关键词： 汽车检测系统   物理对抗攻击   深度学习   计算机视觉  

摘要： 为保护个人车辆的隐私信息,实现汽车伪装,对基于视觉的汽车检测系统进行物理对抗攻击。在3D对抗攻击框架的基础上,对攻击算法的目标函数进行优化设计,提升3D对抗纹理在多视角多场景设定下的攻击效果,设计针对天气变化的带权分层颜色映射网络,使对抗纹理能够在训练流程中表达在天气参数下的颜色反应,从而进一步增强攻击在物理世界实现的鲁棒性。进行了数字和物理实验。结果表明:基于视觉的汽车检测系统在本算法攻击下检测的平均召回率降低了49.4%。从而,本算法优化出的对抗纹理具备的物理世界可实现性,能够在物理世界实现使检测系统的准确率下降至少38.7%。

关键词： 计算机视觉   工人高处攀爬   不安全行为   识别模型   一维卷积神经网络(1DCNN)   人体姿态估计  

摘要： 为精准识别高处作业人员攀爬过程中出现的不安全行为,提出一种基于视觉的工人高处攀爬不安全行为识别模型,由人体姿态估计算法和一维卷积不安全行为识别算法组成。人体姿态估计研究者采用量子化自编码器对人体关键点进行结构化建模,实现人体关键点坐标的检测;结合高处作业安全行为知识,基于一维卷积神经网络(1DCNN)模型构建高处攀爬不安全行为识别算法,并通过实验进行验证。结果表明:该模型在人员无遮挡情况和有部分遮挡情况下,分别达到93.91%和90.34%的精度;与支持向量机(SVM)、K最邻近算法(KNN)相比,该模型具有更强的泛化能力。

关键词： computer vision   adversarial examples   adversarial attack   adversarial defense  

摘要： Recent years have witnessed the ever-increasing performance of Deep Neural Networks(DNNs)in computer vision ***,researchers have identified a potential vulnerability:carefully crafted adversarial examples can easily mislead DNNs into incorrect behavior via the injection of imperceptible modification to the input *** this survey,we focus on(1)adversarial attack algorithms to generate adversarial examples,(2)adversarial defense techniques to secure DNNs against adversarial examples,and(3)important problems in the realm of adversarial examples beyond attack and defense,including the theoretical explanations,trade-off issues and benign attacks in adversarial ***,we draw a brief comparison between recently published surveys on adversarial examples,and identify the future directions for the research of adversarial examples,such as the generalization of methods and the understanding of transferability,that might be solutions to the open problems in this field.

关键词： 遥感图像   弱小目标检测   YOLOv8   动态聚焦机制   多维注意力  

摘要： 遥感图像的目标检测在各领域有着广泛的应用场景,由于遥感图像中检测目标存在形态多变、弱小目标较多以及背景复杂等原因,导致遥感图像在目标检测方面存在检测精度识别不高、模型参数过大等问题。为提升算法对遥感图像目标的检测准确率以及缩减算法模型量,提出了动态聚焦多维注意力检测算法——YOLO-WiseGOD。在YOLOv8n基线网络中使用WIoU(Wise-IoU)构建动态聚焦机制的边界框损失,弱化因几何因素导致的梯度增益泛化能力不足的问题,在协调高低质量锚框竞争力的同时,使之适用于聚焦普通锚框,提高网络模型检测的定位能力。在网络末端融合改进的L-ODConv(Leaky ReLU-Omni-Dimensional Dynamic Convolution)多维注意力机制,避免梯度锯齿问题,在减少模型参数的同时,优化输出特征和卷积权值的调制,提升网络加权特征融合。在主干网络中引入轻量化注意力模块C2FGhostV2,在更好地捕捉输入特征图中的多尺度特征和全局上下文信息的同时,保持较低的参数量和计算复杂度,更好地平衡训练精度和模型量之间的关系。所提算法在遥感数据集NWPU VHR-10(Northwestern Polytechnical University Very High Resolution-10)和RSOD(Remote Sensing Object Detection)上进行实验验证,对比当前主流算法模型YOLOv8n,其平均检测准确率(mean Average Precision,mAP)分别提高了2.0%和2.3%,模型参数量减少4.5%,计算量减少10.9%,能有效提高遥感图像中微小目标的检测精度和实现一定的模型轻量化。

关键词： 迷彩伪装士兵   目标检测   Yolov5s算法   双立方插值  

摘要： 伪装目标检测在军事作战中扮演了关键角色,针对现有迷彩伪装目标检测方法精度不高、漏检误检等问题,提出一种改进的Yolov5s算法。在特征提取网络中融合SE注意力,选择性增强目标的关键信息,抑制背景环境的干扰因素。引入SPPFCSPC替换原池化方式,生成多尺度特征,在加快速度的同时增加检测精度。采用双立方插值取代最近邻插值,以减少上采样过程中丢失的图像细节。实验结果显示,改进的算法在一种公开的迷彩伪装数据集上的mAP、Recall分别达到96.9%和93.8%,较当前研究有显著的提升。

关键词： 目标检测   多谱段融合   近红外图像   光照感知   注意力机制  

摘要： 基于红外/可见光融合的方法能够有效改善道路交通、安防监控等开放场景下的目标检测的效果。现有方法较少针对红外/可见光差异性设计特征交互机制,使得检测的精度和鲁棒性受限。因此,设计了一种基于双流结构的红外/可见光图像融合网络,充分考虑了不同模态图像间的差异,通过提取和融合不同模态图像的多层次特征信息,实现开放环境下目标的精准识别。针对可见光图像质量容易受到环境光照变化影响的问题,设计了轻量化的图像光照感知模块,通过权重分配函数动态调整红外/可见光的融合权重,提高了融合算法的适应性和准确性。同时,设计了无参数的3D注意力模块,以自动识别网络所提取特征的通道和空间重要性,并根据模态间的重要性不同分配不同的融合权重,其能够在不增加网络参数量的前提下提高网络融合的效果。此外,构建了一套近红外/可见光数据集(NRS),为开放场景的目标识别任务提供了更多源的数据。最后,在自主构建的数据集NRS和公开数据集M^(3) FD上对模型进行了一系列测试。结果表明,所提方法检测精度分别达到93.5%,92.2%(mAP_(.50)),能够为开放场景中的目标精准探测识别提供支撑。

关键词： 目标检测   YOLOv5   水蜜桃   多尺度特征信息提取   背景信息增强  

摘要： 人工智能和计算机视觉的发展给农业智能装备研究带来了新的革命。研究复杂环境干扰下,自适应水蜜桃幼果检测算法对于打造智能化套袋系统具有重要意义。针对上述问题,在YOLOv5目标检测系统的基础之上,创新性地引入了多尺度特征信息提取模块(ResXUnit)和背景信息增强模块(BABlock),设计了目标检测模型YOLOv5-C3ResXUnit-BABlock。在自制的幼桃数据集上与主流的YOLOv5、YOLOv7和YOLOv8模型进行了对比实验,并针对模块创新进行了消融实验,实验结果证明了模型创新的有效性。

关键词： 数字图像处理技术   建筑设计   可视化交流   三维建模  

摘要： 数字图像处理技术在建筑设计领域的应用日益广泛,其优势在于提高设计效率与质量、激发设计灵感与创新、促进可视化交流与展示以及支持建筑文化遗产保护与修复。通过三维建模与渲染、材质与光照效果模拟、虚拟现实与增强现实应用等技术手段,数字图像处理技术实现了建筑外观设计与视觉模拟、建筑环境分析与优化以及建筑结构分析与安全性评估等多方面的应用。但技术应用也面临技术局限性、数据处理复杂性、软硬件资源限制和跨学科合作需求等挑战。针对这些挑战,本文提出加强技术研发、优化数据处理流程、提升软硬件资源配置、加强跨学科合作等对策。

关键词： 目标跟踪   光谱降维   胶囊网络   高光谱视频  

摘要： 针对现有高光谱视频跟踪算法在目标尺度变化时表现不佳的问题,提出一种基于光谱降维和特征融合的高光谱视频目标跟踪算法。首先,计算目标局部光谱曲线的差值并结合特征值排序和阈值设定获取目标光谱曲线;随后,利用目标光谱曲线与高光谱图像进行光谱角距离计算来实现降维;之后,利用改进的多尺度胶囊网络提取多尺度特征,为利用不同尺度的信息,将降维生成的掩模进行多尺度特征融合;最后,将融合的多尺度特征输入分类和回归胶囊,利用模版更新机制增强跟踪的稳定性和鲁棒性,使得所提算法能够更好地应对尺度变化带来的挑战。实验结果表明,所提算法在应对尺度变化挑战时具有优越性。

关键词： 建筑工人目标检测   半监督目标检测   数量质量权衡   单阶段目标检测  

摘要： 建筑工人目标检测对于提升建筑施工安全具有重要的应用价值。随着智慧工地的推广,施工区域的视频监控覆盖率不断增加,获取大量未标注的建筑工人图像变得更为便捷,而有标注数据图像依然稀缺而昂贵。半监督学习方法是解决有标注数据缺乏问题的有效办法。然而,施工环境中存在着环境混乱、目标遮挡以及监控画面可视度低等问题,导致半监督目标检测模型在伪标签生成阶段难以平衡数量与质量。已有的半监督目标检测算法大多基于两阶段目标检测模型设计,未能满足对建筑工人检测实时性的要求。为了解决上述问题,提出了一种针对施工场景设计的单阶段半监督建筑工人目标检测算法。首先,将半监督目标检测应用于建筑工人目标检测任务,有效解决了标注数据缺乏的问题。其次,提出软阈值优化方法,为低置信样本分配权重,从而扩充伪标签的数量。接着,引入图像信息熵概念来评估样本检测难度,并提出自适应阈值选择算法以根据样本难度调整伪标签的阈值,进而提高训练初期的伪标签质量。最后,通过增加残差特征金字塔网络和上下文增强模块提升对小目标的检测能力。实验证明,在自建的施工区域建筑工人检测数据集上,所提出的算法在解决单阶段半监督建筑工人目标检测问题方面表现出显著优势。