关键词： AOD-Net   去雾   目标检测   注意力机制   BiFPN  

摘要： 深度学习目标检测在传统数据集上取得优异成果,但是在雾天环境下的检测任务仍然具有挑战性。雾天图片细节信息丢失,目标与背景混合,导致雾天目标检测任务难以定位与识别,容易造成漏检与误检问题。文章基于YOLOv9算法进行优化,结合AOD-Net去雾算法,在端到端的框架下,实现了从雾天图像输入到目标检测结果输出的一体化流程;提出GNAM模块,实现注意力权重的精细化调控,关注目标关键特征,避免误检;在Neck层使用BiFPN特征融合网络捕获目标的语义和位置信息,提高特征图质量,减少雾天环境下的漏检问题。更好地满足在雾天环境目标检测需求。实验结果表明,在RTTS数据集上的mAP@0.5和mAP@0.5:0.95分别达到了82.6%和61.8%,能够有效应对雾天场景下的目标检测任务。

关键词： 施工道路提取   特征增强   语义分割   Transformer   图像处理  

摘要： 针对施工道路影像中因背景信息复杂导致道路提取错分、漏分及边缘粗糙的问题,提出了一种融合多元特征的E-TransUNet模型施工道路要素提取方法。E-TransUNet模型通过设计多元特征增强模块对图像特征信息进行增强;在模型下采样中融入空洞空间金字塔池化(atrous spatial pyramid pooling,ASPP)模块,增强网络对道路影像多尺度特征的提取能力;跳跃连接部分加入卷积注意力(convolutional block attention module,CBAM)模块,从不同维度上捕获道路特征之间的相关性;最后组合采用Dice loss和CE loss作为损失函数解决样本数量不均衡问题。结果表明,该方法对施工道路要素的提取在OA、MIoU和MPA指标分别达到了93.30%、80.37%和91.19%,相比其他网络U-Net、DeeplabV3+、Swin-Unet、HRNet和SegFormer提取效果更好,为施工道路提供了准确的要素提取方法。

关键词： 宽带雷达   相参积累   尺度效应   拉东-傅里叶变换   宽带缩放的拉东-傅里叶变换  

摘要： 在高速运动目标的检测中,信号在长时间累积中会在距离域和多普勒域引起跨距离单元走动和跨多普勒单元走动问题。“两跨”问题会严重影响积累增益,为解决此问题近些年已涌现出很多方法,但是已有研究大多针对的是窄带条件下的“停走”回波模型,没有考虑目标速度对回波的尺度伸缩影响,以此类研究中经典的拉东傅里叶变换(RFT)算法为基础提出了一种新的长时间相干积累方法,即宽带缩放的拉东傅里叶变换(WS-RFT)。深入研究了尺度效应对脉冲压缩性能的影响,分析了传统RFT变换的距离和速度偏移,并与WS-RFT算法的检测性能相比较。最后设计了仿真实验,证明了所提出的WS-RFT算法可以极大地提高宽带雷达对远距离、弱和高速度目标的检测性能。

关键词： 目标检测   密集交通   小尺度目标   局部遮挡   直方图特征蒸馏  

摘要： 密集交通场景下的多类交通参与者目标检测仍是一项颇具挑战的视觉任务,对于交通管理和安全至关重要。为此,针对密集交通参与者的局部遮挡和小尺度特点,提出一种深度神经网络检测算法DSODet。首先采用轻量化的CSPDarkNet网络提取交通图像特征;然后设计了多尺度特征融合上采样模块以增强对难检测目标的表达能力;随后增加高分辨率检测分支来提升对小尺度目标的检测能力;最后,提出直方图特征蒸馏训练方法,通过最小化教师模型与学生模型相同层特征直方图的交集比,来有效引导学生模型训练,实现参数优化与轻量化。实验结果表明,DSODet对交通参与者的平均检测精度为66.9%,对局部遮挡的小尺度目标为13.0%,均超越现有主流算法,模型参数量仅为2.9 M,体现了对边缘设备的友好性。相关代码将在https://***/XMUT-Vsion-Lab分享。

关键词： 图像处理   图像增强   伽马校正   曲线调整   图像融合  

摘要： 针对夜间、逆光、恶劣天气等条件下图像通常存在亮度低、对比度低和细节匮乏等问题,提出一种非线性自适应暗部细节增强算法,用于低光照图像的自适应增强。首先,为保持图像色彩的真实性,将原始图像转换至HSV空间,并提取亮度分量V;针对低光照图像亮度不足且对比度较低的特性,采用改进伽马校正算法对图像进行自适应亮度调整;随后结合低通滤波算法,提出亮度自适应对比度增强算法,对高频细节部分进行自适应增强,凸显暗部区域的纹理和边缘信息;最后,提出一种亮度引导的自适应图像融合算法保证高光区域的边缘细节,避免过曝。实验结果表明,所提算法能够更好地适应低光照环境的图像特性,不仅有效提高了低光照图像的亮度和对比度,而且在保留色彩真实性的同时,凸显了暗部细节。

关键词： 配电网隐患   MobileNet注意力   位置注意力   移动端部署  

摘要： 配电网无人机巡检移动端设备需要准确实时地识别巡航路线上的安全隐患。无人机采集和拍摄到的图片背景复杂、尺度变化大,因此准确、及时地检测出隐患类别是一个挑战。提出了一种改进YOLOv5s算法,设计了注意力移网络(Attention MobileNet)来替换YOLOv5s的主干网络,用于配电网安全隐患的实时检测。针对配电网复杂的背景特征和隐患特征多样性的特点,需对关键区域进行关注,在模型的特征中融合位置注意力机制(Coordinate Attention),将其添加到YOLOv5s的检测头中,提高隐患检测分类的准确性。实验结果表明,所提出的改进网络模型内存占用量仅为原模型的85%,模型推理速度达到了30fps,满足实时性的要求。数据集平均精度均值(mAP)、精度(P)和召回率(R)分别为37.8%、69.2%和79.6%,mAP比原始模型提高了2.3%,高于SSD、FasterR-CNN等,满足实际的应用要求。

关键词： 深水检测   隐蔽病害识别   损伤识别   目标检测   人工智能  

摘要： 大坝长期服役过程中,在水环境和外部荷载的交互耦合作用下,其深水结构部位易出现各类缺陷病害,影响工程服役安全稳定和功能发挥。水下机器人搭载可见光相机,可以非接触形式实现结构损伤的高分辨率空间信息采集,如何从海量图像视频数据中提取结构损伤密切相关信息成为当前亟待解决的关键问题。结合机器视觉和深度学习理论方法,提出了一种兼顾检测精度和推理效率的大坝深水多类别缺陷实时目标检测方法。该框架以单阶段目标检测网络YOLOv5-s为基模型,构建大坝多类别缺陷识别器;利用模型稀疏化和剪枝策略,改变模型批处理层权重分布并去除模型冗余参数;进一步地,综合运用模型迁移和知识蒸馏理论,恢复由于剪枝压缩带来的精度劣化问题,据此构建出强背景干扰下大坝深水多类别缺陷实时检测方法。以某高坝深水探测工程为实例,引入多种深度学习目标检测算法作为对比,验证所提方法在障碍物遮挡、低可见度、光照不均等复杂深水检测场景的效果。案例分析结果表明,该方法可有效克服多种水下不利成像环境干扰,并准确辨识、区分不同类型缺陷,量化其真实尺寸。此外,剪枝后轻量化模型每秒可推理超过100张缺陷图像,具备较强的实时推理能力。

关键词： 开放世界目标检测   未知类目标检测   基于中心点的分组策略   形状感知   冗余度得分  

摘要： 针对开放世界目标检测中未知类目标预测性能不佳的问题,提出了一种基于形状感知与类平衡优化的开放世界目标检测方法。未知类指在训练阶段未标注的类别,由于缺乏标签的指导,未知类目标的检测是一个具有挑战性的任务。构建了一种未知类增强探测器,作为未知类检测分支,在训练阶段只利用已知类标签进行监督,让探测器学习已知类目标特征的相似性,进而推广到未知类目标。为了提高探测器对未知类的敏感度,利用区域生成网络(region proposal network, RPN)模块区分前景和背景的特性,使用特定筛选方式,从RPN输出中选择“具有未知类潜力”的结果作为伪标签参与探测器训练过程。由于缺乏置信度得分,传统非极大值抑制(non-maximum suppression, NMS)方法难以应用于未知目标的后处理,因此设计了一种冗余未知类目标框抑制器,该抑制器由基于中心点的分组策略和基于形状感知冗余度得分矩阵构成。其中基于中心点的分组策略包含三种根据未知类中心点的分组方法,用于确定抑制范围。接着根据组内每一个预测框的冗余度得分构建冗余度得分矩阵,从而抑制高冗余预测结果。在开放世界目标检测数据集上的实验结果表明基于形状感知与类平衡优化的开放世界目标检测方法在保证未知类召回率的同时,具有较高的未知类预测精度。基于形状感知与类平衡优化的开放世界目标检测方法能有效应对开放世界的难题,避免产生大量的无用预测结果。

关键词： YOLOv8   船只目标检测   可变形卷积   注意力机制  

摘要： 针对传统船只目标检测算法的精度较低、船只检测类别单一等问题,提出一种改进的DGA-YOLOv8海上船只目标检测算法。首先,网络采用可变形卷积扩大模型的感受野,通过引入可学习偏移量,使模型能够根据物体实际形状自适应调整感受野大小和形状,确保卷积区域能够精确覆盖船只物体的轮廓。其次,引入GAM(global attention mechanism)注意力机制,使网络能够有效突出船只目标的关键特征,提高目标识别能力。实验结果表明:改进后算法的精确度和平均精度均值(mAP)达到96.4%和92.2%,FPS(frame per second)为43.55,在提升精度的同时也保证了一定的检测速度,满足了实时性检测的需求。同时与其他主流算法对比,其中包括Faster R-CNN(faster region-based convolutional neural network)、YOLOv5s和YOLOv10等。结果表明:所提算法具有更高的平均精度和更显著的分类效果。

关键词： 地震数据   随机噪声   去噪   生成对抗网络   CycleGAN   图像处理   卷积神经网络   深度学习  

摘要： 针对实际地震数据被大量随机噪声干扰而难以获得配对的无噪数据问题,文中提出一种基于CycleGAN(Cycle Generative Adversarial Network)的地震数据随机噪声压制方法来获得高质量的地震数据。将残差网络引入循环生成对抗网络的生成网络中,通过跳跃连接形式加快网络的训练速度,并扩充残差块中的卷积层,增强残差块结构来更好地获取样本特征。对合成数据和实际数据分别进行实验,利用SNR(Signal to Noise Ratio)和MSE(Mean Square Error)等评价指标验证其去噪效果,并将结果与CNN(Convolutional Neural Network)去噪方法进行对比。结果表明,相较于CNN,所提方法的SNR、MSE和PSNR(Peak Signal-to-Noise Ratio)在合成数据实验中分别提升了0.59 dB、23.72、2.81 dB,在实际数据实验中分别提升了4.63 dB、1.13、0.77 dB,训练时间缩短约58%。