关键词： 杂草检测   YOLOv5   深度学习   目标检测   注意力机制   棉花保护  

摘要： 针对复杂环境下棉田杂草检测与识别困难等问题,提出一种改进YOLOv5的棉田杂草检测算法——CSTYOLOv5。首先,通过数据增强算法解决棉田杂草样本分布不均匀导致的模型训练效果不充分问题;其次,考虑到通道信息和方向位置信息,在主干网络中加入了坐标注意力机制;最后,在颈部网络中将Swin Transformer Block引入C3模块,得到新的C3STR模块,以保留全局上下文信息和多尺度特征。实验结果表明,CST-YOLOv5模型的mAP值达到95.1%,F1值达到90.4%,比原YOLOv5模型提高了4.8%、3.2%。所设计算法具有良好的鲁棒性,能精确识别多类杂草。

关键词： 机动目标跟踪   Singer模型   信息融合  

摘要： 水面目标在应对来袭反舰武器时通常会做出机动规避行为,在主动观测模式下,针对长探测周期间隙中获取机动目标信息缺失导致较大的解算误差,进而影响我方反舰武器的命中概率的问题,本文提出基于信息融合的Singer模型机动目标跟踪算法,将被动探测信息与主动探测信息相融合并构建虚拟量测值,通过信息的共享和互补,提升了目标量测信息的准确性。同时,为了避免边界条件导致算法发散,在滤波中引入渐消因子,提升了算法的鲁棒性。本文针对2种典型目标机动策略模型进行仿真验证,并进行对比分析,结果表明,在2种目标机动策略模型下,本算法相比于主动观测模式的解算结果在平均解算精度上分别提升了39.85%和45.71%,验证了本算法的有效性。

关键词： 红外图像   无人机检测   小目标检测   YOLOv8   轻量化  

摘要： 针对红外无人机目标识别过程中特征丢失严重、识别准确率低及模型较为复杂的问题,提出一种改进YOLOv8的红外无人机目标检测算法。首先,在主干网络引入可变形卷积,增强目标区域的特征表达能力。其次,提出了一种针对小目标的轻量级特征金字塔网络结构SOD-FPN,通过减轻网络层数和删除大型目标检测头来避免小目标信息丢失,还通过跨尺度连接和加权特征融合方法来增强模型多尺度特征融合能力。最后,选择基于Wasserstein距离的NWDLoss作为边界框损失函数,进一步提升模型的收敛性和检测精度。实验结果表明:改进算法的mAP50为99.4%,较YOLOv8 n提升了2.2%,参数量降低了72.8%,同时相较于其他先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性和先进性。

关键词： 遥感图像   目标检测   下采样   卷积核选择  

摘要： 【目的】针对通用目标检测器直接应用于遥感图像检测效果不佳的问题,提出了一种基于改进RetinaNet的遥感图像目标检测算法。【方法】算法结合了下采样块和卷积核动态选择的优势。首先,该模型在基础特征提取网络ResNet50上引入一个改进的下采样模块,对特征进行多种下采样处理;然后,采用卷积核选择机制动态选择空间感受野,以此对多尺度的语义信息进行建模;最后,得到目标物体的分类和回归结果。【结果】实验结果表明,该方法在大规模遥感图像目标检测数据集DOTA上的平均精度均值(mAP)比原RetinaNet网络提升了3.2个百分点。【结论】通过引入下采样模块和动态选择卷积核大小的机制在一定程度上改进了对多尺度遥感目标的识别能力。

关键词： transformer   注意力机制   目标跟踪模型   位置编码   孪生网络  

摘要： 为了充分利用模板和搜索区域之间的位置信息以及提高融合特征的表征能力,提出使用动态位置编码和多域注意力特征增强的方法.在注意力模块内部嵌入带有卷积操作的位置编码模块,随注意力计算更新位置编码,提高自身空间结构信息的利用率.引入多域注意力增强模块,在空间维度上使用不同空洞率和步长的平行卷积进行采样,以应对不同大小的目标物,并聚合通道注意力增强后的特征.在解码器中加入空间域注意力增强模块,为预测头提供更精确的分类回归特征.本算法在GOT-10K数据集上的平均重叠度(AO)为73.9%;在TrackingNet、UAV123和OTB100数据集上分别取得了82.7%、69.3%和70.9%的曲线下面积(AUC).与主流算法的对比结果表明,融合了动态位置编码和通道、空间注意力增强的跟踪模型可以有效提升模板和搜索区域间的信息交互,提高跟踪的精度.

关键词： 人工智能   图像处理   人脸识别   LBFH分类器   树莓派4B  

摘要： 人工智能的快速发展使得图像处理技术扮演着越来越重要的角色,其人脸识别算法的应用也越来越广泛。本文结合OpenCV计算机视觉库,首先介绍3种经典的通用人脸识别算法,即基于LBFH分类器人脸识别算法、基于特征脸EigenFace分类器人脸识别算法、基于鱼脸特征FisherFace分类器人脸识别算法;并在树莓派4B硬件的基础上,使用基于LBPH人脸识别方法,搭建能够快速进行追踪识别的人脸识别系统,为识别准确率要求不高的场景提供一种技术方案。

关键词： 背景不均匀校正   图像配准   图像去噪   目标检测   帧间关联  

摘要： 本文对地基望远镜序列图像进行不均匀背景校正、快速配准、空间卫星目标检测,在此基础上按时间序列对空间卫星目标进行正向目标关联识别,提取移动目标的运动轨迹,剔除伪目标点。在序列图像帧间关联过程中提出了剪枝的策略,对错误轨迹进行删除,避免了在搜索过程中出现的维数爆炸式增长问题,并对缺帧情况下的轨迹中断问题采用了反向关联的思想,在正向关联完成后,再按反向时间序列进行帧间目标关联识别。最后再把每一帧的正向关联识别结果和反向关联识别结果合并,实现对地基望远镜序列图像中目标的关联识别,降低了虚警率、提升了检测速率。结果表明:在虚警点数较多时,帧数越多检测越准确,目标数量越多速度优化越明显。通过试验证明,该方法检测结果与已知的标签结果一致。

关键词： 多帧去噪   视频去噪   光流对齐   感知损失   非局部注意力   图像处理   计算机视觉   深度学习  

摘要： 为有效地去除视频当中的噪声,减少纹理细节丢失,提出了一种基于光流和多尺度特征融合的级联视频去噪算法。通过分组策略对序列帧进行精准对齐,然后送入集成残差细化和可选择性跳跃连接的多尺度架构,实现细节特征的精确保留与高效融合,进而采用非局部注意力机制以深入挖掘视频帧的时空特征,重建高质量视频。同时为保留更多纹理细节,提出一种联合感知损失的目标函数监督训练。实验结果表明,所提算法的去噪结果可以保留更多的纹理特征,更符合人眼视觉的习惯。该算法在强噪声下具备鲁棒性高、计算量小的特点,可以满足实时去噪的要求。

关键词： 注意力机制   计算机视觉   深度学习   DETR模型   目标检测  

摘要： Transformer在自然语言处理中表现出优越的性能激励了研究人员开始探索其在计算机视觉任务中的应用。基于Transformer的目标检测模型DETR将目标检测视为一个集合预测问题,引入Transformer模型来解决目标检测任务,从而避免了传统方法中的提案生成和后处理步骤。最初的DETR在训练收敛和小物体检测方面存在速度慢、效率低的问题。为了解决这些问题,研究人员进行了多方面改进,提升了DETR的性能。对DETR的基本模块和增强模块进行深入研究,包括对主干结构的修改、查询设计策略和注意力机制的改进,同时对各种检测器进行比较分析,评估它们的性能和网络架构,探讨了DETR在计算机视觉任务中的潜力和应用前景以及目前存在的局限性和面临的挑战,并对相关模型进行分析与总结。根据目标检测发展的现状,分析注意力模型的优势与局限性,并对注意力模型在目标检测领域的研究方向加以展望。

关键词： YOLOv5   MetaAconC   轻量化   特征融合   BiFPN  

摘要： 无人驾驶汽车在近年来取得了巨大的进展和突破,环境感知技术作为无人驾驶汽车安全行驶的重要前提,则需要在行驶的过程中提前检测其周围环境,并快速且准确地检测出周围目标。基于此问题,提出基于改进YOLOv5的目标检测算法。将EfficientNetV2作为YOLOv5算法的主干特征提取网络;为了提高算法的收敛性,引入MetaAconC激活函数,并在Head中融合BiFPN,增加图像特征融合的多样性,不仅使算法模型减小了39%,更在精度上也有一定的提高。通过实验验证,相比YOLOv5原方法,该算法在保证目标检测实时性的同时具有更高的检测精度,且设备兼容性更好。