关键词： 合成孔径雷达   目标检测   DETR   多尺度注意力  

摘要： 针对DETR(detection transformer)结构在SAR(synthetic aperture radar)图像舰船检测中存在收敛速度慢、弱小目标易漏检等问题,提出了一种基于多尺度注意力模块和标签对抗训练的改进DETR结构。利用骨干网络提取多尺度特征图,构建多尺度注意力权重矩阵和特征图区域采样方式,有效提高了DETR结构的检测能力;在解码器结构中设计了标签对抗训练模块以解决对目标的重复预测,抑制目标预选框的混淆,并大幅加快模型的收敛速度。在公开的HRSID数据集上进行了算法测试,结果表明,训练36批次的mAP_0.5、mAP_0.5:0.95、AR分别为0.921、0.696、0.753,相较于Faster R-CNN分别提升了12.4%、13.3%和14.7%,验证了该方法在提升目标检测精度和收敛速度方面的优越性。

关键词： 无监督行人重识别   注意力机制   聚类离群值   特征表征学习   计算机视觉  

摘要： 在开放场景下的跨摄像头目标检索应用中,无监督行人重识别因其规避标注成本的显著优势,展现出重要的工程应用价值。针对现有无监督方法在特征表征学习和聚类优化方面存在的双重局限,文章从两方面提出协同优化框架:(1)为增强细粒度特征判别性,设计多尺度注意力融合模块,通过通道-空间双维度的注意力协同机制强化关键语义特征的捕捉能力,同时抑制背景噪声干扰;(2)针对密度聚类过程中产生的离群样本问题,构建基于密度感知的离群样本重定位策略,通过动态邻域相似度度量建立离群样本与目标簇的潜在关联,实现离群样本的渐进式知识迁移。可视化分析结果进一步证实,优化后的特征空间呈现出更清晰的类内聚合与类间分离特性。

关键词： 煤矿智能化   煤矿运输系统   绞车运输   闭锁系统   目标检测   目标跟踪   计算机视觉  

摘要： 斜巷绞车运输闭锁系统是实现斜巷绞车运输“行车不行人”的重要手段。针对传统的闭锁系统存在准确度低、安装维护困难、硬件成本高的问题,研究了一种基于多通道图像处理的斜巷绞车运输闭锁检测算法,并研制了本安型闭锁检测系统。闭锁算法分为目标检测、跟踪以及闭锁检测。在目标检测阶段,利用GSConv设计了Slim-C3,对骨干和颈部网络进行轻量化处理,基于GSConv的解耦合头,提高目标检测精度;在目标跟踪阶段,研究了二级匹配的跟踪算法,在不降低检测精度的条件下,提升跟踪速度。试验表明:改进的目标检测模型的作业人员和绞车标识的AP0.5:0.95最优,比YOLOv8s分别提升了0.57%和1.65%;改进目标跟踪的IDF1比YOLOv8s+DeepSort提升了0.55%;改进的目标检测在人数统计的准确率和召回率分别为96.43%和93.10%。

关键词： 低慢小目标   随机有限集   群目标跟踪   带标签势均衡多目标多伯努利滤波器   全息凝视雷达  

摘要： 群目标跟踪是实现无人机集群反制的关键步骤,具有重要的研究意义。相比传统的多目标跟踪算法,随机有限集(Random Finite Set,RFS)滤波在处理多目标数据关联与进行状态估计方面展现出显著的优势。然而在低慢小群目标的场景中,现有的RFS滤波方法普遍未考虑群特性对跟踪的影响,也未考虑群目标起始与航迹信息提取的问题。为此,本文结合了群建模、带标签势均衡多目标多伯努利(Cardinality Balanced Multi-target Multi-Bernoulli,CBMeMBer)滤波器以及自适应新生目标强度技术,提出一种针对低慢小群目标的跟踪方法。具体而言,本文首先通过虚拟领导-跟随者模型和无向图邻接矩阵对群目标结构进行建模;随后提出了一种三层优先级标签分配策略,改进了传统的带标签CBMeMBer滤波器,解决了标签冲突导致的轨迹混叠问题,提高了跟踪精度和算法运行效率;同时,设计了基于群目标场景与两点起始法的自适应新生目标强度算法,实现了RFS框架下群目标的自适应新生目标初始化;最后,仿真实验和基于全息凝视雷达的实测数据实验表明,所提方法在目标状态估计和轨迹质量方面表现优异,跟踪性能优于包括传统的带标签CBMeMBer滤波器在内的对比算法,且能有效避免轨迹交叉和混叠现象,充分展示了其在低慢小群目标精细化跟踪中的潜力和实际应用价值。

关键词： AI换脸   深度学习   违法滥用   计算机视觉  

摘要： AI换脸技术作为一种深度伪造技术,基于深度学习算法和计算机视觉技术,能够精准地进行面部特征转移。然而,这一技术的广泛应用,诱发了一系列违法滥用行为,也带来诸多安全和法律风险,亟须加以规范和治理。为了推动AI换脸技术的合法使用,促进生成式人工智能健康发展和规范应用,本刊特邀请专家学者对相关问题进行探讨,敬请关注。

关键词： 机器视觉   拉伸性能   图像处理   动态形变   特征提取  

摘要： 为丰富织物拉伸力学评价指标,从机器视觉角度出发,可视化动态表征织物拉伸形变差异,论证织物非接触式测量方法的可行性。依据拉伸速度,等效抽取视频帧,自动分割织物所在区域,提取出轮廓,构建形态学特征;分析不同处理方式对织物拉伸动态形变特征的影响。结果表明:由伸长量、泊松比所构建的应力-应变曲线与拉伸测量应力-应变曲线趋势一致;伸长量对材料的区分度优于最窄处收缩量,且不同处理方式对织物的伸长量和最窄处收缩量影响差异显著。该结果论证了非接触式测量方法在织物特征分析中的可行性,可为今后相关测试方法标准及设备的研制提供参考。

关键词： 动车转向架   螺栓   目标检测   YOLOv5s   多重注意力机制  

摘要： YOLOv5s网络目标检测算法存在损失值较大、平均精度较低等问题,无法满足动车转向架螺栓缺陷识别的高精度需求。为此,通过添加卷积块注意力模块和高效多重注意力机制以改进YOLOv5s网络,构建基于改进YOLOv5s网络的动车转向架螺栓识别算法,并开展验证试验。试验结果表明:基于改进YOLOv5s网络的算法,稳定性更好,鲁棒性更强,能够有效可靠识别动车转向架螺栓,为实现动车智能化运维提供技术支持。

关键词： 遥感小目标   目标检测   YOLOv8   多尺度特征融合  

摘要： 遥感小目标图像存在检测目标过于密集、尺寸过小、特征信息难以提取等缺陷,导致现有的目标检测算法在遥感小目标图像上的检测精度不高。为了解决上述问题,提出了一种基于YOLOv8的遥感小目标检测算法SBC-YOLOv8并采用了切片辅助超推理(SAHI)方法。首先,采用了SAHI切片方法对遥感小目标图像进行了切片操作,有效地改善了检测目标过于密集、尺寸过小的缺陷;其次,在YOLOv8的Backbone部分加入Space-to-Depth模块,增强了网络结构的特征提取能力,有效地改善了小目标特征信息难以提取的缺陷;然后,采用了加权双向特征金字塔(BiFPN)的特征融合方式并且将原本的P5层替换为P2层,增强了网络的多尺度特征融合能力,有效地提升了检测精度;最后,采用CSP-OmniFusion模块,进一步改善了遥感小目标特征信息难以提取的缺陷。实验结果表明,相比于原YOLOv8算法,采用SAHI加上SBC-YOLOv8算法的改进在VisDrone2019数据集的验证集和测试集平均精度均值(mAP)mAP@0.5分别提升了23.4%和18.3%;mAP@0.5∶0.95分别提升了17.4%和12.4%,同时在CARPK数据集和HRSID数据集上mAP@0.5分别提升了1.6%和1%,mAP@0.5∶0.95分别提升了6.1%和2.7%。因此,所提算法有效地提升了遥感小目标图像的检测效果。

关键词： 野生动物识别   目标检测   注意力机制  

摘要： 动物识别对于生态保护、农业管理以及智能监控等领域具有重要的意义和作用。然而,人工辨识动物往往依赖于个体的经验和知识,存在主观性强、效率低下和难以大规模应用等问题。为了解决这一挑战,文章重点研究了一种基于深度学习的RGB图像识别方法。基于YOLOv7,引入K-means聚类算法优化目标候选框。实验结果表明,与YOLOv3、YOLOv5、YOLOv7和YOLOv10相比,所提模型在所有评估指标上性能最佳,精度为73.80%,mAP@0.5为74.60%,mAP@0.5:0.95为66.60%;与基线方法YOLOv7相比,在精度(P)、召回率(R)、mAP@0.5和mAP@0.5:0.95上分别提高了0.50%、3.40%、1.30%和2.00%。综上所述,该研究实现了对多种野生动物及家养动物的高效、准确识别,为生态保护、农业管理以及智能监控等领域提供了强有力的技术支持。

关键词： 光学疵病   多光谱技术   图像处理   缺陷检测   图像融合  

摘要： 在进行多光谱光学元件疵病谱检测时,由于光谱图像数据量较为庞大,人为操作的误差以及光斑亮度不均匀等问题致使图像明暗不均,多光谱图像的细节信息被掩盖,从而导致检测效率的下降。针对该问题,提出了一种基于图像处理的多光谱光学疵病检测技术,首先将光谱图像进行融合,然后根据图像的照明不均匀性进行背景的提取与自适应补偿,最后对图像进行阈值分割与连通标记法将疵病进行识别。实验表明,该方法可以准确地识别光学元件疵病,对不同环境的样本,其缺陷检测率可达95.73%,提升了多光谱光学元件疵病检测的效率。