关键词： 舰船检测   SAR图像   轻量化   RT-DETR   小目标检测  

摘要： 在舰船检测任务中，SAR图像因其优异的成像条件而广泛应用于海洋资源管理、海上救援等场景。然而，由于舰船目标尺寸较小、海面杂波等问题，传统目标检测算法的性能表现不佳。最近，许多算法的做法是引入Transformer的注意力机制，以实现更好的语义解释；或采用较为复杂的网络结构，以提高特征提取能力。这在一定程度上改善了检测精度，却牺牲了检测速度。文中提出了一种基于小目标特征增强RT-DETR的SAR图像舰船目标检测方法。方法由以下三部分组成：1）大模型提示生成网络：借助多模态大模型的零样本学习能力，生成提示以提取图像模态中更具判别性的信息；2）AIFI-EAA模块：以RT-DETR为基线，改进尺度内特征交互模块，引入高效加性注意力机制，降低算法计算复杂度；3）轻量化小目标特征增强融合网络：在多尺度特征融合网络中加入小目标检测层，设计CSP-OmniKernel模块进行多尺度特征融合，提升小目标的检测性能。在SSDD、HRSID和SAR-Ship-Dataset三个公开数据集上进行实验验证，结果表明所提出的方法在准确性上具有优势。

关键词： YOLOv5S   深度学习   车窗状态   目标检测  

摘要： 为提高复杂交通场景下车窗状态的自动化识别精度，提出了一种基于改进型YOLOv5S的车窗状态检测模型。该检测模型在骨干网络中嵌入CA注意力机制模块使模型能够更精准地聚焦车窗边缘、开合角度等关键区域特征；使用BiFPN模块替换FPN模块以增强其特征融合能力，通过双向跨尺度连接与可学习权重机制，实现了多尺度特征的动态优化融合；采用EIoU损失函数替代原CIoU损失函数，通过增加中心点距离惩罚项与宽高比解耦优化策略，有效解决了重叠区域回归偏差问题。与YOLOv5S基础模型相比，改进后的模型在自建的车窗状态数据集上取得显著性能提升，识别准确率提高了1.4%，召回率提高了2.1%，平均精度均值mAP@50提高了2.4%，从而验证了所提出的改进策略的有效性。

关键词： 小目标检测   YOLOv8   残差门控机制   特征转换   特征融合  

摘要： 小目标检测是计算机视觉中极具挑战性的任务，现有的检测算法复杂度高、计算量大且检测精度低导致了漏检和误检的问题，本文针对小目标的独有特征提出了LDF-YOLO算法以提高检测精度并降低漏检率。首先是对Head部分的改进，在特征融合网络中引入了特征转换模块，设计了针对微小物体的检测头LP-Detect；其次，借鉴残差门控机制和局部特征增强机制设计了LR-C2f模块，增强模型提取局部特征的能力；最后，融入了局部特征增强模块，以强化骨干网络提取小目标信息的能力。在公开数据集Tiny Person上，LDF-YOLO比原YOLOv8在mAP0.5上提高了4.5%，召回率提高了5.5%，实验结果验证了改进方法的有效性，同时在NWPU VHR-10和VisDrone2019数据集上做了泛化对比实验，经实验表明各项指标均有提升。

关键词： 自动驾驶   3D目标检测   多模态融合   可变形交叉注意力机制  

摘要： 近年来，随着新能源汽车的快速发展，3D目标检测作为自动驾驶技术的核心基础正变得愈发重要。融合雷达点云与图像等多模态信息的策略，能够显著提升目标检测的准确性与鲁棒性。受BEVDet启发，本研究提出了一种基于BEV（鸟瞰图）视角的改进多模态融合3D目标检测方法。该方法采用ConvNeXt网络结合FPN-DCN结构高效提取图像特征，并通过可变形交叉注意力机制实现图像与点云数据的深度融合，从而进一步提升模型的检测精度。在nuScenes自动驾驶数据集上的实验表明，本研究模型性能优异，在测试集上的NDS达到了64.9％，显著超越了大多数现有检测方法。

关键词： 红外图像   无人机   小目标检测   YOLO11   特征融合  

摘要： 针对无人机红外图像中小目标热信号微弱、背景干扰复杂及尺度变化剧烈等问题，本文提出一种改进的轻量化检测模型VSA-YOLO11n。该方法以YOLO 11n为基础，设计精简高效的骨干网络结构VanillaNet，以提升特征提取效率并显著降低推理延迟；在特征融合阶段引入结构化多尺度卷积模块，增强模型对复杂背景下不同尺度目标的感知能力；同时结合自适应空间特征融合检测头，实现跨尺度语义信息的精细聚合与选择性增强，从而提升模型对小目标的检测准确性与鲁棒性。在HIT-UAV红外小目标数据集上进行系统实验评估，结果表明，所提模型在精度、延迟与参数规模三方面均实现优化，mAP50达81.3%，推理延迟控制在1.79 ms，整体性能优于现有主流轻量化检测算法，尤其在满足高实时性需求的低空红外场景中表现出良好的实用性与可部署性。

关键词： 单幅图像去雨   计算机视觉   生成对抗网络   U-Net  

摘要： 大多数基于深度学习的单幅去雨方法将去雨视为简单的端到端映射问题，并未充分利用图像内在的先验信息，导致去雨效果不理想。对此，提出了一种结合图像频率先验与条件生成对抗网络的单幅图像去雨网络。该网络的生成器基于改进U-Net设计，判别器中引入了图像的频率信息作为条件约束，使其引导生成器生成更清晰的去雨结果。实验结果表明，该方法在公开雨水数据集上的定性评估和定量评估结果均优于现有方法。

关键词： 探地雷达   人工智能   目标检测   深度学习算法   卷积神经网络  

摘要： 采用探地雷达对典型路段的路面裂缝识别并定位。通过钻芯取样与铣刨观察结合的方法验证,构建了包含728张雷达图像的数据库;采用YOLO v8l算法学习裂缝特征,通过在YOLO v8l算法的基础上引入注意力机制和修改激活函数,克服了路面裂缝图像特征多变、噪声杂波明显等对于智能判识造成的干扰,同时消除了模型的过拟合现象;对算法修正后,模型的计算参数增多,计算效率提升,修正算法的识别精确度和召回率分别达到99.4%和92.3%。训练过程中平均精度均值与损失函数的震荡幅度较小,表示该数据集标注原则统一,证明了采用该方法识别路面裂缝的有效性与可靠性。

关键词： 上下文引导   轻量化高效聚合   检测头   损失函数  

摘要： 在复杂的水下环境中，针对传统YOLO目标检测方法检测性能差等问题，提出一种基于改进YOLO11的水下目标检测模型。首先，通过引入上下文引导模块CGBD，采用多尺度特征提取器增强网络捕获能力；其次，为解决网络中特征冗余导致参数量过大的问题，设计轻量化高效聚合模块RGCSPELAN为模型减负；针对原有检测头定位识别能力不足且计算成本较高的问题，通过融合重参数化策略与细节增强卷积构建轻量高效的DEC-Head检测头。此外采用Wise-Inner-MPD损失函数提升模型的泛化能力并加速收敛。在URPC数据集中的实验结果表明，相较于基准模型YOLO11，本文提出的方法在mAP50和mAP50-90平均精度均值上分别提升了2.4和2.1个百分点。并且在RUOD数据集的实验结果中，本文所改进模型平均精度均值mAP50相比YOLO11提升了1.3%，召回率R提升了1.5%，较其他主流检测方法能够展现出更优的水下目标检测性能。

关键词： 计算机视觉   场景文本图像   文本检测   端到端文本识别   特征信息关联  

摘要： 在复杂自然场景的端到端文本识别中，由于文本和背景难以区分，文本检测的位置信息和识别的语义信息不匹配，无法有效利用检测和识别之间的相关性.针对该问题，本文提出双域感知下多方显式信息协同的自然场景端到端文本识别方法（Multi-party Synergetic explicit Information with Dual-domain Awareness text spotting,MSIDA），通过强化文本区域特征和边缘纹理，利用文本检测和识别特征之间的协同作用提高端到端文本识别性能.首先，设计融合文本空间和方向信息的双域感知模块（Dual-Domain Awareness,DDA），增强文本实例的视觉特征信息；其次，提出多方显式信息协同模块（Multi-party Explicit Information Synergy,MEIS）提取编码特征中的显式信息，通过匹配对齐用于检测和识别的位置、分类和字符多方信息生成候选文本实例；最后，协同特征通过解码器引导可学习的查询序列获得文本检测和识别的结果 .相比最新的DeepSolo(Decoder with explicit points Solo,DeepSolo)方法，在Total-Text、ICDAR2015和CTW1500数据集上，MSIDA模型的准确率分别提升0.8%、0.8%和0.4%.代码和数据集在https：//github. com/msida2024/MSIDA. git可以获取.

关键词： 目标检测   微塑料   小目标   改进YOLOv8   注意力机制   特征融合  

摘要： 针对依赖扫描电子显微镜的深度学习检测方法因成像时间长导致效率低下、检测算法难以在实时性、检测效率与精度之间取得平衡，以及微塑料检测中缺乏适用于光学显微镜图像的科学深度学习数据集等问题，本文提出了基于YOLOv8s算法框架改进得到的YOLOv8-REM算法，并构建了一个科学的微塑料光学显微镜图像数据集。在算法的改进方法中，首先，通过减少YOLOv8s骨干网络层数，以减少深层卷积对微小目标信息的损失，防止小目标信息淹没在深层特征中，使网络更聚焦于浅层特征，从而提升了网络对小目标的检测能力与运行速度。此外，引入高效多尺度注意力模块，该模块利用指数加权的方法通过对特征图进行加权平均，强调重要特征并抑制不重要特征，逐步更新特征图的表示，使得模型能够更好地捕捉长期依赖关系和动态变化，提高模型对关键信息的关注度，从而增强模型对微小目标特征的捕捉能力。最后，设计多尺度特征融合模块，通过融合多尺度特征来补充小目标信息，进一步优化了检测性能。实验结果表明，YOLOv8-REM算法的平均检测精度（mAP@0.5:0.95）达到78.4%，较原始YOLOv8s提升5.2个百分点，参数量减少27.03%。在确保算法实时性的同时，实现了对显微镜图像水体微塑料的高效、精准检测。