关键词： 神经元   图像处理   边缘梯度  

摘要： 阐述一种基于异质界面检测器模型（HID模型）的边缘梯度提取方法，以提升边缘检测的准确性和鲁棒性。该方法首先利用HID模型来分别计算图像水平和垂直方向上的边缘梯度。然后，为整合这两个方向的信息，采用选择较大值的原则，将水平与垂直边缘梯度图合并为一张最终的边缘梯度图。验证结果表明，所提方法具有更高的准确度，证明了HID所提取得到的瞬间变化特征信号更能反映边缘特征。

关键词： 注意力机制   时空融合   热红外目标跟踪   多模态目标跟踪  

摘要： 目标跟踪作为智能感知领域中的核心技术,在智能安防、体育赛事分析、无人系统等多个领域中发挥了重要作用。随着军民需求的日益增长,目标跟踪的研究价值也愈发显著。然而,现有的目标跟踪方法在面临遮挡、背景杂波以及目标形变等挑战时会出现漂移甚至直接失效,这主要由于现有的目标跟踪方法提取判别性特征困难、跨模态互补信息融合不足、时序信息利用不充分以及难以平衡精度和效率。针对上述挑战,本文以注意力机制和时空联合建模为基础,研究了热红外目标跟踪方法和可见光-热红外的联合跟踪方法,主要内容如下: (1)提出一种基于坐标序列生成的热红外跟踪方法。该方法在统一特征提取与融合过程的基础上,提出多层次渐进式的融合模块用以增强语义信息和多尺度特征。利用结合坐标序列特征的因果Transformer解码器生成目标序列,设计动态模板更新策略应对目标外观变化,引入自适应损失函数提高跟踪性能。实验结果表明,该方法在VOT-TIR2015、PTB-TIR和LSOTB-TIR数据集上的准确率分别为0.780、0.866和0.853。 (2)提出一种基于热红外引导提示的高效RGBT跟踪方法。该方法引入坐标信息进行隐式建模,省略解码器、传统分类头和回归头。此外,提出热红外引导提示的融合模块,将特定于热红外模态的信息传递至可见光模态,实现自适应的提示融合。利用通道注意力模块抑制冗余的通道特征,并且利用得分预测分支克服目标外观的变化。实验结果表明,该方法在RGBT234和Las He R数据集上的精确率分别为0.892和0.715。同时,该方法的运行速度为65FPS,实现了精度与效率平衡。 (3)提出一种基于多重注意力机制的自适应RGBT跟踪。该方法利用自适应全局融合模块挖掘跨模态的全局信息并适应不同大小目标。其次,通过双通道特征注意力融合模块精细调整多模态特征,通过渐进式交互注意力模块实现跨模态时空融合。实验结果表明,该方法在RGBT234和Las He R数据集上的精确率分别为0.896和0.726。

关键词： 显著性目标检测   计算机视觉   边缘检测   深度学习  

摘要： 为了高效利用深度特征信息辅助显著性检测，实现对不同尺度特征信息的融合，本文提出了一种基于CDINet算法改进的RGB-D图像显著性目标检测算法。首先，添加了多尺度特征融合模块用来加强编码器和解码器之间特征信息的传输，有效减少浅层特征丢失，通过辅助解码器的跳跃连接获得更多的显著物体的特征信息。接着，在CDINet的网络结构尾部连接了一个循环注意力模块，通过使用面向记忆的场景理解功能，逐渐优化局部细节。最后，对损失函数进行调整，使用一致性增强损失（CEL）处理因为不同尺度特征融合产生的空间一致性等问题，并在不增加参数的情况下均匀突出显著区域。实验结果表明，改进后的模型与原CDINet算法模型相比，在LFSD数据集上的F-measure提高了0.6%,MAE下降了0.4%；在STERE数据集上的F-measure提高了0.4%,S-measure提升了0.5%。相对于其他算法模型，本模型基本满足检测性能更好、适应性更高等要求。

关键词： 水上目标   高光谱图像   材料光谱分析   水域提取   特征波段选择   目标检测  

摘要： 水上交通事故频发以及水上搜救任务复杂性的增加使得传统的人工搜索、航空遥感、卫星遥感等目标检测手段在水上救援场景中面临诸多局限。现有的水上目标检测的图像处理方法主要基于目标空间结构和颜色信息的提取和分析。然而,当目标距离较远且形态特征模糊时,目标检测效果往往不佳。高光谱成像技术不仅能提供空间形状信息,还通过多个波段同时成像反映图像中单个像素的光谱信息。利用高光谱图像中像素的光谱信息,能够直接反映出不同材质目标在光谱上的差异,进而提高目标检测的精度。本文研究基于高光谱成像技术实现不同材质水上目标的精确检测的方法,主要工作如下。 （1）水上目标材料统计与成分分析。本文调研统计了水上搜救任务中常见的典型目标,主要包括救生圈、救生衣、遇险人员衣物、救援船等。采用傅里叶变换红外光谱仪,对目标材料进行成分分析,结合化学键振动模式及官能团特征研究分析水上目标材料的光谱吸收与反射机理。 （2）水上目标高光谱图像数据集构建与光谱反射特性研究。针对水上搜救任务的需求,本文模拟了水上搜救场景,采集并构建了高质量的高光谱图像数据集,研究光谱反射数据提取方法,构建了水上典型目标材料的光谱反射曲线数据库。基于高光谱图像分析技术,研究水上目标和水面背景的光谱特性,并对干燥和浸湿的目标材料的光谱反射曲线进行采集处理和对比分析。应用Savizkg-Golag平滑滤波和多元散射校正方法,对高光谱数据进行预处理,以有效减少噪声和光照变化、非均匀采样等因素引起的干扰。 （3）高光谱水域背景提取与特征波段选择。针对陆地背景区域对水上目标检测的干扰,本文研究分析了六种水域背景提取方法。实验结果表明,增强型水体指数方法具有较为明显的优势。提出一种改进的掩膜方法,该方法定义了一个过渡宽度,在掩膜值上引入渐变过渡,以实现更平滑的图像掩膜,有效减少了传统掩膜方法导致的高频噪声。针对高光谱图像波段多、数据处理复杂等问题,本文提出一种结合曲率与相似性抑制的波段选择方法。与三种经典波段选择方法的对比实验表明,本文方法在平均信息熵、平均信噪比和计算效率等性能指标上均具有较为明显的优势。 （4）水上目标高光谱检测方法研究。通过对水上搜救场景中典型目标材料光谱的研究,构建目标材料的光谱特征向量数据库。提出一种基于多尺度马氏距离差值的高光谱目标检测方法。首先,将目标材料光谱特征向量作为目标先验信息输入到模型中。然后,通过多尺度空间分析方法,在每一个尺度下计算像素与背景和目标之间的马氏距离,取二者的差值,并将每个尺度下的检测结果进行融合。最后,结合平方操作和高斯滤波方法,增强目标区域的信号强度,抑制噪声。在十种包含不同目标的数据集中进行五种方法的对比实验。实验结果表明,所提方法在大部分数据集中均具有最高的检测率和最低的虚警率以及较好的均方根误差值和峰值信噪比值,且平均检测率和平均虚警率分别达到了92.38%和3.24×10-3%。

关键词： 道路地下目标   探地雷达   YOLOv8  

摘要： 为减少道路塌陷事故发生,需要对道路地下病害和基础设施等隐蔽目标定期探测,探地雷达(Ground Penetrating Radar,GPR)凭借其无损、分辨率高和探测效率高等特点已广泛应用于道路地下目标探测。目前探地雷达图像以人工识别为主,存在识图时间长、效率低,不同识图人员标准不一,易发生错判和漏判等问题,而随着计算机视觉和深度学习的发展,目标检测算法成为了快速识别探地雷达图像的新方法。本研究结合探地雷达和目标检测算法开展道路地下目标检测研究,获得的主要研究成果如下: (1)通过探地雷达正演模拟软件gpr Max对包含管线、脱空和疏松三种目标的道路结构模型进行正演模拟,获得不同模型的沿不同测线方向的剖面和三维剖面,通过对比沿最旁侧测线方向剖面和沿中间测线方向剖面,可知探测位置对探地雷达图像的影响;通过对比不同条件下的沿中间测线方向剖面和三维剖面,可知不同条件下的探地雷达图像特点。总结出的各种目标探地雷达图像特点为后续道路地下目标检测研究中的图像标记提供参考。 (2)采用LTD-2600型二维探地雷达现场探测获得管线、脱空、疏松和井室的探地雷达实测图像,筛选后通过水平翻转、压缩至0.8倍、拉伸至1.25倍、顺时针旋转5度和逆时针旋转5度这五种几何变换方式对探地雷达图像进行数据增广,裁剪所有图像后使用目标检测标注工具Label Img进行标记,共形成含有3738张探地雷达图像的目标检测数据集。通过搜集期刊和论文中的四种目标的探地雷达图像组成含有80张图像的测试集,用于检测模型对其他地区探地雷达图像的识别效果。 (3)采用“你只看一次版本8”(You Only Look Once version 8,YOLOv8)对道路地下目标进行检测,并从添加注意力模块和替换损失函数两个方面对模型进行改进。YOLOv8的检测结果表明,在本文使用的数据集上,YOLOv8n的检测精度和速度相对最优。改进YOLOv8n的检测结果表明,只有在骨干网络输出处添加简单无参数模块(A Simple,Parameter-Free Attention Module,SimAM)的模型(YOLOv8n-SimAM-B)的检测精度和速度才均有提升。YOLOv8n-SimAM-B在由期刊和论文中的探地雷达图像组成的测试集上的检测结果表明,YOLOv8n-SimAM-B的检测精度和速度相比于在原测试集上的检测精度和速度均有所下降。相比于YOLOv8n,YOLOv8n-SimAM-B对道路地下目标的检测精度和速度相对更高,能为道路地下目标检测提供更好的技术支撑。此外,在YOLOv8n-SimAM-B和PyQt的基础上,创建了一个道路地下目标检测界面,简化了目标检测流程。

关键词： 显著性目标检测   特征增强   多尺度融合   边缘引导   特征信息关联  

摘要： 显著性目标检测旨在用模拟人类视觉检测出图像中的显著目标。现有模型大都使用分层网络结构来提取多尺度特征信息,如何高效地利用这些多尺度特征信息是一个重要的研究方向。目前的方法使用了多种多样的特征融合方法来处理这些信息。但是平等对待所有的特征信息或是反复使用相关网络模块,不仅会弱化上下文关联性,还可能导致检测的显著主体区域缺失。此外,现有方法存在计算效率问题,模型需要在保持精准度的同时满足实际应用如边缘设备的性能需求。为此,本文提出了基于EfficientNet的显著性目标检测方法研究,主要工作如下: (1)针对目前模型存在检测主体缺失的问题,提出了显著特征增强网络(Salient Feature Enhancement Network,SFEN),该网络基本创新有以下几点。首先,我们引入边缘特征增强模块,专注于强化浅层特征中的边缘像素,可以避免过多处理导致性能下降。其次,引入显著目标注意模块,通过对相邻特征进行尺度融合,用于高效地增强特征信息,避免显著性目标的主体缺失。最后,提出了细节多尺度融合模块,结合窗口注意力和自注意力来细化显著目标的细节,同时减少编码器和解码器输出之间的分布差异,提高整体的预测效果。我们在6个常用显著性目标检测数据集上进行了测试。我们的模型在DUTS-TE数据集上的平均F-measure和MAE分别达到0.897和0.027,在HKU-IS数据集上的E-measure和MAE分别达到了 0.963和0.023,均优于先进方法。 (2)针对现有网络存在计算开销问题,提出了基于轻量多级融合和边缘引导的网络(Lightweight Fusion and Edge Guided Network,LFEGNet)。首先,提出了轻量多级融合模块,与现有方法融合阶段处理所有特征不同,该模块仅处理靠近深层的特征,既减少了计算开销,又保留了深层特征的有效信息。其次,提出了显著辅助模块,通过和浅层特征交互来弥补浅层特征信息差异。最后,提出了基于边缘引导的损失函数,通过对边缘区域施加自适应权重,强化网络训练过程中对边缘等细节区域的检测效果。与SFEN相比提升了约6倍的训练速度,同时实现了相当的性能。在DUTS-TE数据集上的平均F-measure和MAE分别达到0.887和0.026,在HKU-IS数据集上的E-measure和MAE分别达到了0.962和0.024。

关键词： YOLO v8   芽眼检测   种薯   目标检测   EMA注意力机制  

摘要： 针对传统目标检测算法在马铃薯种薯芽眼检测中易受泥土覆盖、表面破损以及环境因素等影响，造成检测效果差的问题，提出了一种YOLO v8＿EGW模型，在自制的马铃薯数据采集试验台上实现了芽眼的快速准确检测。在YOLO v8的主干部分引入EMA注意力机制来提升马铃薯表面的芽眼特征提取能力；在YOLO v8的颈部网络中引入GD机制，并使其与C2F模块结合，加强对芽眼特征的信息融合能力，提升芽眼特征的检测能力；替换位置损失函数为WIoU损失函数，提高标记框的质量并进一步提升检测性能。结果表明，改进模型精确率、召回率、mAP@0.5、mAP@0.5:0.95分别为95.8%、92.7%、94.8%、73.0%,模型内存占用量为40.4 MB、检测速度为37.03 f/s。与同类目标检测模型(YOLO v4、YOLO v5、YOLO v6、YOLO v7、YOLO v8n)相比，其检测精确率分别高4.5、3.1、5.2、4.7、4.1个百分点，检测结果均优于其他模型。研究结果可为后续智能切种机的研发提供理论支持。

关键词： 水下无人探测   数据增强   水下目标检测   卷积神经网络  

摘要： 近年来,深度学习技术的发展对于水下无人探索起到了重要的推动作用。然而,由于水下环境的复杂性造成的光照低,波的散射以及水下目标自身的保护色等诸多干扰因素,使得智能模型对于相关水下目标的识别性能大幅度降低。为提高模型在水下环境中的自适应能力和对水下环境中前景目标的特征感知能力,本文做出以下工作: (1)针对提高模型在水下检测任务中性能的鲁棒性问题,本文结合传统图像处理,提出随机均衡数据增强(Random Equilibrium Data Augmentation,REDA)。REDA首先对水下图像进行随机性平移、翻转,以此改变水下图像角度的多样性。其次使用CLATHE和直方图均衡方法改变水下图像的RGB原始比例,提高水下图像的色彩多样性以及特征纹理强化,最后将角度和色彩处理进行随机组合产生更多新的水下图像,从而提高了水下数据的场景复杂性。本文将REDA以在线图像增强的方式应用于模型训练,从而提高模型对水下复杂场景的自适应能力。 (2)针对短时间且高效率的水下探测任务,对于模型算法的实时性有着较高要求。本文基于卷积架构的实时性优势,提出一种局部语义编码模块(Partial semantic encoding module,PSEM)和分割维度加权检测头(Split Dimension Weighting Head,SDWH)。PSEM可以在少量参数的情况下,通过局部卷积,提取更加精炼的语义特征,而SDWH可以对前景水下目标进行有侧重的加权,从而提高模型的感知能力。将PSEM和SDWH改进于YOLO系列模型,在保证模型实时性的同时,提高模型对于水下的检测性能。 (3)针对时间充足且需精确检测的水下探测任务,本文提出一种空间语义编码融合模块(Spatial Semantic Encoding Fusion,SSEF)。SSEF通过利用哈达玛乘法对空间特征语义进行强化,从而提高模型对前景目标的定位能力。在Transformer架构模型具有对于语义信息的强捕捉能力的基础上将SSEF与编码器组合,提出一种增强空间特征融合的模型Under water-DETR(UW-DETR)。 (4)针对模型算法在水下检测任务中的性能验证,本文把提出的模型方法与SOTA算法和基准模型在Brackish、UTDAC2020、RUOD水下数据集中进行训练测试。通过m AP、AP等指标分析算法检测性能,根据GFLOPS,Params等指标分析模型的复杂度和实时性。