关键词： 自动驾驶   YOLOv8   通道注意力   轻量化  

摘要： 本文研究基于YOLOv8对自动驾驶目标的检测，引入了通道注意力机制，提升对关键区域的识别，并利用深度可分离卷积提高推理速度。详细分析了自动驾驶任务中的目标检测问题，包括轻量化和通道注意力机制的YOLO目标检测方法。实验结果表明：轻量化模型保持较高推理速度，但牺牲了一定的检测精度；通道注意力机制的模型提高了准确性，但推理速度略降。本文提出的改进方法满足了自动驾驶在复杂环境下的需求。

关键词： 目标跟踪   图注意力网络   二分图匹配   卡尔曼滤波器   轨迹关联   图模型  

摘要： 视频动态目标跟踪作为计算机视觉领域的核心研究方向,因图形处理器算力的持续突破与神经网络架构的飞速演进而受益良多,这项技术已深入应用于智能交通系统、工业检测和增强现实交互等前沿地带。但实际应用中仍面临诸多技术瓶颈:自然天气的变化、目标本身的形变以及场景遮挡、相似干扰的频繁发生,都给稳定跟踪带来严峻考验。图模型能够灵活建模复杂问题,且具有较强的上下文推理能力。本文主要研究从空间与时间两个角度上利用图模型加强跟踪方法的表征能力以及对目标干扰的判别能力,以此来提高目标跟踪的准确性。本文的主要研究内容和创新点如下: (1)提出了一种基于全局语义引导的图注意孪生跟踪方法。首先,为了平衡图注意力网络中节点约束和目标整体信息,设计了一个全局语义感知模块,从空间上运用注意力机制捕获目标的整体特征,旨在挖掘目标上下文之间的关系。将其通过相互关运算融入到语义引导图注意网络中,可以避免只关注节点之间的信息而不能有效表征目标的问题。其次,提出了一个极值点聚合模块,通过获取边界框上的极值点特征信息,弥补单点特征信息不足的问题,从而提高回归网络的精度。最后,为了在分类网络和回归网络之间架起桥梁,设计了一个分类回归对齐网络,将分类置信度与回归预测的交并比对齐,从而解决分类分支与回归分支错位的问题。在五个具有挑战性的基准数据集(GOT-10K,OTB100,La SOT,UAV123和TC128)上进行实验,并与先进的跟踪器进行性能比较,所提的方法在跟踪精度和执行效率方面表现出更优越的性能。 (2)提出了一种基于跨时空图匹配的目标跟踪方法。首先为了利用目标及周围环境的时间信息和空间信息,提出了一种目标干扰判定策略。通过利用历史回溯轨迹信息,将目标和干扰之间的关系建模成二分图最优匹配问题。将用于前向跟踪的目标和干扰的轨迹与候选目标的回溯轨迹之间的关系视为一个二分图,并利用轨迹之间的相似性来判断跟踪器是否在正确跟踪目标。其次,为了确保正确的目标存在于候选目标中,引入置信度增强的卡尔曼滤波器进行目标运动预测,对预测框进行加权,从而提高预测精度。该方法在七个具有挑战性的基准数据集上进行实验,就跟踪精度和执行效率而言,结果表明所提方法与其他跟踪方法相比表现出更卓越的性能。

关键词： 深度学习   计算机视觉   医学图像分割   预训练模型   知识蒸馏  

摘要： 医学图像分割在计算机辅助诊断系统中具有至关重要的作用,是医学影像分析的核心任务之一。近年来,随着深度学习的迅猛发展,基于深度学习的医学图像分割技术取得了显著进展,并在诸多医学场景中展现出卓越的性能。本文针对当前医学图像分割任务的挑战,深入研究基于深度学习的分割方法。本研究的贡献可概括如下: 首先,本文提出了一种基于预训练模型的知识蒸馏模型,该模型旨在通过知识蒸馏技术有效压缩和优化预训练模型,使其在保持高性能的同时降低计算成本。具体而言,本文设计了一种知识蒸馏策略,结合预训练视觉模型、全局特征空间和跨图像关系型知识蒸馏方法来提高模型的性能。通过预训练视觉模型来初始化教师模型,从而利用大规模数据集上训练的知识,提升模型的初始表现。然后,利用全局特征空间来捕捉图像中的细粒度信息,使学生模型能够学习到更为丰富和全面的特征表示。最后,采用跨图像关系型蒸馏方法,传递教师模型中不同样本和特征之间的相对关系,提供更全面的结构信息,进一步增强学生模型的泛化能力。通过这种综合方法,本文期望在降低模型复杂度的同时,保持医学图像分割任务的高性能水平。 其次,本文在所提出的模型的基础上进一步发展,提出了一种基于预训练蒸馏的图像分割方案。该框架结合了知识蒸馏与深度学习分割技术,旨在提升医学图像分割任务的精度与效率。本文利用教师模型提取的多尺度特征指导学生模型的学习,确保学生模型在轻量化的同时仍具备强大的特征提取能力。在端到端的编码器-解码器框架上,增加了一个灵活的提示编码器。通过提出的基于预训练模型的知识蒸馏获得轻量化的图像编码器,结合多模态提示编码器以及掩码解码器,共同构成医学图像分割方案。 最后,除上述的针对医学图像分割系统的改进之外,本文还应用提出的改进方案进行了医学图像分割系统的工程实现,并成功将此系统部署至本地机器。

关键词： 铁路基础设施故障预警系统   目标检测算法   模型训练诊断调试工具  

摘要： 随着铁路基础设施规模的持续扩张与运维复杂度的提升,传统依赖人工巡检与规则监控的故障检测方式已难以满足智能化、高效率运维的需求。为提升铁路基础设施运行状态监测的智能化水平,本文围绕故障检测算法设计、模型训练优化以及系统集成应用三方面展开研究,设计并实现了一套集故障检测、模型可解释性分析与预警响应于一体的目标检测系统,提升检测效率与风险响应能力。本文主要工作如下: (1)结合铁路基础设施图像数据的复杂性与多样性,提出面向推断阶段场景分布的自动合成与增强策略,构建高质量、多样化的故障图像数据集;基于多尺度特征提取与通道融合机制,构建轻质高效的深度目标检测模型,综合提升吊弦损坏、异物侵入等典型故障的检测精度与速度;同时,通过实验对比分析不同检测模型在实际场景下的性能表现与适用边界,为模型选择与部署提供理论依据。 (2)为提升模型训练阶段的可解释性与调试效率,研究高维特征数据的低维映射方法,构建保持样本分布结构稳定的降维投影模型;集成类激活映射并设计可视化分析工具,支持训练过程中对样本空间、模型注意区域及异常预测行为的直观展示与动态干预,实现模型诊断调试的可视化、交互式操作,有效辅助检测算法的比选与性能优化;同时,引入主动学习机制,实现高价值样本的自动筛选与数据集的增量优化,进一步增强检测算法的迭代训练能力与泛化性能。 (3)实现面向铁路基础设施故障预警的视频图像识别系统,构建基于微服务架构的铁路故障预警系统平台,集成故障检测、图像管理、预警信息生成与用户反馈等关键功能模块;系统支持模型推断任务的在线执行、结果展示与预警决策闭环,具备良好的可扩展性与部署灵活性。 本文所设计的铁路故障自动检测预警系统在多个铁路监控场景中进行了测试。实验结果表明,该系统在检测精度和实时响应方面均符合设计要求,有效提升了铁路基础设施故障检测的自动化水平和预警能力。

关键词： 皮肤温度   热感觉模型   目标检测   热感觉识别系统  

摘要： 如今,社会的经济发展水平显著提升,人们对室内环境质量的要求也日益提高,舒适的室内环境对人的健康和工作效率有着重要影响。因此,智能获取人体热感觉尤为重要。以往的研究中缺乏通过多源生理参数筛选出合适的特征集来实现人体热感觉识别,针对这一不足,本研究系统分析多源生理参数与热感觉的相关性,构建人体热感觉识别模型,并基于目标检测算法获取关键部位坐标,再结合红外热成像技术提取关键部位皮肤温度。由于识别部位易遮挡且大小不一,因此对检测模型进行改进,提升模型检测精度,最后搭建人体热感觉智能识别系统,本研究的主要内容包括: (1)基于机器学习的个体热感觉识别模型构建。通过人工气候室实验创建数据集,根据数据集分析皮肤温度、心率变异性(Heart Rate Variability,HRV)与热感觉的相关性,得出胸部和HRV与热感觉的相关系数较小。为了验证生理数据在识别热感觉方面的准确性,最终将胸部和HRV这两种特征数据剔除,将其余九个部位数据作为热感觉识别模型数据集。对比多种分类算法识别受试者热感觉,若采用红外和皮肤温度传感器多源数据来识别,选择手、腿、眼睛、脸颊、耳朵和额头的温度作为输入,使用支持向量机(Support Vector Machine,SVM)模型可以达到0.83的准确率。若仅依赖单一的红外数据来识别,即选择手、眼睛、鼻子、脸颊、耳朵和额头的温度作为输入,使用随机森林(Random Forest,RF)模型可以达到0.8的准确率。结果表明SVM和RF模型在识别人体热感觉具有较高准确率,可以作为热感觉识别模型。 (2)基于改进后YOLOv5模型对人体关键部位进行识别。为了使模型更精确地抓取关键部位信息,在特征提取网络引入注意力机制(Convolutional Block Attention Module,CBAM)。针对关键部位易遮挡的问题,在颈部网络嵌入加权双向特征金字塔(Bidirectional Feature Pyramid Network,BiFPN),在YOLOv5+BiFPN+CBAM模式下,所提出的关键部位目标检测算法的mAP达到85.2%,与YOLOv5算法相比,检测精度更高。 (3)基于PyQt的人体热感觉智能识别系统设计与实现。通过视频流抓取关键帧,能够有效识别关键部位并获取皮肤温度,结合温度传感器获得非裸露部位温度数据,实现对热感觉的智能识别,且基于PyQt技术对识别系统进行可视化处理。测试结果表明该系统各项功能均达到预期水平,满足室内人员热感觉智能识别的目标。图[35]表[11]参[67]

关键词： 图像匹配   特征点提取   SIFT算法   SURF算法  

摘要： 阐述针对经典的尺度不变特征转换（SIFT）图像拼接算法存在提取特征点不精确、冗余点较多的问题，提出一种改进SIFT算法。该算法采用最小二乘法提取特征点和RANSAC算法剔除错误匹配点，进行二次过滤。仿真实验结果显示，所采取的最小二乘法提取特征点优化算法在去除冗余点上达到了更好的效果，采用的RANSAC算法在剔除错误匹配点上也达到了更好的效果。

关键词： 跨摄像头多目标跟踪   变电站智能监控   目标检测   目标重识别  

摘要： 随着智能电网的快速发展,变电站的无人值守需求日益迫切,跨摄像头多目标跟踪技术成为提升智能监控系统可靠性与安全性的关键。本文针对变电站场景中目标较小、目标相似度高、目标遮挡频繁和目标跨摄像头姿态变化等挑战,提出一种结合目标检测算法、目标重识别算法和多目标跟踪算法的跨摄像头多目标跟踪方法。 (1)为了解决目标较小和目标遮挡频繁问题,基于YOLOv8目标检测网络进行改进。增加小目标检测层并且引入全局注意力机制,防止小目标特征因深度卷积而丢失,在多尺度特征融合中更好的保留小目标的原始特征,并且区分目标遮挡部分,改善因环境光线不足或者目标遮挡导致的问题。在变电站数据图像中对改进后的目标检测模型进行验证,对比改进前的模型有效改善了漏检、误检问题,改进后的模型m AP50值提升了1.1%。 (2)模型域泛化能力是模型在未见过目标域上的识别能力,基于提升模型域泛化能力对重识别算法进行改进,解决目标在同一摄像头下视野丢失后和目标在不同摄像头下的身份匹配问题。通过图像数据增强、增加域对抗网络和改善模型学习率的方法提升模型的域泛化能力。在变电站数据图像中对改进后的重识别模型进行图像检索,对比改进前的模型检索精度提升了4.7%。 (3)在BOT-SORT多目标跟踪算法中引入改进的YOLOv8检测算法和改进的重识别算法实现单摄像头多目标跟踪,引入全局特征池对跟踪目标进行特征匹配,基于目标的运动规律与场景拓扑关系设计时空间关联策略,减少因目标相似或目标姿态变化引起的身份错误切换。在变电站摄像头监控视频中进行验证,能够准确的在不同摄像头下跟踪同一目标,并且MOTA值达到82.8%,表明该方法可以实现变电站场景下的跨摄像头多目标跟踪。 本文提出的跨摄像头多目标跟踪方法在变电站场景下表现良好,解决了变电站场景中面临的挑战,为变电站智能监控提供了有效的方法。