关键词： 目标跟踪   注意力机制   跟踪轨迹   目标遮挡   相似物干扰  

摘要： 针对单目标跟踪中因目标遮挡与相似物体干扰导致的跟踪性能下降问题,本文提出一种基于Transformer与跟踪轨迹的目标跟踪算法。该算法以Vision Transformer(ViT)作为主干网络,为缓解Transformer在特征提取过程中对背景信息敏感的问题,引入一种聚焦层以调整注意力分布,增强目标区域的权重并抑制背景噪声;同时设计了混合注意力模块,对模板与搜索区域进行特征解耦,模板区域采用自注意力机制强化目标特征,搜索区域则通过交叉注意力融合全局上下文信息。此外,算法引入一种基于跟踪轨迹的后处理器,将历史跟踪结果序列构建为目标轨迹,并利用卡尔曼滤波评估预测边界框的可信度。若可信度高于设定阈值,则直接输出预测框;否则对预测框及候选框进行反向跟踪,生成多条轨迹并计算其与目标轨迹的匹配度,择优选择边界框以优化跟踪结果。训练阶段采用EIoU损失函数进行边界框回归,进一步提升定位精度。实验结果表明,所提算法在GOT-10K数据集上的平均重叠率(AO)达到74.6%,在UAV123数据集上的精度(P)为91.4%,同时在LaSOT、TrackingNet和OTB100等数据集上也表现出优良的跟踪性能。可视化结果验证了该算法在遮挡与相似物干扰等复杂场景下仍能保持稳定与准确的跟踪效果。

关键词： 目标检测   深层网络   路径聚合   特征信息   特征强化  

摘要： 在深度网络的前馈过程中,输入数据的特征信息会被抽象和压缩,导致部分对于目标检测关键的特征信息被弱化。基于YOLOv11n,提出了深度特征强化与路径聚合优化的目标检测方法。首先,设计全局-局部特征增强模块GLFEM(Global-Local Feature Enhancement Module),结合特征图局部特征与全局特征,强化深层网络特征的表达能力。然后,设计自适应特征增强模块AFEM(Adaptive Feature Enhancement Module),根据特征的可靠性动态增强深层网络的特征提取能力。最后,对路径聚合特征金字塔网络进行优化,融合了不同层次之间的特征信息,减少了层次之间的语义信息差。在VisDrone,NWPU VHR-10和TinyPerson这3个公共数据集上的实验结果表明,该方法的平均检测精度相较于当前先进的目标检测器均有所提升。在自建数据集AirportTiny上进行实验,该方法同样取得了不错的效果,具有良好的泛化能力。

关键词： 道路障碍检测   YOLOv11   特征动态融合   可重参数化  

摘要： 道路障碍检测对车辆驾驶操控的稳定性与行驶的安全性极为重要,针对路面复杂纹理和异物多样性导致的误检、漏检及小目标物体检测精度不足问题,提出基于YOLOv11的改进道路障碍目标检测模型(PATD-YOLO)。设计融合双主干网络,其中MCPStem(multi-convolution pooling)模块共享浅层特征,HGNetV2作为第二主干引入动态卷积增强参数表达能力,特征动态校准融合(feature dynamic aligning merge)模块消除多源特征空间差异,实现高效特征融合。设计小目标物体增强特征金字塔,增加P2层高分辨率特征图,采用SPDConv切片操作保留小目标信息,设计GLAFI(global-local aggregate feature information)模块进行特征整合模块融合浅层细粒度与深层语义特征。引入可重参数化卷积(reparameterizable convolution)设计了重参数轻量化检测头(reparameterized lightweight detection head),提高参数利用率。实验结果表明,在参数量与计算量基本不变的情况下,改进算法在自建数据集与RDD2022公开数据集上的检测精度mAP@0.5相较于基准算法分别提升3.0和4.3个百分点,均超越了主流算法,并且检测速度达到131.6 FPS,能够满足车辆检测的实时性要求。

关键词： 无人机   目标跟踪   轨迹规划   可视区域   视点优化  

摘要： 在无人机目标跟踪任务中,实时规划一条安全、有效且具有高度目标可见性的轨迹,是实现目标稳定跟踪的关键.为保证无人机在复杂未知环境下实现目标稳定跟踪,提出一种无人机主动观测轨迹规划方法.首先,使用预测模型获得一系列离散的未来目标轨迹点;其次,根据当前环境地图信息,在每个目标轨迹点周围生成可视区域和初始视点,并设计一系列代价函数对视点进行优化;最后,结合每个目标轨迹点的最优视点位置约束对无人机跟踪轨迹进行优化.仿真结果表明,所提出方法能够在各种复杂环境中完成目标实时稳定跟踪任务,较好地解决了现有方法存在的目标被遮挡问题.

关键词： 改进SURF算法   无人机遥感图像   图像配准   图像处理  

摘要： 为解决无人机遥感图像畸变大的问题,设计了基于改进SURF算法的无人机遥感图像配准方法。在无人机遥感成像原理的支持下,获取无人机遥感图像样本,通过去雾、几何校正、去噪等步骤完成初始图像预处理。利用改进SURF算法提取无人机遥感图像特征,度量参考图像与待配准图像之间的特征相似度,确定空间变换形式。最终在粗-精配准模式下,得出无人机遥感图像的配准结果。通过配准效果测试实验结果得出,综合局部图像、旋转图像和缩放图像三种类型样本,与传统配准方法相比,优化设计方法得出配准图像的峰值信噪比提升约50%,正确配准率提高3.7%,证明优化方法在图像配准效果方面具有明显优势。

关键词： 钢带   缺陷检测   目标检测   改进YOLOv8   卷积模块   注意力机制  

摘要： 针对人造板连续压机生产线的钢带表面缺陷类别多、特征不明显导致的误检及漏检等问题,提出一种改进YOLOv8模型。引入扩张残差(Dilation-Wise Residual,DWR)模块,利用两步残差特征提取方法,提高分割中多尺度信息捕获效率;利用扩张残差分割(Dilation-Wise Residual Segmentation,DWRSeg)网络改进卷积模块,重构上下文特征融合网络的Bottleneck结构,提高网络对复杂特征的提取能力;使用强语义信息对特征上采样,拼接包含详细信息的特征,增强网络对上下文信息的获取效率。实验结果表明,6种钢带表面缺陷的平均精度均值mAP达到80.3%,与原YOLOv8模型的77.0%相比有一定增长。

关键词： YOLOv8   目标检测   注意力机制   C2f模块   RFCBAM   无人机  

摘要： 无人机反制系统中,无人机目标具有显著的多尺度特征,特别是在小目标检测方面,往往检测精度较低;针对此问题提出一种基于动态样本注意力尺度序列的YOLOv8n优化改进算法YOLOv8-C2f-RFCBAMConv;分析了目标无人机在多尺度和小目标识别中的挑战,提出通过改进主干网络和融合C2f-RFCBAMConv模块来优化特征提取能力,提升多尺度特征处理能力;采用RFCBAM机制,并引入残差融合和上下文注意力机制,提升了特征表达能力并减少计算复杂度;此外,使用WIoU损失函数改善了小目标低质量数据对梯度的影响,加快了网络收敛速度;实验结果显示,改进模型在自采无人机数据集上的mAP@0.5和mAP@0.5∶0.95分别提升了3.1%和1.7%,GFLOPs提升了0.7,表现出更高的检测精度和更低的计算复杂度。

关键词： 清晰度评价函数   自动对焦   目标检测   图像处理  

摘要： 在单目视觉对机器人末端执行器进行姿态测量的过程中,末端执行器的移动往往会导致相机离焦,从而使合作靶标特征点提取出现失真问题,进而影响姿态求解精度。为解决这一问题,文章提出了一种基于深度学习的目标适应自动对焦方法,并选用Laplacian函数作为清晰度评价函数。该方法首先通过爬山法使用大步距对图像整体进行粗对焦,实现图像基本清晰;然后,采用基于Swin Transformer的图像检测算法提取目标区域作为对焦窗口;最后,基于目标区域,采用两步式搜索策略确定最佳对焦位置。实验结果表明,利用文章所提出的方法可以完成对感兴趣目标区域的稳定、高精度自动对焦,实现复杂场景下目标物体的清晰成像,提升机器人末端执行器姿态测量精度。

关键词： 无人机   目标检测   SPDs-Conv   C2f_SKAttention模块   动态检测头  

摘要： 针对无人机视角下,检测目标尺寸小、尺度跨度大、复杂场景导致的互相遮挡等检测难点,提出一种基于YOLOv8n的改进目标检测网络。引入空间深度卷积SPD-Conv并对其进行轻量化改进,得到SPDs-Conv,在提升小目标检测性能的同时有效降低模型的参数量;设计C2f_SKAttention模块进行多尺度信息的动态调整,实现更好的信息融合;采用一种全新的动态检测头策略,将各类目标的检测头进行了有机统一,降低由复杂场景产生的遮挡等情况对检测的影响。在VisDrone2019数据集上实验得出,改进后的模型在6.9×10~6参数下实现了49.7%的平均精度,较基准算法提高了15.1个百分点;并具有41 FPS的推理速度,能够实现实时检测,同时相较于其他算法,该算法能够达到更高的检测精度。改进后的模型在Jetson AGX Orin设备上也达到了49.3%的平均精度,推理速度达到28.7 FPS,验证了其效率和对实时嵌入式边缘平台目标检测任务的适用性。

关键词： 遥感影像   轻量化目标检测   EfficientNetv2   多层特征金字塔   超参数搜索  

摘要： 针对现有轻量化模型对遥感影像内小目标检测精度较低的情况,提出一种基于改进EfficientNetv2的轻量化遥感影像的深度学习目标检测方法。首先在EfficientNetv2的基础上使用焦点层对输入特征图进行无损下采样处理,然后引入动态卷积核代替网络中常规卷积核;在特征融合过程中,使用多层特征金字塔网络代替现有特征融合网络,进一步提高不同尺寸目标的检测精度;在模型训练过程中,通过超参数搜索来获取最优的训练参数。实验结果表明,所提出轻量化遥感影像目标检测方法在检测精度方面优于当前主流的轻量级模型,并且具备有限算力条件下实时检测目标的能力,在城市规划、应急救灾等方面具有重要的应用价值。