关键词： YOLOv5s   目标检测   轻量化   Shufflenetv2   SPPFCSPC  

摘要： 针对当前车辆与行人目标检测网络设计复杂、计算资源消耗大的问题,探索高效的轻量化算法设计。首先以YOLOv5s模型为基础,改用轻量级网络Shufflenetv2作为主干结构,并用ReLU激活函数替换原函数,成功减少参数和计算量。同时,引入空间金字塔池化快速跨级部分连接模块,该模块通过金字塔池化结构保留不同尺度层次的特征,并通过跨阶段连接捕获底层与高层间的特征关系,以提升识别精度。然后在公开数据集KITTI上进行了大量对比测试及消融实验,结果显示改进后的模型识别精确率提升了2%,且参数数量、计算量、模型大小均显著减少。最后将改进后的算法在资源受限的移动设备嵌入式开发板RDK X3上进行实时推理验证,结果显示在RDK X3上帧率稳定接近设备的最大限制(30 FPS),以快速准确的识别车辆与行人。

关键词： 红外无损检测   深度学习   YOLOV5   缺陷识别   盲孔检测  

摘要： 针对板材内部缺陷无损检测精度不足,检测模型计算量大问题,文章提出了一种基于红外热波和深度学习相结合的检测方法。首先将YOLOv5s模型作为基础网络结构,引入轻量化网络GhostNetv2替换原CSPDarknet主干网络,减少模型参数量和计算资源需求让网络更加轻量化。其次,引入ECA高效通道注意力机制,在保持网络轻量化的同时增强网络对孔洞缺陷区域的关注力,以便更加充分地提取孔洞缺陷特征。最后,将CIoU损失函数替换成Focal-EIoU损失函数,通过优化边界框的位置和大小,从而提高孔洞缺陷识别的鲁棒性和收敛速度。经验证,改进后的YOLOv5s模型,在红外条件下识别孔洞缺陷相比于原始模型,平均精度均值(mAP)提升2.1%,模型参数量降低28.5%,检测速度达到51.42帧/s,可以满足日常板材生产线的缺陷检测需求。

关键词： 事件相机   交通场景目标检测   多模态融合   注意力机制   深度学习  

摘要： 在交通领域,传统视觉传感器在恶劣光照条件下的检测性能有限,事件相机通过捕捉像素级亮度变化,提高对高速运动和光照变化的捕捉和检测能力,但在静态或光照变化微弱的场景中表现不足.为解决该问题,设计动态特征融合模块和应用上下文增强模块,提出一种结合RGB帧和事件帧的多模态目标检测方法.特征融合模块结合通道和空间注意力机制,聚焦显著特征,其网络结构包括多个卷积层与激活函数,实现高效的特征提取和融合;上下文增强模块则处理不同尺寸输入的特征图,利用上采样和卷积操作提升特征融合与调用能力.在公开数据集与自制数据集分别进行与现有主流方法的对比试验,结果表明:相较于次优算法,该方法将平均精度提升3.2%,帧率提升45%.消融试验结果表明,其平均精度达到96.4%,帧率为48 f/s.

关键词： 目标跟踪   点提示   零样本分割   深度学习  

摘要： 当前目标跟踪算法往往采用目标框或分割掩模初始化模板,然而在有限操作时间或恶劣场景时却难以提供目标框或分割掩模。提出一种点提示的目标跟踪算法,其仅需要提供位于目标分割掩模中的任一图像坐标即可完成模板初始化。首先,采用SAM对图像目标进行零样本分割,获取分割掩模,求外界矩形框作为ATOM跟踪算法的输入,从而完成模板初始化;然后,采用高斯-牛顿共轭梯度法对模板在线快速学习,获得目标定位器,与离线学习的IoU预测分支共同完成目标跟踪任务;最后,根据点提示输入完成目标跟踪算法仿真。仿真结果表明,在UAV123数据集上,算法的精度P达到79.7%,AUC达到60.6%,跟踪性能相较于经典算法有一定提升,同时,FPS达到87.4帧/s,满足实时跟踪要求。

关键词： 纯方位目标跟踪   可观测度   机动目标   卡尔曼滤波   蒙特卡洛仿真  

摘要： 纯方位目标跟踪是仅根据目标相对观测站的视线高低角和视线方位角计算出目标的距离及速度。为应对纯方位目标跟踪过程中相对距离的可观测度不足的问题,针对3种具体情况分别提出了相应的改进方法。①若目标静止且相对距离初值已知,可根据观测站速度实时计算出相对距离;②若目标匀速运动或相对距离初值误差较大,观测站可通过特殊机动的方式增强相对距离的可观测度;③若观测站和目标之间的相对高度已知,此时相对距离的可观测度充足,即使针对具有机动能力的目标也可以准确地估计出相对距离。分别针对静止目标、匀速运动目标以及具有机动特性的目标进行了仿真,结果表明:第一种方法相对距离误差的大小取决于初值误差的大小;第二种方法的误差受到观测站机动方式及机动加速度大小的影响,在该文设计的观测站机动方式以及仿真工况中,第二种方法的相对距离误差均值为5.26 m;在针对第三种方法的仿真中增加了目标的机动过程和量测噪声,根据蒙特卡洛仿真结果统计出的相对距离和相对距离变化率均方根误差分别为0.81 m和0.95 m/s。

关键词： 主动毫米波图像   瓶颈型Transformer   小目标检测   多视角加权框融合  

摘要： 主动毫米波(active millimeter wave,AMMW)图像具有噪声多、易含伪影、小目标多等特点,一直是隐匿目标检测的挑战.为此,提出了一种基于BoT-YOLOX的毫米波图像目标检测方法.首先,在模型主干网络中引入瓶颈型Transformer(bottleneck Transformer,BoT),加强模型的特征提取能力;然后,调整多尺度目标检测层,并集成全局注意力机制来提高对小目标的检测能力;最后,提出一种多视角加权框融合的后处理方法,用于集成不同视角检测结果,以提高模型的鲁棒性.在自行采集的包括54000幅图像的AMMW数据集上,与基准模型(YOLOX)相比,该模型达到了93.22%的检出率和4.46%的误检率,AP提升了6.74个百分点;在公开AMMW数据集上,与主流方法相比,mAP提升了4.07个百分点.实验结果表明,所提方法对AMMW图像场景的目标,小目标检测准确度更加出色.

关键词： 动态环境   目标检测   几何约束   稠密建图  

摘要： 针对同步定位与建图(Simultaneous Localization and Mapping,SLAM)算法在动态场景中存在定位精度低且无法生成稠密地图的问题,提出一种基于动态区域剔除与稠密建图的视觉SLAM算法。在原ORB-SLAM3算法的基础上新建动态特征点检测线程,使用YOLOX网络获取动态场景语义信息及物体检测框,同时结合语义和几何约束检测特征点运动状态,提出动态特征点剔除算法,旨在精准实现动态特征点的剔除。随后设计稠密建图线程,基于关键帧及相应位姿构建稠密点云地图,利用地图中剩余的静态特征点,去除动态物体造成的重影,实现稠密地图的构建。在公开TUM数据集和真实动态环境进行验证,在TUM数据集的动态环境下,新算法有效消除了动态物体对位姿估计的影响,提升了SLAM算法在动态场景中的定位与建图的鲁棒性。

关键词： 同步定位与地图构建   目标检测   动态特征点剔除   定位精度   光流法  

摘要： 针对室内动态场景中存在的动态目标会降低同步定位与地图构建(SLAM)系统的鲁棒性和相机定位精度问题,提出了一种基于目标检测网络的动态视觉SLAM算法。选择YOLOv5系列中深度和特征图宽度最小的YOLOv5s作为目标检测网络,并将其主干网络替换为PPLCNet轻量级网络,在VOC2007+VOC2012数据集训练后,由实验结果可知,PP-LCNet-YOLOv5s模型较YOLOv5s模型网络参数量减少了41.89%,运行速度加快了39.13%。在视觉SLAM系统的跟踪线程中引入由改进的目标检测网络和稀疏光流法结合的并行线程,用于剔除动态特征点,仅利用静态特征点进行特征匹配和相机位姿估计。实验结果表明,所提算法在动态场景下的相机定位精度较ORB-SLAM3提升了92.38%。

关键词： 水面目标   小目标检测   轻量化   YOLOv5   模型剪枝   知识蒸馏  

摘要： 为提升内河航行场景下水面小目标的检测效果,降低模型复杂度,提出一种基于改进YOLOv5l的轻量化水面目标检测模型。首先,对定位损失函数进行改进,提出NWD-CIoU函数,可提升模型对小目标的召回率,增加模型的多尺度目标检测能力。其次,将FasterBlock模块与C3模块结合,提出C3_Faster模块,对YOLOv5l模型的主干网络进行优化,减少网络参数,降低模型复杂度。再次,基于Slimming方法对模型进行剪枝,大幅修剪冗余连接,以减少模型参数和运算复杂度,提升推理速度。最后,基于通道知识蒸馏方法,以YOLOv5x作为教师模型对剪枝后模型进行蒸馏,以提升模型的检测效果。实验结果表明,本文模型对内河航行场景下的水面目标具有较好的检测效果和检测速度,相比原YOLOv5l模型,参数量减少了81.48%,GFLOPs减少了80.69%。该模型更适合在计算资源受限的移动设备上部署,具有一定的工程意义。

关键词： 店铺销量预测   Stacking集成学习   KNN   XGBoost   竞品信息   情感分析   图像处理  

摘要： 提高店铺销量预测的准确性可以显著优化库存规划,进而提升供应链管理效率.本文采用Stacking集成学习方法,结合多种预测模型,并引入竞品销售信息、商品评论情感分析、商品图片特征等外部数据,以进一步提高销量预测的精度.具体而言,选择了XGBoost、KNN、RF和LR作为第一层基学习器,线性回归作为第二层元学习器.通过对历史销售数据进行验证,结果表明,相较于单一模型,Stacking方法在销量预测中表现出更高的准确性,尤其在引入外部特征后.Stacking方法在平均绝对误差(MAE)和均方根误差(RMSE)等指标上均优于单独使用RF、线性回归、XGBoost或KNN模型.研究表明,结合外部特征的Stacking集成学习方法能够有效发挥多种模型的优势,提供更准确的销量预测结果,从而为店铺制定库存和生产计划提供科学依据.