关键词： 雷达成像   机载太赫兹雷达   目标识别   目标检测  

摘要： 低空对地监控是我国公共安全监控和人民安全防护的重要手段,机载探测感知系统与技术是低空对地监控能力实现的核心要素。太赫兹雷达成像为全天候、视频级、高分辨监视提供新的技术与装备,为交通监控、应急救援、安防反恐等领域提供可靠信息来源。如何基于机载太赫兹雷达视频中的动/静目标信息,进行重点区域目标检测、识别、跟踪,值得深入探索。此外,视频SAR与可见光、红外宽谱段集成,还可以视频级高刷新率实现低空对地多模态、高精度感知,多模态传感信息集成将有力提升重点目标识别跟踪鲁棒性。本专题拟对以上问题进行探讨。

关键词： 目标检测与分类   雷达图像   YOLOv5s网络   特征融合   解耦头  

摘要： 针对车载毫米波雷达图像细节模糊、目标占比小的问题,提出了一种基于YOLOv5s改进的目标检测分类网络。首先通过帧同步与最小外接矩形方法处理原始数据集,获得由相机、激光雷达联合标定的毫米波雷达距离-方位图像与标注信息;然后将YOLOv5s网络的上采样模块改进为CARAFE,使网络充分融合不同尺度特征,并改进网络损失函数为综合交并比损失函数(CIoU Loss),使预测结果更加精确;最后,通过网络解耦头(Decoupled head)采用不同的分支并行处理检测与分类问题。实测数据实验处理结果表明,该方法较原始YOLOv5s网络的mAP@0.5与mAP@0.5∶0.95分别提升了3.3%和2.0%,尤其适用于小目标检测,并能同时满足检测和分类精度与实时性要求,适合部署至车载嵌入式系统中。

关键词： 目标检测   多尺度特征融合   特征解耦   注意力   可变形卷积  

摘要： 针对目标检测中特征金字塔网络(FPN)造成的大尺度目标检测精度下降及目标检测2个子任务所需语义特征不一致问题,提出一种基于相邻特征融合(AFF)与特征解耦的网络(AFFDN)模型。该模型中的AFF模块通过多对一连接引入更短的梯度回传路径,缓解了大尺度目标梯度消失的问题;AFF模块通过共享参数和偏移量,有效减小了模型参数量,并增强了多尺度特征语义一致性;相比于基于神经架构搜索的FPN(NAS-FPN),AFF参数量更小、性能增益更显著。AFFDN模型中的特征解耦模块(FDM)通过动态感受野和全局注意力,在感受野-通道-空间3个维度上进行细粒度特征解耦,为不同分支生成特有的任务相关特征,进而提高目标检测精度。将AFFDN模型应用到不同的一阶段目标检测模型时,在PASCAL VOC和MS COCO2017数据集上与基线模型相比,检测精度分别提升了至少0.9%和2.3%。

关键词： YOLO算法   目标检测   残差网络   特征分析   身份识别与跟踪  

摘要： 针对群组互动中单点追踪的难题,尤其是人物间遮挡及追踪目标失踪的问题,本研究开发了一种将个体目标检测与身份辨识相结合的图像追踪策略,旨在提高追踪系统的稳定性和目标遮挡后的快速恢复能力。本研究采用YOLO算法快速筛选潜在追踪目标,因其高效且精准,在图像目标侦测中广受推崇。随后,研究利用预训练的深度残差网络(ResNet)对候选目标进行特征分析,ResNet能捕获丰富且深层次的特征,对身份辨识至关重要。此追踪策略结合YOLO的高效筛选和ResNet的深度特征分析,显著提升了追踪系统在处理目标遮挡和丢失时的恢复效率。该研究为智能监控、公共安全等领域提供了新技术方案,有望推动相关技术的进一步发展和应用。

关键词： 目标检测   无锚框   特征融合   任务特征   多尺度特征   任务对齐   标签分配  

摘要： 为解决现有无锚框网络缺乏精确的特征融合引导、解耦头获取任务特征不足,以及无锚框本身存在的边界框漂移的问题,提出一种结合循环特征融合与任务解耦的无锚框检测模型。设计动态循环特征金字塔,动态对齐并融合多尺度特征,以循环机制增强特征表达;提出新的任务解耦头,设计双维任务感知器获取任务特征,采用提出的任务一致性参数和Dynamic Varifocal损失函数完成任务对齐;在标签分配过程中,结合box重组算法,重新选取高质量的正负样本。在COCO数据集上,所提模型使mAP在ResNet50主干网络相对于baseline提升3.1%,在ResNet101上达到45.2%,检测性能优于其它先进的无锚框网络模型。

关键词： 无人驾驶系统   YOLOv5   智能控制   旋转目标检测   环形平滑标签  

摘要： 阐述为仿真工程车无人化作业,设计一种基于旋转目标检测的工程车模型智能识别与控制系统。该系统由目标检测模块、运动控制模块、通信链路模块三个模块组成。系统通过联合YOLOv5和环形平滑标签(CSL)对工程车的位置以及方向信息进行识别,将信息传输至运动控制模块,利用多线程技术快速计算出每一辆工程车的控制方案,该方案通过通信链路模块转变为控制信号快速准确地传输到对应的工程车模型,实现多工程车的联合控制。最后,通过采用卡车配合装载机进行Y形作业的实验,验证了系统的完整性和可行性。

关键词： 避雷器套管   红外图像   分割检测   计算机视觉   深度学习   注意力机制  

摘要： 针对现有避雷器套管实例分割方法精度低、容易误检的问题,提出一种基于深度学习的避雷器套管分割检测方法,通过经典神经网络模型UNet实现端到端的分割推理,同时,设计局部感知注意力模块高效聚合避雷器套管红外图像的通道信息与空间信息,避免红外背景噪声影响,实现边缘清晰的分割效果。通过定性和定量的实验比较验证模型UNet在避雷器套管红外图像分割检测的性能。结果表明,该模型对避雷器套管具有较好的检测分割效果,对后续故障检测、降低劳动力成本、保证变电站设备安全运行具有重要意义。

关键词： 深度学习   复杂场景   目标检测与识别   算法优化  

摘要： 目标检测与识别是计算机视觉中的关键技术,但在实际应用中常面临光照变化、遮挡和多目标等复杂场景的挑战。对此,文章深入研究了算法优化策略,分析了复杂场景对检测与识别的影响以及传统算法的局限性。通过数据增强、特征提取优化和模型结构改进等策略,特别是利用图像变换模拟复杂场景特征的数据增强方法,显著提升了算法在复杂场景下的性能。实验结果表明,优化后的算法在多个代表性数据集上实现了更高的准确率、召回率、F1分数和平均精度,同时保持了较高的处理速度,这说明优化策略有效应对了复杂场景的挑战,显著提升了目标检测与识别算法的性能。

关键词： 机器视觉   DETR算法   目标检测   轻量化   注意力机制  

摘要： 交通标志检测是智能车辆行驶过程中的关键,对于车辆分析路况有着重大的意义。针对现存交通标志检测算法参数较多、精确率不高的问题,提出一种基于改进RT-DETR(real-time detection transformer)的轻量化交通标志检测算法。首先,将模型主干网络中的ResNet网络替换为VanillaNet网络,减少网络的层数与参数量;其次,使用加权双向特征金字塔模型(bi-directional feature pyramid network,BiFPN)代替RT-DETR特征融合模块中的PAN(path aggregation network)结构,增加模型的融合能力,提取更加丰富的特征信息;最后,在特征融合模块中添加GAM(global attention mechanism)注意力机制,加强模型对全局信息的感知,提升多目标与被遮挡目标的检测性能。该算法在交通标志数据集上进行测试,结果说明改进后的RT-DETR算法的mAP(mean average precision)值达到了87.7%,相比原始算法提高了3.6%,且参数减少21%,满足智能车辆设备的部署需要,证明了改进算法的有效性。

关键词： 遥感图像   YOLOv5   高价值目标   注意力机制  

摘要： 长期以来受遥感图像质量、高价值目标自身特性等多方面因素影响,传统的检测方式与通用的基于深度学习的目标检测技术效果不佳。在YOLOv5模型的基础上,利用通道注意力与空间注意力的高效组合,优化了YOLOv5算法的网络结构。在特征提取网络部分,本文结合ECA(Efficient Channel Attention)注意力机制以及SA(Shuffle Attention)注意力机制构建了ECSA(Efficient Channel Spatial Attention)组合注意力机制,以低算力成本重新组合了通道注意力和空间注意力,提升了模型的组合注意力效果。在基于自建高价值目标图像数据集的对比实验中,YOLOv5-ECSA模型的精度超越了其他所有同等参数规模的YOLO系列模型,达到了最优的参数-精度均衡性。