的交通标志数据集TT100K中的交通标志增加所属的大类信息,然后利用目标检测算法检测数据集中的标志所属大类,获得目标检测框,最后将标准交通标志图片作为模板,通过模板匹配方法与目标检测框区域内图像进行相似性对比,确定交通标志具体种类。实验证明,本文提出的算法与单纯使用目标检测算法相比大大提高了识别精度,为交通标志小目标识别算法的研究提供了新的思路。

关键词： 立体匹配   深度学习   计算机视觉   损失函数   数据集  

摘要： 传统立体匹配算法通过匹配人工设计的特征描述来实现,但对遮挡、弱纹理及重复纹理及边缘等区域的计算效果并不理想。近年来,基于深度学习的立体匹配算法研究成为该领域的主流方向,且在算法性能及鲁棒性上均得到较大提升。为了系统梳理基于深度学习的立体匹配算法的研究现状与发展趋势,对立体匹配算法原理、传统立体匹配算法、基于深度学习的端到端及非端到端的立体匹配算法进行介绍,并对相关训练方法、损失函数及常用公开数据集进行总结,同时在常用数据集上对各类代表性算法进行对比分析,最后对立体匹配算法将面临的挑战和未来发展方向进行讨论。

关键词： 双目相机   目标检测   目标跟踪   特征点  

摘要： 面对复杂环境对人物目标信息进行实时检测和跟踪的需求,设计并实现了一套基于双目相机的目标检测与跟踪系统。并且以较低的成本有效地解决了现有主流检测跟踪系统在获取人物深度信息方面的局限性。通过使用英特尔D435i双目相机,系统能够实时获取外部环境的RGB信息及深度信息。接着,系统基于高效的目标检测算法YOLOv8和目标跟踪框架ByteTrack,对获取的RGB图像帧进行处理,实现对图像帧中出现的目标人物进行检测和跟踪。在检测过程中记录目标的特征点信息,并结合双目相机同步获取的深度图像帧数据,计算特征点的深度信息,从而完成对目标深度信息的测算。最终,将设计开发的系统集成部署到Nvidia Jeston Orin边缘计算平台进行实验验证,实验结果表明,系统的识别跟踪准确率和性能均达到了预期目标。

关键词： 图像处理   点云语义分割   局部特征增强   反密度函数   深度学习   特征向量  

摘要： 相比二维图像数据,三维点云数据普遍具有无序性、稀疏性和密度不均匀性,同时点与点之间的相关性以及结构信息的获取也是很大的挑战。正是由于点云的这些特性,对于特征信息不显著的物体的语义分割,一直是点云处理领域的一大难题。为此,提出了一种用于点云语义分割的局部特征增强网络,该算法设计了一种局部特征聚合模块用于增强特征信息。该模块将点云的相对点位置与其对应点特征串联在一起,从而获得增强的特征向量,实现了特征信息的增强。通过该模块使网络能够有效地学习复杂的局部结构信息,增强对局部几何信息的处理能力。此外,该算法在提取特征时采用反密度函数对稀疏区域的点赋予较大的权重,对稠密区域的点赋予较小的权重,从而有效消除了点云的密度不均匀性造成的影响。实验结果表明,该算法在斯坦福大规模三维室内空间数据集的平均交并比达到了67.4%,整体准确率达到了88.4%,相比DGCNN分别提升了11.3%和4.3%,对特征信息不显著的目标物的分割效果提升显著。

关键词： 目标跟踪   双重特征增强模块   自适应频域滤波器   样本不平衡   凝聚损失  

摘要： 视觉目标跟踪是计算机视觉领域的一项基础任务,在实际生活中有着广泛的应用,因此视觉目标跟踪技术的研究具有重要意义。之前的跟踪算法存在三个尚未解决的问题,一是随着ResNet网络的提出,空间特征提取得到了大幅加强,但仍有较大的进步空间;二是对于提取出的特征,跟踪器如何突出有效信息、抑制无用信息来达到更好的跟踪效果;三是样本不平衡问题导致模型无法判别未出现过的样本,进而限制了模型的性能。为了解决上述问题,论文设计了双重特征增强模块来优化ResNet骨干网络提取的空间信息。再利用傅里叶变换将空域特征转化为频域特征,接着在频域中利用可学习的滤波器自动过滤出适合当前跟踪器的特征,同时抑制背景中其他杂乱的特征信息。最后,引入凝聚损失函数,扩大困难样本范围并惩罚简单样本,显著缓解了样本不平衡问题。在四个具有挑战性的数据集上的大量实验结果表明,对比同期最先进的算法,论文提出的方法具有更加良好的性能。特别地,在TLP数据集实现了62.0%的成功率得分,在VOT2020LT数据集实现了1.7%的提升。

关键词： 绝缘子   多重注意力机制   高阶特征融合   目标检测   YOLOv8  

摘要： 针对绝缘子缺陷图像目标分布较分散且特征不明显、检测精度较低等问题,提出一种基于改进YOLOv8的绝缘子缺陷图像检测算法模型(Highly Efficient Insulator and Defect Detector,HIEDet)。首先设计了一个主干特征提取网络,在特征图大的部分使用双层路由注意力机制,保持全局建模能力,在特征图小的部分使用高效梯度流多尺度注意力,通过分组和多尺度并行子网络来捕捉全局和局部的空间依赖关系,加强网络模型检测性能。然后设计了一个高阶联合特征分发机制网络,缓解了PANet结构导致的特征信息丢失问题,同时增强了模型的多尺度特征融合能力。最后,使用SIoU作为HIEDet网络的回归损失函数,帮助训练收敛过程和效果,提高模型在绝缘子缺陷图像检测任务上的检测性能。实验结果验证,改进后的HIEDet算法模型相较于YOLOv8在绝缘子缺陷数据集上mAP@50提高了2.2%,mAP提高了1.6%,表明提出的HIEDet算法模型在绝缘子及缺陷检测任务上的有效性。

关键词： 甲状腺结节   Mask R-CNN   目标检测   神经网络  

摘要： 目的/意义采用基于区域卷积神经网络的目标掩码分割算法(mask region-based convolutional neural network, Mask R-CNN)建立目标检测模型,智能识别甲状腺超声图像结节位置,为超声医生决策提供参考。方法/过程收集超声结节图像1 650张,使用labelme工具进行结节位置标注。对Mask R-CNN的主干网络分别采用MobileNetV3、ResNet50、ResNet101和ResNet152进行替换,并引入特征金字塔和感兴趣区域对齐,采用迁移学习训练策略训练模型,比较不同网络下目标检测效果。结果/结论主干网络采用ResNet101训练的模型平均精确度为86.8%,平均召回率为95.3%,平均F1分数为90.6%,优于其他主干网络,能更精确地检测甲状腺结节,具有一定临床应用价值。

关键词： 复杂背景   储藏小麦   害虫识别   图像处理   人工神经网络  

摘要： 在小麦害虫图像检测识别中,因害虫的种类繁多,形态各异,且往往受到光照、背景等环境因素的影响,增加常规神经网络的训练难度,使得常规神经网络在训练过程中出现梯度消失的问题,从而导致最终识别结果的精度偏低。为此,对常规神经网络进行优化,研究并设计一种小麦害虫图像识别方法。将采集的小麦害虫彩色图像转换为灰度图像,利用小波变换技术去除图像噪声,结合形态学操作滤除图像的冗余信息,提高图像的质量。对滤波后的小麦害虫图像进行线性变换和对比度调整,实现对数据集的离线增广,构建出一个包含大量样本、类别丰富的小麦害虫图像数据集。针对数据集中的图像提取小麦害虫特征,引入神经网络算法构建识别模型,通过增加分支数与卷积层数,对模型进行改进与优化,以降低网络的深度。将小麦害虫特征输入至改进后的模型中实现小麦害虫图像识别。实验结果表明,本研究方法能够准确输出小麦害虫的图像类型,识别准确率较高。

关键词： 深度学习   对抗样本   YOLOv8   目标检测   对抗补丁  

摘要： 目前,基于人工智能目标检测技术的摄像头得到了广泛的应用.而在现实世界中,基于人工智能的目标检测模型容易受到对抗样本攻击.现有的对抗样本攻击方案都是针对早版本的目标检测模型而设计的,利用这些方案去攻击最新的YOLOv8目标检测器并不能取得很好的攻击效果.为解决这一问题,针对YOLOv8目标检测器设计了一个全新的对抗补丁攻击方案.该方案在最小化置信度输出的基础上,引入了EMA注意力机制强化补丁生成时的特征提取,进而增强了攻击效果.实验证明该方案具有较优异的攻击效果和迁移性,将该方案形成的对抗补丁打印在衣服上进行验证测试,同样获得较优异的攻击效果,表明该方案具有较强的实用性.

关键词： YOLOv8   深度学习   渔船牌号   目标检测  

摘要： 本研究旨在构建了基于YOLOv8模型的渔船牌号识别技术,针对船牌号图像存在的部分目标小、模糊、存在遮挡的特点,对YOLOv8模型改进,主要包括:删除20×20像素大目标检测层,增加160×160像素小目标检测层,提高算法对小目标检测性能并轻量化网络模型;引入GAM注意力机制模块,提高对小目标检测的精确率;用RepVGG替代C2F改进主干网络,提升召回率。实验表明,改进算法性能良好,其中准确率达到98.41%。同时,与原YOLOv8n模型进行对比,检测精确率提高1.3%,召回率提高2.1%,mAP值提高1.6%,模型体积缩减53.7%。通过本研究,文中期望为渔船牌号识别技术的发展提供有益的参考和启示。