关键词： 计算机视觉   深度学习   遥感图像   目标检测   YOLOv8  

摘要： 针对遥感图像背景复杂、尺度多变等特点导致目标检测精度低的问题，提出了一种基于改进YOLOv8的遥感图像目标检测算法。首先，基于YOLOv8网络框架，在骨干网络部分引入全局注意力机制，使模型更关注于重要区域，降低无用背景对模型的干扰；其次，采用一种明智的交并比作为新的边界框回归方式，减小低质量示例对模型的影响，提高模型的边界框回归水平；最后，在特征融合网络部分和头网络部分分别引入高效多尺度注意力模块和动态检测头模块，全面提升模型的尺度适应能力。实验结果表明，所提算法在公开遥感数据集DIOR和RSOD上均取得较高的检测精度，阈值为0.5的平均精度均值分别达到了72.0%和94.6%，并且改进后的算法具有较强的鲁棒性，当输入数据集改变时，仍能保持较好的检测性能。

关键词： 绝缘子   改进YOLOv8   注意力机制   目标检测   Insulator   Improved YOLOv8   Attention Mechanism   Object Detection  

摘要： 为了维持电力传输的可靠性、安全性和可持续性，绝缘子的缺陷检测成为电力巡检中一项重要的任务。为此，本文提出了绝缘子缺陷检测改进模型P-YOLOv8。通过集成Slim-neck模块和CBAM (Convolutional Block Attention Module)注意力机制模块，显著提升了模型对小目标物体的特征提取能力，从而更好地适应绝缘子缺陷数据集的特性。CBAM注意力机制模块的引入，使得神经网络能够更加聚焦于绝缘子缺陷信息的捕捉；Slim-neck模块是一种用于目标检测的神经网络结构，Slim-neck模块中的模块首先使用轻量级卷积，GSConv它强化了关键特征，使用深度可分离卷积降低了模型的计算成本。通过对YOLOv5和YOLOv8模型的对比分析，我们决定采用经过改进的P-YOLOv8模型作为绝缘子缺陷预测的优选模型。P-YOLOv8在精确度、召回率和mAP-kp上分别达97.2%、98.4%、99.3%，较YOLOv5显著提升。此外，P-YOLOv8在光照强度环境下表现优异，精确度、召回率和mAP-kp分别为92.17%、90.2%、97.6%，较YOLOv8有所提升，这些数据充分证明了改进P-YOLOv8模型不仅在网络模型精度上保持了高水平，同时对光线等复杂环境因素具有较强的鲁棒性。因此，它能够有效地应对复杂环境下的绝缘子缺陷预测任务，为绝缘子的安全监测提供了有力的技术保障。

关键词： 人员密集检测   人员行为遮挡检测   计算资源受限   类间遮挡和类内遮挡   增强位置注意力机制模块   特征金字塔串联汇聚模块  

摘要： 人员密集场景的目标检测在实时系统中至关重要，但面临硬件资源有限和遮挡问题，导致检测延迟和精度下降。本文提出了一种遮挡感知轻量级目标检测网络，包括主干、特征融合和输出预测三部分。该网络使用快速网络块提取特征，并通过位置注意力机制关注遮挡边界。主干部分的特征金字塔串联汇聚模块减少信息丢失，提高对不同尺度和遮挡人员的识别能力。特征融合部分采用分组洗牌卷积，优化特征流动而不增加计算负担。输出预测部分使用任务对齐单阶段目标检测方法，提升遮挡条件下的识别准确性。实验结果显示，网络在WiderPerson数据集上的召回率达66.8%，比YOLOv8-n高2.0%，且模型参数仅1.8M，运行效率优于其他模型。在UpDown数据集上，分类错误率和未检测目标错误率分别为2.6%和1.3%，低于YOLOv8的0.4%和0.7%。实验验证了该网络在资源有限设备中的高效性。

关键词： 目标检测   图像处理   深度学习   RTDETR   无人机图像  

摘要： 应对无人机视角图像的小目标检测存在误检漏检，检测性能差等问题，提出一种改进RTDETR模型。在主干网络融入由轻量级可变卷积核 （AKConv）和中值增强空间通道注意力机制组成BasicAK MECS模块，增强了特征提取效果；Neck部分引入Slim-neck，轻量化模型的同时提高检测的准确性和效率；在上采样部分，利用动态尺度序列特征融合（DySSFF）模块，提升小目标特征信息提取能力。损失函数使用Inner-SIoU，注入边界框的形状和尺度信息，增强边界框回归效果。实验结果表明，所提出的模型在 Visdrone2019数据集上的mAP和mAPs分别提升了2.2%和0.9%，有效提高了模型目标检测能力。

关键词： 注意力机制   Transformer   多光谱目标检测   跨模态   自适应特征融合   特征增强  

摘要： 多光谱目标检测技术通过融合来自不同光谱模态的图像（如RGB图像与热红外图像），以实现在低能见度等复杂环境中准确检测出物体。然而，现有方法在模态交互过程中往往会导致某一模态特征信息占据主导地位，以至于忽略或丢失另一种模态的关键特征信息，难以充分挖掘和利用不同模态之间的互补信息以及模态内固有的特定细节信息。此外，大多方法采用较为简单的特征融合策略，导致模型并不能有效区分和融合各模态的关键特征，限制了模型检测精度的提升。为解决这些挑战，提出一种跨模态自适应融合网络模型（Cross-modality Adaptive Fusion Network， CAFNet），该网络架构由跨模态交互Transformer（Cross-modality Interactive Transformer，CMIT）模块、多模态自适应加权融合（Multimodal Adaptive Weighted Fusion，MAWF）模块和3D注意力特征增强（3D Attention Feature Enhancement，3D-AFE）模块共同组成。其中基于Transformer结构设计的CMIT模块用于有效挖掘和利用模态间的互补特征信息和模态内的细节特征信息；MAWF模块用于实现高效的多模态特征自适应融合；3D-AFE模块则通过引入Non-local和SimAM注意力机制，增强模型对关键特征的全面感知能力。在FLIR、LLVIP和VEDAI多光谱数据集上的大量实验结果和消融研究证实了所提方法的有效性，且检测性能超越多个当前主流方法。

关键词： 目标检测   膝关节骨性关节炎   分布映射   YOLOv8   坐标注意力机制  

摘要： 膝关节骨性关节炎常因检查时分类不明确而导致误诊，影响治疗效果，现有的检测方法在检测精度和准确区分病变类别方面表现不佳。为此，本文提出一种基于YOLOv8改进的膝关节骨性关节炎检测分类算法，旨在提高检测分类的准确性。首先，设计了分布映射模块(V-PENet)，通过对输入的图像进行预处理，将复杂的数据分布统一映射成简单的数据分布，帮助YOLO网络更好的训练。同时，增添语义感知模块(PTB)，提升模型上下文感知能力，增强其对全局信息的理解。然后，引入CA坐标注意力机制，丰富特征信息，进一步增强模型对中尺度目标信息的捕捉能力。最后，采用WIoU v3损失函数替代原有的CIoU损失函数，优化定位精度。与基准模型YOLOv8n相比，准确率提升9.9个百分点，mAP@0.5达81.2%。相较其他检测方法，本文提出的改进模型在准确性上具有显著优势，能够更好地满足膝关节骨性关节炎检测分类的需求。

关键词： 双目测距   尺度不变特征变换   随机抽样一致性   目标跟踪   相对位置  

摘要： 为提高双目测距的精度与速度，提出了一种基于尺度不变特征变化（SIFT）与随机抽样一致性（RANSAC）的双目测距方法。首先基于YOLOv8（Ultralytics YOLOv8）进行目标跟踪，确定感兴趣区域并使用SIFT算法进行特征点匹配；其次基于匹配点对的横坐标、纵坐标以及位置特点设置图像矫正约束、视差约束、目标跟踪约束，进行第一次筛选；然后基于匹配点对间相对位置关系不变的特点，通过余弦相似度以及向量模的比值设置相对位置约束，进行第二次筛选；最后通过RANSAC算法进行第三次筛选并计算距离。实验结果表明，与传统的双目测距方法相比，提出的方法具有良好的稳定性及较快的运行速度。在20m的距离范围内，特征点匹配平均精确度为95.73%，测距平均误差为3.81%。

关键词： 水下目标检测   YOLOv7   特征融合   损失函数  

摘要： 传统的水下目标检测方法在复杂水下环境中面临诸多挑战，例如特征提取不准确、小目标检测效果差以及缺乏鲁棒性等问题。为了克服这些局限性，本文提出了一种适用于复杂水下环境的目标检测算法EEN-YOLO。首先，所提算法在YOLOv7网络的基础上引入了EVC模块，将底层特征与深层特征沿着通道维度相连接，扩大了感受野。其次，在检测头中增添Elan-Neck++结构，通过该结构中下采样模块提高了小目标检测精度。最后，采用NWD损失函数替换原算法中的CIoU损失函数，解决了原算法无法正确度量小目标边界框的问题。在公开数据集URPC上进行的实验结果表明，改进后的EEN-YOLO算法的mAP达到了88.3%。相比于YOLOv7、YOLOv8n、EfficientDet-d0、SSD，分别提高了3%、4.5%、7.8%和13.1%。

关键词： 树种识别   目标检测   特征提取   深度学习   YOLOv7  

摘要： 为解决目前大规模树种识别工作强度大、效率低且检测准确率欠佳的问题,本研究利用无人机采集的树冠影像,结合深度学习理论和网络剪枝技术,建立了高效的树种识别模型YOLOv7-Trees-T。以YOLOv7网络为基础,在特征提取网络中引入LSK(large selective kernel)注意力机制,在遥感场景中通过动态调整空间感受视野,模拟各种测距情景,提高检测精度;采用GSConv轻量级混合卷和一次性聚合VoVGSCSP模块重置特征融合网络,减少模型参数的同时实现特征多重利用;引入I-MPDIoU损失度量,解决在预测框与真实框具有相同宽高比,但宽度和高度值不同时导致损失函数无法收敛的问题,使模型更好地学习目标位置信息,提高模型回归效率;最后采用Network Slimming网络剪枝方法对模型进行剪枝微调,剔除对网络贡献率较低的通道,实现模型轻量化。研究结果表明,改进后的树种识别模型在数据集上平均精度达到96.39%,较原始YOLOv7模型提高了4.58%。通过使用网络剪枝方法,在保持检测精度的前提下,使浮点运算量和参数量分别下降了28.8%和63.4%,模型规模降低了63.6%。该算法模型能够利用无人机RGB图像快速准确识别树种,可为后续森林管理提供数据支持。

关键词： 唐卡图像目标检测   YOLOv8模型   级联融合网络   跨尺度连接   回归损失函数  

摘要： 唐卡中的元素绘制复杂且存在的多尺度情况会影响目标检测技术任务的准确度。为此,提出一种优化YOLOv8模型的唐卡元素目标检测方法。首先,采用级联融合网络提取图像特征,并将特征提取参数用于后续的特征融合,以有效增加参数利用效率;其次,借鉴双向特征金字塔网络的思想,在同一层的特征信息传递层中增加一条额外的路径实现跨尺度连接,以提升模型特征融合能力;最后,在检测头的回归损失函数中引入ElOU-Loss和ClOU-Loss,考虑边界框回归的多种因素,结合宽高和宽高比参数来提升模型目标定位效率和准确率。实验表明,优化后的YOLOv8模型相较于原有模型参数量、计算量分别下降7.21%、7.23%,mAP50、mAP50-95分别提升3.72%、4.55%;相较于其他目标检测算法优势明显;消融实验也验证了不同改进模块对模型的积极作用。