关键词： 计算机视觉   域控制器   集成控制器   车辆性能   堆栈   系统集成芯片   dragon   自动驾驶  

摘要： LG推出汽车集成控制器平台2025年1月,LG与高通合作推出汽车跨域控制器(xDC)平台。该平台基于高通Snapdragon Ride™Flex系统集成芯片(SoC),预集成自动驾驶堆栈和计算机视觉,将LG车载倌息娱乐(IVI)系统与高级驾驶辅助系统(ADAS)整合到单一控制器中,重新定义车辆性能。

关键词： 激光雷达   目标检测   攻击方法   防御方法  

摘要： 激光雷达技术在自动驾驶、智能交通和环境感知等领域有着广泛应用。在自动驾驶系统中,利用机载摄像头和激光雷达等对周围环境进行感知,点云目标检测技术在环境感知方面发挥着重要的作用。近年来的研究指出,基于激光雷达的点云目标检测系统容易遭受欺骗攻击。然而,目前对基于激光雷达的点云目标检测的安全性问题的研究相对零散,设计的安全威胁场景、攻击方法和防御策略相互独立。基于现有研究工作,首次对基于激光雷达的点云目标检测的安全性进行了综述,主要关注该技术在实际应用中可能面临的安全挑战和解决方案。首先,全面回顾了基于激光雷达的目标检测和攻防理论;其次,从数字域和物理域双重视角分析了攻击方法,并对现有的防御策略进行了详尽的分类和总结;接着,介绍了该领域目前常用的数据集及评价标准;最后,结合面临的挑战和机遇,对基于激光雷达的目标检测安全的未来研究方向进行了总结和展望,为基于激光雷达的点云目标检测的安全研究的发展和应用提供参考。

关键词： 蒸馏塔   金属腐蚀图像   检测方法   Ostu算法   聚类中心   分割阈值  

摘要： 受到光照条件以及背景复杂度等多种因素的影响,金属腐蚀区域与背景区域混合,待检测区域较大,导致腐蚀检测质量不佳,信噪比较高,对此,提出基于改进Otsu算法的原油蒸馏塔金属腐蚀小目标检测方法。采用二维函数,对图像亮度进行描述,结合双边滤波算法提取出光照分量,引入伽马因子以及亮度均值,对光照分量进行校正。在原有分割标准的基础上,加入颜色特征与以及纹理特征参数,结合类间方差构建出分割阈值,从而实现金属腐蚀区域与背景区域的分离处理。将金属区域分割结果划分为不同的子单元,结合疑似腐蚀检验系数对每个子单元进行判断,通过迭代,更新腐蚀区域聚类中心,结合光照分量,输出腐蚀区域检测结果。仿真结果表明,该方法应用后,金属腐蚀图像处理信噪比更高,可以在每个单元下识别出重度腐蚀区域,并具备更为精准的检测效果。

关键词： 图像处理   图像分割   P系统   活性膜结构   北方苍鹰优化算法   进化规则  

摘要： 为克服优化算法易陷入局部最优和收敛速度慢的局限,提高扩展膜系统在图像处理领域的优化性能,提出一种基于扩展型活性膜系统(P system)的改进北方苍鹰优化(improved northern goshawk optimization,INGO)算法——PINGO.采用北方苍鹰优化算法作为基本膜中的进化规则,通过更新苍鹰的状态进化基本膜中的对象,将INGO算法作为局部进化规则来进化子膜中的对象.该系统根据活性膜自身的特点在基本膜中溶解或产生子膜,通信规则用于实现不同膜之间的信息交换与共享,避免算法陷入局部最优.在数据集BSD300和BSD500上,分别采用海鸥优化(seagull optimization algorithm,SOA)算法、灰狼优化(grey wolf optimizer,GWO)算法、INGO算法和PINGO算法,对不同优化阈值个数的图像进行分割.结果表明,PINGO算法在分割后的图像上的峰值信噪比均优于其他算法,特征相似度最优值也占了83%,在保持色彩与纹理的同时提高了分割的准确性.研究结果表明了所提彩色图像分割方法的有效性.

关键词： 合成孔径雷达(SAR)   舰船图像   旋转检测   注意力机制   YOLOv5  

摘要： 针对合成孔径雷达(SAR)小目标成像特征不显著、目标具有任意朝向易出现漏检、检测精度较低的问题,提出面向SAR舰船小目标的ES-YOLOv5检测算法.添加小目标检测层调整感受野大小,更适应小目标尺度特征,方便进行多尺度融合.引入EMA注意力机制重点关注目标关键信息,强化特征的表达能力.使用圆平滑标签(CSL)技术适应角度的周期性,实现了对角度的高精度分类.实验结果表明,在RSDD-SAR数据集上,该方法在交并比阈值为0.5时的平均检测精度达到90.9%,在提高SAR舰船小目标检测精度方面比基准算法YOLOv5提高了6%,显著改善了模型的检测性能.

关键词： YOLOv8s   目标检测   矿井   effectiveSE   安全帽检测  

摘要： 矿井下光照缺失、环境复杂,安全帽目标尺寸较小,导致一般目标检测模型对安全帽的检测效果不佳.针对上述问题,提出了一种基于改进YOLOv8s的矿井下安全帽佩戴检测模型.首先,将effectiveSE模块和YOLOv8s Neck层中的C2f模块相结合,设计得到新的C2f-eSE模块,提高了网络结构的特征提取能力,并用Wise-EIoU损失函数替代CIoU损失函数,提高了模型的鲁棒性;其次,在检测头中引入空间和通道重建卷积模块SCConv,并根据参数共享思想设计了新的轻量化SPS检测头,降低了模型的参数量和计算复杂度;最后在模型中增加一层P2检测层,使模型的特征提取网络融入更多的浅层信息,提高了对小尺寸目标的检测能力.实验结果表明,改进后模型的mAP50指标提升了3.2%,参数量降低了1.6%,GFLOPs降低了5.6%.

关键词： 目标检测   绝缘子检测   可变形卷积   注意力机制  

摘要： 针对目前绝缘子缺陷目标检测算法中存在的误检、漏检和检测精度低等问题,提出一种改进的YOLOv8绝缘子及其自爆缺陷目标检测算法。在YOLOv8模型原有的结构上添加了一个小目标检测头,使得网络模型对小目标物体更加专注。使用可变形卷积(Deformable ConvNets v2,DCNv2)替换了C2f模块中的普通卷积,使得模型可以更好地捕捉和感知被检测目标的特征。在主干网络中引入反向残差注意力模块(Inverted Residual Mobile Block,iRMB),使模型能够捕捉局部特征和复杂空间之间的关系,从而更加专注于检测目标的特征信息。使用Wise Intersection over Union(WIoU)作为损失函数,使得模型在训练时能够取得更好的效果,从而提高检测精度。在输电线路绝缘子数据集上,该算法的平均检测精度(mean Average Precision,mAP)提高至98.0%,相比于原始算法提高了2.9%,精确率和召回率分别提高至92.8%和94.8%。改进后的算法相比原始算法,特别是针对小目标缺陷的检测有明显提升,证明了算法改进后的可行性。

关键词： 深度学习   轻量化   YOLOX   目标检测   注意力机制  

摘要： 针对现有的车牌检测算法在复杂环境下检测多方向车牌效果不佳、实时性差以及模型参数量和计算量过大等问题,提出了一种基于YOLOX的轻量级多方向车牌检测算法。通过调整残差组件的数量,并采用大卷积核结合深度可分离卷积的方法,降低了主干网络的参数量。引入通道注意力机制,以有效提取通道交互信息,减少噪声的干扰。使用深度可分离卷积和调整扩展率的方法对特征融合网络进行轻量化处理。设计了旋转解耦头,通过添加角度预测分支,使其能够更精准地预测多方向车牌的旋转边界框。采用旋转IoU损失代替水平IoU损失,提高检测的准确性。CCPD数据集上的实验结果表明,改进算法的参数量和计算复杂度分别为2.38×10^(6)和12.97GFLOPs,相较于YOLOX-tiny分别减少了45%和33%,检测精度AP70为94.9%,每秒检测帧数为76.6FPS。改进后的车牌检测模型能够在保持高精度的同时实时检测多方向车牌。

关键词： 行人重识别   对抗学习   知识蒸馏   图像检索   计算机视觉  

摘要： 近年来,随着城市化进程的加速和社会经济的发展,公共安全问题也愈发引起人们的关注.为了保障社会稳定和公民生命财产安全,各地政府开始大力推进智能安防和智慧城市的建设.行人重识别就是构建智慧城市的核心技术之一,对安防监控和刑事调查申请具有重要意义.行人重识别旨在检索不同摄像头下捕捉到的特定人物.然而,由于光照、视角、遮挡和姿势等造成的类内差异,行人重识别在计算机视觉领域仍然是一项具有挑战性的任务.受限于数据和标记匮乏,已有的全监督行人重识别任务在模型层面上改进的方法效果基本达到瓶颈.引入更复杂多样且标记易获得的大型虚拟数据集来进行辅助训练,并提出了一种基于摄像头感知的非对称领域对抗学习方法,同时缓解领域间差异和多摄像头间类内差异的影响,使模型从更丰富多样的数据中学到摄像头差异无关的特征表示.此外,为了缓解虚拟数据集夹带的误导信息带来的不利影响和对抗训练中真实世界数据集的数据分布向虚拟数据集的数据分布发生偏移的问题,提出使用基于真实数据训练的辅助网络来约束主干网络的训练.实验在2个公开的数据集上进行验证,表明了所提方法的有效性.

关键词： 显著性目标检测   RGB图像   深度图像   深度学习   多模态图像处理  

摘要： 显著性目标检测是计算机视觉领域的基础问题之一,旨在对图像中最吸引人注意的目标进行检测和分割。随着深度学习技术的发展,基于RGB(Red-Green-Blue)图像的显著性目标检测算法取得了巨大进步,在简单场景下已经取得较为满意的结果。然而,局限于可见光相机的成像能力,RGB图像易受到光照条件的影响,且无法捕捉场景的三维空间信息。相应地,基于RGB图像的显著性目标检测算法通常难以在一些复杂场景下取得较好的检测效果。近年来,随着深度成像技术不断发展和硬件成本不断降低,深度相机得到了广泛应用。其捕获的场景空间信息,与可见光图像获取的场景细节信息相互补充,有助于提升复杂场景下显著性目标检测性能。因此,RGB-深度(RGB-Depth,RGB-D)图像显著性目标检测引起了学者广泛研究。本文对近期基于深度学习的RGB-D图像显著性目标检测算法进行了整理和分析。首先,分析了多模态RGB-D图像显著性目标检测所面临的关键问题,并以此对现有算法解决这些关键问题的主要思路和方法进行了总结和梳理。然后,介绍了用于RGB-D图像显著性目标检测算法研究的主流数据集和常用性能评价指标,并对各类主流模型进行了定量比较和定性分析。最后,本文进一步分析了RGB-D图像显著性目标检测领域有待解决的问题,同时对今后可能的研究趋势进行了展望。