关键词： Exemplar Transformer   目标跟踪   特征增强   外观变化  

摘要： 近年来目标跟踪在学术研究和实际应用中具有巨大潜力,受到越来越多的关注并成为计算机视觉的热点研究方向。针对现有的目标跟踪算法在光照变化、遮挡和快速运动复杂背景条件下跟踪精度较低这一问题,提出一种结合多注意力机制的Transformer跟踪算法——TrKYS。引入多注意力模块捕捉目标在空间和通道维度中的特征,实现对目标特征上下文依赖关系的建模;通过多个不同空洞率的平行空洞卷积对特征图进行采样,以获得图像的多尺度特征,增强局部特征表达能力;构建Exemplar Transformer模块,利用模板化的空间信息和目标特征建立了外观跟踪模型。为了适应外观变化,该跟踪算法在连续帧中跟踪目标物体时会实时更新跟踪模板特征向量、运动参数和空间信息,提高跟踪定位的精度。在LaSOT、VOT2018、NFS、OTB-2015、TrackingNet和GOT-10k数据集上实验结果表明,与其他主流目标跟踪算法相比,所提算法具有更好的跟踪性能,特别是在TrackingNet上的跟踪算法(TrKYS)相对于基准跟踪算法(KYS)成功率提高了3个百分点。

关键词： 机器视觉   目标检测   辅助标记法   滚转速度  

摘要： 针对使用高速相机对目标进行跟踪拍摄时出现的“运动模糊”以及受相机视场影响使得拍摄范围较小两个问题,提出一种基于振镜系统的高速飞行目标滚转速度测量方法.该方法利用帧差法原理完善螺旋线辅助标记法,对目标进一步标记计算.实验结果表明,该方法对场地要求低,设备搭建简单,具有成本低、鲁棒性好等优点,在较为简单的条件下依然能很好地完成目标滚转速度的测量.滚转速度测量实验平均相对误差为0.63%,小于1%的精度指标,表明该方法是可行的,精确的.

关键词： 目标检测   双路径主干   池化注意力   全局特征融合颈部网络   Ghost检测头  

摘要： 常规单路径架构主干经过积极的下采样,往往导致特征信息的丢失。同时,仅依靠特征金字塔简单地相加或拼接不利于浅层到深层的特征集成。针对上述问题,提出一种并行双路径主干下全局特征融合的目标检测算法。采用双路径架构主干并行地提取空间与语义信息,并通过双路径融合模块,促进特征信息间的相互补充。顶部特征依次与金字塔池化多尺度池映射相加,利用注意力机制将多尺度池化特征聚集其中,进一步提高多尺度的检测性能。聚集全局尺度信息,利用自注意机制将其融入不同层特征,并重复多次以构建全局特征融合的颈部网络结构,有效提升颈部网络融合全局上下文信息的能力。头部采用Ghost Conv并结合通道混洗操作,维持模型性能的同时减少参数冗余。在KITTI、BDD100K和PASCAL VOC数据集上展开实验,所提算法的平均精度值相较于基线模型(YOLOv7-tiny)分别提高了3.5、3.4和2.7个百分点。实验结果表明,提出的算法提升了复杂场景下的检测性能,而且对算力等资源的要求较低。

关键词： YOLOv4-tiny   递归特征金字塔   目标检测   特征融合  

摘要： 无人机作为一种新兴的信息与物质传输工具,具有极高研究价值.受限于无人机硬件条件,嵌入无人机的目标检测算法需要轻量化的模型.在无人机目标检测中,往往存在目标尺度变化大,图像存在相移和目标遮挡的问题,导致检测精度降低.针对无人机目标检测精度低的问题,该文提出了一种基于YOLOv4-tiny的改进算法.该改进算法基于YOLOv4-tiny算法模型,融合了递归特征金字塔以加强特征语义表达,设计了可融合深层特征与浅层特征的特征转换和特征融合模块以增强算法性能,提升算法精确度.经Visdrone数据集训练、测试,mAP值达到了0.146,算法精确度优于其他同级轻量化算法.

关键词： 计算机视觉   无人平台   MobileNetV3   Focal Loss  

摘要： 计算机视觉技术是一门涉及计算机科学和图像处理的交叉学科,是深度学习和人工智能研究的重要部分,同时在工程应用中也具有巨大的潜力。视觉目标跟踪作为计算机视觉领域中的一个重要研究方向,广泛应用于无人驾驶、机器人和视频监控等领域。在无人平台中有限的计算资源环境下,为降低算法的参数量和计算量,提出了一种改进的Siam⁃ours目标跟踪算法,该算法采用了MobileNetV3作为特征提取的主干网络,同时为了解决训练过程中原有Contrastive Loss损失函数导致的样本不均衡问题,进而导致算法性能变差的问题,引入了Focal Loss损失函数。改进后的算法在测试集UAV123的精度和成功率分别提高了1.7和2.3个百分点。

关键词： 目标检测   YOLOv7-Tiny   解耦头   特征融合   小目标   海上船舶  

摘要： 针对海洋环境下无人艇载光学图像背景信息复杂、小目标,当前目标检测算法特征提取能力不足、定位能力弱、检测精度差等问题,提出了一种基于YOLOv7-Tiny的改进的海上目标检测算法。利用RepVGG在推理时的“无损耗”特性设计了特征提取模块RepELAN,在不影响推理速度的同时提升网络特征提取能力;改进特征共享融合网络,融合高分辨率特征图提升对小目标特征提取能力,裁剪低分辨率特征图减少网络推理计算量;针对网络在复杂环境下定位检测能力弱的问题,设计检测头模块,区分定位与分类2种解耦头,提升网络定位检测能力。在建立的船舶目标检测数据集进行实验,检测精度提升了6.2%,设计了模块消融实验与对比实验,论证了所提算法的有效性。

关键词： 无人机   小目标检测   YOLOv7   CARAFE   航拍图像  

摘要： 针对现有的目标检测方法在识别无人机航拍图像中的小目标时精度较低且存在漏检或误检的情况,提出一种基于改进YOLOv7的小目标检测算法。首先,改进网络检测头,去掉原本用于检测大物体的20×20尺寸的检测头,增加了一个160×160尺寸的针对于小目标的检测头,并相应修改网络特征融合的路径;其次,重构SPPCSPC结构,裁剪卷积层并更改池化结构、以降低模块复杂度,加快网络收敛速度;然后,用内容感知特征重组(CARAFE)算子替换原上采样结构,减少图像在上采样时图像信息的丢失,最大化保留输入图像的局部和角落信息;最后,改进ELAN模块,轻量化主干网络的同时提高网络对小尺度目标的敏感度。在公开数据集VisDrone2019上进行实验,改进后模型的mAP50值达到56.6%,相较于原YOLOv7模型提升了2.9个百分点,且参数量减少了33%。

关键词： 立体视觉   机器人   目标检测   图像增强   机器视觉  

摘要： 对于采用三维视觉系统进行金属铸件定位时,因工件反光引起成像过程中局部信息不稳定,导致位姿测量出现偏差的问题,提出一种基于立体视觉的6自由度(DOF)位姿测量方法实现机器人对反光金属工件的高精度位姿测量。构建了一个多关键点检测策略,能够同时完成立体视觉系统左右相机的二维定位,为三维位姿测量提供重构信息。通过引入基于生成对抗网络的图像增强算法,解决了工业领域小样本对象的图像数据采集困难问题。结合基于深度神经网络的目标检测与立体视觉三角测量法,完成工件三维位姿测量,解决了因不规则反光导致视觉系统对金属铸件位姿测量精度过低的问题。实验结果表明,所提方法有效地克服了工业生产过程中,因金属铸件镜面反射造成的信息采集不完整对视觉系统6DOF位姿测量的不良影响。

关键词： 目标检测   特征融合   边界框回归   轮胎生产缺陷   注意力机制  

摘要： 轮胎内部缺陷检测能够及时发现轮胎生产中存在的潜在问题,可为工艺调整及行驶安全提供有力保障。而轮胎X光图像中的缺陷目标具有多尺度、极端长宽比、形状各异且不规则、小目标多以及正负样本不均衡等特点,致使缺陷检测精度低。针对以上情况,提出一种基于高效编码器与多尺度特征融合的轮胎缺陷检测方法。首先结合可变形注意力机制和通道注意力机制设计一个高效的编码器,以增强特征提取和表示能力,然后构建多尺度特征提取和融合模块,融合浅层与深层特征信息,来保留重要上下文信息并增强特征表示的多样性,最后在模型训练中自适应边界框回归方法,动态分配难易样本权重,减少无效样本,实现模型快速收敛、提高模型泛化能力。实验结果表明,改进后模型在轮胎缺陷数据集上的平均精度(mAP)达到95.5%,较基线网络提高3.6个百分点,为轮胎缺陷检测的实际落地应用奠定了一定的基础。

关键词： 无人驾驶   目标检测   Swin Transformer   RRT   路径规划  

摘要： 无人驾驶车辆的行车路线规划存在着由于障碍物目标误识别问题,而导致行车路线的拟合出现误差。通过设计基于Swin Transformer网络的障碍物目标的实时识别,结合基于RRT*算法和贝塞尔曲线的路径拟合算法,提出了基于Swin Transformer的无人驾驶路径规划算法。以视频帧作为数据源,利用数据增强的方式构建障碍物图像数据集;在障碍物识别之后采用路径平滑优化完成路径规划。实验结果表明,使用本文算法进行路径规划的无人驾驶车辆的各项指标优于对比方法,且鲁棒性较好。