关键词： 反无人机   机器视觉   目标检测   目标跟踪  

摘要： 为提高“低慢小”无人机目标检测跟踪精度,提出一种基于YOLOv7和DeepSort框架的改进型无人机检测算法,在YOLOv7算法骨干网络引入了CBAM注意力机制提高特征提取能力,使用BiFPN加权特征金字塔替换PANet提高不同尺度特征融合能力,增加小目标检测层改善无人机检测精度。构建了天空、树林、建筑和阴暗条件4类背景的“低慢小”人机数据集,并进行测试实验。结果表明,改进型算法的检测部分mAP@0.5提升了8.6%,特别是对小尺寸、弱特征的目标检测精度提高了约21%;最终跟踪结果MOTA指标提高24%,正确输出的目标框占真实目标框的比例约70%。

关键词： 点云   三维目标检测   自适应特征池化   注意力机制  

摘要： 为解决点云三维目标检测算法中单阶段网络与双阶段网络在检测精度和检测效率之间难以平衡的问题,提出一种基于点云体素的伪双阶段三维目标检测网络—AFPNet。构建轻量化的中心热图模块预测目标中心点,去除传统区域建议网络中的锚框设置与非极大值抑制操作。为更好地利用多尺度体素特征,设计了AFP-Cross-Attention模块,通过设计的自适应特征池化(AFP)方法,在多尺度体素中提取高价值特征并进行交叉注意力计算,与全局注意力相比有效减少了计算量。基于AFP方法搭建了AFP-Transformer检测头,建模查询特征与高价值特征的依赖关系,提升网络精度。实验结果表明:在KITTI数据集上,所提方法在3种主要目标类别的平均精度均值(mAP)方面相较基准方法分别提升了1.43%、5.23%和4.41%,平均每帧推理时间为34.19 ms,有效缩短了单阶段和双阶段网络之间的精度差距,保留了良好的检测效率。

关键词： 深度学习   目标检测   检测变换器   Transformer   窗口注意力机制   多尺度   小目标   COCO2017数据集  

摘要： Transformer目标检测模型在小目标检测性能和训练收敛速度方面存在不足。为了解决这些问题,本文设计了一种多尺度窗口注意力机制,将其应用于检测变换器(detection Transformer,DETR)的Transformer中。这种机制为注意力计算引入了局部信息,有助于提取局部小目标的信息,并且降低了计算复杂度,使得DETR能够处理更高分辨率的特征图。本文提出的Windows DETR在COCO 2017数据集上取得了比DETR更优的性能,特别是在小目标检测方面,平均精度(average precision,AP)提升了3.2;同时,Windows DETR还加快了模型的训练收敛速度。

关键词： 视觉制导   目标跟踪   无人机   自适应   模板更新   搜索区域  

摘要： 为解决无人机制导中跟踪目标尺度变化大、外形变化大、推理速度慢、数据集缺失的问题,提出了一种面向无人机视觉制导的自适应目标跟踪方法。自适应搜索区域机制通过分析制导过程调整搜索区域解决尺度变化快的问题;自适应模板更新机制通过更新模板特征解决外形变化大的问题。此外,该方法在骨干网络引入FasterNet Block,在跟踪头引入无锚机制,减少推理的时间。最后,构建并公开了一个包含12个制导视频的测试数据集Guidance UAV以评估算法在视觉制导中的性能。实验结果表明,该方法不仅在通用无人机跟踪数据集UAV123上适用,而且在Guidance UAV上实现了最先进的性能,同时在机载设备Jetson Xavier NX上保持15 f/s的速度。室内无人机制导打击实验证明了算法的有效性。

关键词： 毫米波雷达   横向目标检测   自动驾驶   传感器融合  

摘要： 恶劣天气下,单一的毫米波雷达在进行近距离横向目标的检测时存在探测精度不准确、传感器损坏、稳定性差等问题,为此提出了一种基于双毫米波雷达融合的自动驾驶车辆横向目标检测和跟踪方法,在双车道同向行驶情况下,主车A融合两个毫米波雷达来检测横向目标车辆B的加速度、速度和位置;在误差允许的情况下,主车A进行横向目标障碍物的检测和跟踪,并在适当条件下完成A车换道并超车。仿真结果表明,融合毫米波雷达的自动驾驶车辆横向目标检测和跟踪方法具有准确度高、稳定性好的特点。

关键词： 目标检测   贝叶斯检测器   MIMO雷达  

摘要： 在未知杂波环境下,为实现良好的目标检测性能,通常需要大量独立同分布样本,以此精准估计未知杂波的协方差矩阵。但在实际工作场景中,对于配备多通道的雷达系统而言,获取足够数量的独立同分布训练样本颇具挑战。为了解决天线分置多输入多输出(multiple-input multiple-output, MIMO)雷达在训练数据不足时的目标检测难题,采用贝叶斯理论,将杂波协方差矩阵建模为逆威沙特分布,并采用广义似然比检测(generalized likelihood ratio test, GLRT)准则、Rao准则和Wald准则设计得到了3种贝叶斯检测器。结果表明,所提出的检测器均能实现在训练样本不足时的目标检测,在3种贝叶斯检测器中,基于GLRT准则得到的检测器的检测性能最优。此外,还得出了影响检测性能的关键物理量。

关键词： YOLOv8s   ODE   BiEO-Neck   小目标检测头   WIoU  

摘要： 针对无人机航拍图像中存在因背景复杂、尺度变化大、目标密集而导致的小目标检测率较低问题,提出一种新型双向加权多尺度动态无人机视角下小目标检测(BiEO-YOLOv8s)算法。首先,设计全新ODE模块来替代部分C2f模块,使其能更准确、更快速、多角度地定位目标特征。然后,设计双向加权多尺度动态颈部网络结构(BiEO-Neck),实现浅层特征与深层特征的深度融合。其次,添加小目标检测头,进一步提升特征提取能力。最后,采用广义交并比边界损失函数来替代原有边界损失函数,以增强边界框的回归性能。在VisDrone数据集上进行实验,与基础模型YOLOv8s相比,平均精度均值提升了6.1百分点,检测速度仅为4.9 ms,整体性能优于其他主流模型。通过在IRTarget数据集上的通用性测试,进一步验证了该算法在不同数据集上的有效性和适应性。所提算法能够高效地完成无人机航拍图像的目标检测任务。

关键词： YOLO算法   目标检测   计算机视觉   交通目标   交通安全  

摘要： 为了综合分析YOLO(You Only Look Once)算法在提升交通安全性和效率方面的重要作用,从“人-车-路”3个核心要素的角度,对YOLO算法在交通目标检测中的发展和研究现状进行系统性地总结.概述了YOLO算法常用的评价指标,详细阐述了这些指标在交通场景中的实际意义.对YOLO算法的核心架构进行概述,追溯了该算法的发展历程,分析各个版本迭代中的优化和改进措施.从“人-车-路”3种交通目标的视角出发,梳理并论述了采用YOLO算法进行交通目标检测的研究现状及应用情况.分析目前YOLO算法在交通目标检测中存在的局限性和挑战,提出相应的改进方法,展望未来的研究重点,为道路交通的智能化发展提供了研究参考.

关键词： 电力通信机房巡检   多阶段   超分辨率重建   多小目标检测   注意力机制   K-means++  

摘要： 提出了一种多阶段小目标检测方法。首先,利用轻量级目标检测网络YOLOX-m对待检目标进行快速检测,获取含有小目标的中间图像;然后,利用改进SRCNN(super-resolution convolutional neural network)超分重建算法对中间图像进行超分预处理操作,获取含有小目标的高分辨率图像;最后,构建基于深度可分离卷积核和通道注意力机制的轻量化小目标检测网络(small object network,SO-Net),并在模型训练过程中引入先验框聚类机制,以提高小目标检测精度。对电力通信机房巡检目标的测试结果表明,该改进SRCNN+SO-Net多阶段目标检测方法能提高小目标图像分辨率,平均检测精度均值、检测速度分别为91.72%、18.7帧/s,明显优于其他小目标检测方法。该方法为提高图像背景复杂条件下小目标检测精度和速度提供了一种新的技术手段和研究思路。

关键词： 目标检测   全局感知   下采样   上采样   外破隐患   输电线路  

摘要： 超高压架空输电线路在电力系统中至关重要,但常面临建筑施工、山火等外力因素引发的事故。这不仅损害了国家经济,影响电网稳定性,还对电力工作人员的人身安全造成威胁。基于深度学习的目标检测方法为检测外破隐患提供了新方案,但现有方法往往依赖局部邻域信息执行采样操作,限制了感知范围和表达能力。为解决这一问题,提出了一种基于YOLOv10的实时全局感知增强方法GAE-YOLO,旨在提高超高压架空输电线路外破隐患目标的检测精度。针对传统方法中局部感知的局限,设计了2个新的上下采样模块:全局感知下采样模块(GADM)和全局感知上采样模块(GAUM)。GADM通过学习特征图的全局空间信息生成全局感知权重,优化下采样过程的感知性能;GAUM则通过利用深层特征图的通道信息生成全局感知权重,动态增强采样点的隶属关系,有效突出目标边界。为验证GAE-YOLO的有效性,构建了一个针对超高压架空输电线路外破隐患的大规模数据集,并在该数据集上取得了93.05%的平均精度均值(mAP),相较于基线模型mAP提升了5.13%。实验结果表明,GAE-YOLO能够显著提高外破隐患目标的检测精度,具有重要的应用价值,为电网安全运行提供了新的技术支持。