关键词： 无人机   边缘计算   目标检测   目标跟踪   公路巡检  

摘要： 对公路标线的实时跟踪是无人机公路巡检任务中的一个重要环节。较新的深度学习网络算法一般伴随着较大参数量，限制了其在边缘设备上的应用，针对其部署在边缘计算平台上的需要，本文提出了一种基于改进YOLOv3-tiny和DeepSORT的公路标线跟踪算法。改进的算法首先进行K-Means++聚类，其次采用CIOU损失函数，使检测框的回归更加稳定，最后引入改进的SPP结构和SAM空间注意力机制丰富有效特征提取。对检测到的公路标线进行跟踪，并根据实际巡检的情况对DeepSORT进行改进。实验结果表明改进的YOLOv3-tiny算法相比于原算法mAP提高了4.02% ，改进的DeepSORT算法相比于原算法MOTA值提升了1.9 %，在Nvidia Jetson Xavier NX平台上进行测试，平均帧速率可达31.2帧/s，满足了无人机实时巡检的需求。

关键词： 滑坡体监测   变动识别   图像处理   Python   大尺度粒子图像测速(LSPIV)  

摘要： 针对传统滑坡体形变位移监测方法在点状测量、设备安装及维护上的局限性，提出了一种基于图像差分技术的滑坡体形变监测新方法。首先对监控相机拍摄的图像进行预处理，包括计算参数设定、位移噪声过滤与差值计算；随后，采用大尺度粒子图像测速（Large Scale Particle Image Velocimetry，LSPIV）技术分析图像序列，精准测量物体表面的位移或速度矢量场；最后，结合自编Python算法实现滑坡体变动的自动识别与移动区域的精确测速。试验结果表明：该方法相对误差平均为5.35%，验证了LSPIV技术在滑坡体形变监测中的高精度与可靠性。通过对室内滑坡模型及实际滑坡视频数据的处理，实现了滑坡体形变与移动的准确识别与测量。该方法不仅能够实现大范围区域的面状监测，还在满足高精度要求的同时具有较低的实施成本，为滑坡体变动监测提供了一种创新性的解决方案。

关键词： 目标检测   特征提取   注意力机制   插值函数  

摘要： 针对Deformable DETR仅采用ResNet进行简单特征提取限制了后续模块检测效果的问题， 提出一种基于特征增强与多项式差值的目标检测网络. 首先引入特征提取模块同时提取图像局部和全局信息， 帮助网络更精确地捕捉图像关键特征; 然后设计双注意力模块根据需求动态地调整特征通道和空间位置的权重， 使网络能够聚焦于对当前任务更为重要的图像区域; 最后提出一种多项式插值方法拟合目标点周围更多的特征向量， 计算生成更高质量的特征向量. 在COCO数据集上采用一致的实验条件进行实验， 相比Deformable DETR， 所提网络平均检测精度提升至44.8%， 大目标检测精度提升1.9个百分点， 各项检测精度均得到提升， 并且优于对比的其他系列网络.

关键词： 目标跟踪   交互多模型(IMM)   自适应   无迹卡尔曼(UKF)  

摘要： 针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题，提出了一种自适应交互多模型无迹卡尔曼滤波算法（ATPM-UKF），使用模型概率后验信息和模型似然函数自适应修正马尔可夫转移概率矩阵（TPM）。设计了模型概率校正方法和模型转移加速方法，两种方法分别作用于模型稳定阶段和模型转移阶段，提高了模型概率准确度和模型转移响应速度，减小了状态估计误差。最后通过两种场景下的实验验证了所提算法在目标具有复杂运动状态下的性能，并与传统方法进行了对比分析，在目标做机动运动时，位置精度和速度精度分别提高了15%和26%，验证了算法的有效性和可行性。

关键词： YOLOv8n   多尺度卷积   特征金字塔   轻量检测头   NWD  

摘要： 针对遥感图像中存在因背景复杂、尺度变化大、小目标密集而导致的目标检测准确率低等问题，提出了一种改进YOLOv8n的检测算法：MGL-YOLO。首先，设计MSConv减少模型参数，基于MSConv重构C2f模块，提高多尺度特征提取能力；其次，基于GLSA和GSConv模块改进BiFPN结构，简化颈部网络，增强网络的特征处理能；在头部设计Light-head进一步轻量化模型，加强小目标特征提取能力；最后引入NWD损失函数替换原损失函数，增强对小目标的定位精度。在DIOR-R、DOTAv1.0和VEDAI数据集上验证，实验结果表明MGL-YOLO模型在DIOR-R数据集上准确率和mAP@0.5比基准模型提高了1.7%和1.3%，在DOTAv1.0数据集上提高了1.0%和1.1%，在VEDAI数据集上提高了2.4%和2.1%。参数量降低47%，计算量降低32%，与其他小目标检测算法相比也得到了较好的检测性能。

关键词： 3D目标检测   多尺度特征   自适应非极大值抑制  

摘要： 3D目标检测是自动驾驶感知系统的关键技术之一，能准确检测驾驶环境的状态从而保证行车安全。针对自动驾驶场景中行人和骑行者等小目标的3D检测精度较低的问题，提出一种基于多尺度特征和自适应非极大值抑制的3D目标检测算法。首先，设计多尺度特征提取器，以获取大、中、小尺度的特征。其次，设计多尺度检测头以生成不同尺寸目标的候选框，从而补充小目标候选框。为了平衡多尺度候选框的数量，设计一种基于ANMS的候选框筛选算法，提高了对不同尺寸目标的检测精度。在KITTI数据集上的结果表明，改进算法在确保汽车类目标检测精度的同时，对行人和骑行者的检测精度达到62.57%和73.30%，比基线算法高2.04%和1.33%，验证了改进算法在小目标检测方面具有较好的3D检测性能。

关键词： 小样本目标检测   元学习   注意力机制   知识蒸馏  

摘要： 针对小样本目标检测中存在的模型收敛速度慢和知识类别遗忘的问题，提出了一种新的基于加权注意力机制和知识蒸馏的改进Meta-DETR小样本目标检测方法。首先，设计了一种新的加权注意力机制，通过在Transformer解码器中引入待检测物体的高斯分布权重并与其原始注意力图融合，使其能更快更准确地在全局特征中定位待检测的物体特征，加快模型的收敛速度。为了进一步缓解模型训练过程中存在知识类别遗忘的问题，引入了一种改进的知识蒸馏方法，采用渐进蒸馏的方法缓解知识灾难性遗忘。最后，设计了一个新的损失函数，能够根据样本的难易程度和边界框的形状尺寸动态计算损失值。实验结果表明，提出的方法在MS COCO 2017基准数据集中10-shot设置下mAP0.5比Meta-DETR方法提升了2.1%，在PASCAL VOC 07+12基准数据集中10-shot设置下mAP0.5比Meta-DETR方法提升了1.5%。

关键词： 钢筋焊点检测   CoT注意力机制   VanillaNet   YOLOv8-Pose   关键点检测   目标检测  

摘要： 为解决光照不足、复杂路面背景和节点密集情况下钢筋骨架自动焊接成型中节点漏检、焊点位置不精确等难识别问题,借鉴人体姿态估计算法,提出了一种改进YOLOv8n-Pose的钢筋节点识别和焊点检测方法。首先,使用VanillaBlock代替网络中的3×3下采样卷积,在不降低模型精度的同时减少了模型复杂度;然后,在Neck中的C2f模块中嵌入VanillaBlock,增强多尺度信息融合能力;最后,引入CoT注意力机制,提升在弱光下的节点检测能力。实验结果表明,改进后YOLOv8n-Pose算法mAP 0.5-kp为90.2%,mAP 0.5:0.95-kp为89.5%,相比于原模型均提高了3.7百分点,单张图像平均检测时间为20.9 ms。与HRNet-s、RTMpose-s、YOLOv5n-Pose和YOLOv7t-Pose检测网络相比,mAP 0.5-kp分别提升了3.2百分点、5.0百分点、16.0百分点、13.1百分点。改进YOLOv8n-Pose对背景复杂、光照不足和节点密集等情况具有较高的检测精度,能够满足自动化钢筋骨架焊接成型的实时检测需求。

关键词： 自动驾驶   YOLOv8s   C2f⁃EMSCP模块   小目标检测   注意力机制   损失函数  

摘要： 针对自动驾驶场景下交通目标检测算法存在的误检及漏检的问题,提出一种基于改进YOLOv8s模型的复杂道路交通目标检测算法。设计一种轻量级的C2f⁃EMSCP模块改进YOLOv8s的骨干网络,实现网络的参数量和计算量的降低;在Backbone和Neck部分添加EMA注意力模块,有效地捕捉了全局的通道依赖性与局部空间特征,实现在通道和空间维度上的全面特征抽取;针对密集车流下小尺寸车辆检测效果不佳的问题,添加小目标检测头,更好地捕获小尺寸车辆的特征和上下文信息;使用可自适应调整权重系数的Wise⁃SIoU作为改进模型的损失函数,提升了边界框的回归性能和检测的鲁棒性。在KITTI数据集上进行实验,P、R和mAP@0.5分别提高了0.4%、2.1%和3.7%。文中的改进方法在交通监控系统中能够达到较好的检测精度和速度,有效改善了复杂交通场景下小目标车辆检测效果不佳的问题。

关键词： 目标检测算法   YOLOv10算法   跨尺度特征融合模块   Mamba线性注意力机制   空间深度转换卷积模块   动态上采样器  

摘要： 针对目标检测算法部署在边缘设备的轻量化需求,提出一种基于改进YOLOv10的轻量化目标检测算法(CMD-YOLO算法)。该算法利用跨尺度特征融合模块对YOLOv10算法的网络结构进行改进,减少了算法模型的参数量与计算量;采用基于Mamba的线性注意力机制改进的部分自注意力模块替换传统的部分自注意力模块,进一步降低了算法模型的参数量;利用空间深度转换卷积模块替换部分传统卷积模块,增强了算法模型对下采样细节信息的提取能力;利用动态上采样器DySample替换传统的上采样模块,在保持上采样精度的同时,降低了算法模型的计算延迟。实验结果表明,CMD-YOLO算法与YOLOv10-n算法相比,在检测精度略微提升的同时,算法模型参数量降低了30.5%,计算量下降了19%,权重文件缩小了29.3%,计算延迟减少了8.8%,能够满足目标检测算法部署在边缘设备中的轻量化需求。