关键词： 足迹标定   特征提取   图像处理   足底压力   足底静态特征  

摘要： 为解决足底压力采集仪设计和罕见疾病足底压力分析中的足迹标定和特征提取问题，以薄膜式足底压力采集板的原始数据为研究对象，提出了一种准确率高、标定效果好的足迹标定与特征提取算法。首先，对图像进行中值滤波和阈值二值化，去除噪声干扰；其次，通过轮廓提取算法获取足迹外轮廓，并用水平矩形框初次标定；其中，针对足迹脚掌断开的情况，引入足迹融合算法，确保了足迹标定的完整性；同时，针对特殊站姿下的水平矩形框标定缺陷问题，提出了足迹区域矫正算法，保证了足迹特征值的准确性；最后，根据矫正后的足迹及其分区坐标，即可计算足底压力特征值。通过足迹标定可靠性验证实验表明，站立姿势下IoU (Intersection over Union)平均值可达90%以上，行走姿势下IoU平均值可达85%以上；二者的足迹标定准确率均为100%；形心相对距离均不超过0.100，且站立姿势下更低。由此证明，足迹标定算法具有较高的可靠性。

关键词： 目标检测   红外小目标   模型轻量化   YOLOv7   注意力机制   轻量级Neck网络   NWD  

摘要： 针对红外图像背景复杂、信噪比低、检测目标尺寸小和亮度弱等检测难点。提出一种基于YOLOv7的轻量级红外小目标检测算法ISTD-YOLO(Infrared Small Target Detection-You Only Look Once)。首先，ISTD-YOLO算法对YOLOv7网络结构进行轻量化重构，分别将特征提取网络和特征融合网络重新调整，设计出一种三尺度轻量级网络架构，提高对小目标的检测性能；然后，采用Vo V-GSCSP来取代模型颈部网络的ELAN-W模块，以降低计算成本和网络结构的复杂性，提高推理速度；其次，在颈部网络中引入一种无参注意力机制，增强局部上下文信息的关联性，更准确地提取目标的定位；最后，选用归一化高斯Wasserstein距离（NWD）优化常用的Io U指标，来计算预测框与真实框之间的重叠关系，增强对小目标的定位和检测精度。实验结果表明，ISTD-YOLO算法可以有效改善检测效果，对比YOLOv7原模型，在HIT-UAV与IDSAT数据集上的检测精度分别提高8.52%与4.77%；模型体积仅有21.8 MB，参数量减少69.8%，计算量下降17.6%；相较于当下主流算法，ISTD-YOLO在各方面指标均得到有效的改善，能够实现对红外小目标的高质量检测。

关键词： Yolov7   注意力机制   遥感图像   飞机检测   小目标   CORS-ADD数据集  

摘要： 飞机检测对机场的飞机管控具有重要意义，但在遥感图像中，飞机通常尺寸较小或存在被遮挡等问题导致目标特征缺失而产生漏检。为了降低遥感图像中飞机的漏检率，基于Yolov7提出了一种改进的结合注意力机制的遥感图像飞机目标检测算法，该算法改进了Backbone结构以增强对小目标特征的提取能力，同时，针对遥感图像中小目标的特性，调整了检测头的设计，减少模型参数量，提高了检测速度。在公开数据集CORS-ADD数据集中，根据不同的改进策略进行消融实验，实验表明同时进行Backbone和检测头的改进效果最好，相较改进前AP值达到85.12%，提升了3.04%，检测速度达到48.16 FPS，提升了14.3%，改进后的算法提高了对遥感图像中飞机小目标的检测精度和速度，有效降低了飞机的漏检率。

关键词： 目标跟踪   感知化交并比   注意力机制   低通滤波器  

摘要： 为提升跟踪任务中网络跟踪精度及运行速度，提出了一种改进的注意力机制跟踪算法（MFATrack）。针对复杂背景对网络跟踪目标产生的干扰，使用深度可分离卷积、ECA与低通滤波器相结合的动态跟踪模块（MFAM）提升网络目标判别性特征的发掘能力。并设计了基于MFAM跟踪头网络，减少深层网络信息损耗并提升其稳定性，提升网络的运行速度。损失函数中，将分类与回归损失相融合，分类损失融合了感知化交并比，回归中采用广义交并比损失，使得网络在训练中更加关注于被跟踪目标。实验结果表明，相比基础算法，在GOT-10k数据集上准确率上涨了4.1%，在数据集OTB中心误差值提升了1.9%，在UAV123的跟踪成功率上升了2.6%。

关键词： X射线图像   风格迁移   目标检测   细粒度分类模块   基准数据集  

摘要： 图像目标检测技术辅助提高了安检工作效率，进一步保障了公共安全。然而不同型号的安检机成像的差异性、X射线图像的复杂性、昂贵的数据标注成本，制约了X射线安检图像目标检测技术的深入研究。针对不同安检机厂商相同物质X射线成像颜色的差异，基于风格迁移算法进行数据集扩充，从而提高目标检测算法的泛化性；针对X射线图像中同类待识别物品尺寸的明显差异，提出一种细化的特征金字塔结构用来提取更加丰富的不同层次的语义信息；为了进一步提高检测精度，提出了一个易于集成的细粒度分类模块，该模块能很好地适配主流的目标检测模型。同时，构造了一个大规模的基准数据集，该数据集包含56659张X射线图像，37种违禁品，每张图像均进行高质量标注。据我们所知，这是迄今为止包含违禁品种类最多、图片数量最多的公开X射线图像数据集。基于该X射线违禁品数据集进行对比实验，提出的模型结构较基线模型mAP提高约8%。

关键词： 目标检测   智能建造   建材计数   EasyDL  

摘要： 随着建筑行业智能建造需求的推进，施工建材有了基于计算机视觉的智能管理新方式，但现有方法大多聚焦于圆形或方形等规则截面，相关思路和方法无法直接用于异形截面建材的智能计数任务。此外，大模型的迅猛发展，也为建材智能管控研究与应用提供了新的思路和方式。为此，文中通过建立专用模型和基于大模型二次开发两种方式，对比研究了异形截面建材智能计数问题。首先，实地拍摄并标注了大量的角钢与轮扣图片，结合图片增强构建了基础数据集。进而，通过对经典YOLOv8框架引入SE注意力机制、WIoU损失函数、动态蛇形卷积以及轻量化网络架构改进等措施，实现了对密集异形截面建材的高精度计数，在现场环境下本文模型对角钢与轮扣的检测平均精度分别能达到91.8%与99.4%，具有很好的实际应用效果。随后，采用相同的数据集在大模型平台EasyDL上进行了异形截面检测模型的二次开发。对比结果表明，目前基于大模型平台二次开发模型的检测精度、训练效率与展示效果清晰度均低于专用模型，但由于其开发技术门槛低、建模便捷且通用性强，在未来通用类计数任务的开发中仍一种非常有前景的方式。

关键词： 目标跟踪   孪生跟踪网络   注意力机制   Transformer   双维度特征增强  

摘要： 孪生跟踪网络是目标跟踪主流框架之一，其包括骨干网络、融合网络和定位网络三个模块。对于融合网络模块，Transformer网络又是较新且有效融合网络实现方法。Transformer的编码器和解码器中使用了自注意力机制对CNN特征进行增强。然而，对自注意力机制仔细分析可知，自注意力机制仅能从空间维度进行增强，未能考虑到从通道维度进行增强。为了使得Transformer的自注意力网络同时对特征的空间维度和通道维度进行双维度的增强，为目标定位网络提供准确的相关性信息，基于孪生跟踪框架提出了一种基于双维度特征增强的Transformer跟踪器，对Transformer融合网络进行改进。首先，采取骨干网络的第三和第四阶段特征作为输入，在Transformer编码器与解码器的自注意力模块，先通过CAE-Net网络进行通道维度的特征增强，用于增强通道上的重要性。然后通过SAE-Net网络，实现两阶段特征的加权融合与线性变换，获取自注意力因子Q、K和V，最后通过自注意力运算实现空间维度特征增强。这样Transformer融合网络不仅能够对特征空间维度进行增强，还能够对通道维度进行增强。本文方法在主流的五个公开基准数据集上的实验结果表明，改进后的Transformer特征融合模块可以用极小的速度代价促进跟踪器的跟踪性能。

关键词： 航空遥感图像   小目标   YOLOv7   空洞卷积   多尺度卷积  

摘要： 航空遥感成像具有广泛的军事和民用应用。航空遥感图像中的微小目标检测是遥感图像领域的一个具有挑战性的问题。通用的目标检测方法对小目标不敏感，对于背景复杂、目标特征信息量少的航空遥感图像检测精度较低。为解决上述问题，首次提出了一种用于航空遥感图像的小目标检测网络ARST-YOLOv7。针对遥感图像背景复杂，且目标特征较弱，提出一种新的特征增强模块DSPPCFF(dilated spatial pyramid pooling convolution feature fusion)，增强模型的特征表达能力。提出一种新的特征金字塔结构（DC-FPN），来解决级联特征图之间的语义差异问题。此外，为了让网络保留更多的空间信息，提出了DCA(dilated convolution attention)模块，增强网络对重要目标的关注，从而提高检测的鲁棒性。在NWPU VHR-10数据集、RSOD数据集和HRRSD数据集上与当前先进的检测方法比较结果表明，该方法对于航空遥感小目标检测更有效。

关键词： 遥感图像   目标检测   特征金字塔网络   上下文信息   注意力机制  

摘要： 针对遥感图像目标检测存在复杂背景干扰、目标多尺度差异等问题，提出一种融合岛式双向特征金字塔网络的遥感图像目标检测算法(IFD-YOLOv8s)。首先设计岛式双向特征金字塔网络，增强模型对目标尺度变化的适应性，减少多层次特征融合过程中信息丢失，有助于深层语义和细粒度信息的高效传播；然后提出特征上下文增量模块，对地物目标特征进行更全面的捕获，提高模型检测能力；最后设计双线池化注意力模块，抑制非目标噪声干扰，增强遥感目标特征可辨别性。在公共数据集RSOD和NWPU VHR-10上进行消融和对比实验，平均准确率均值分别为98.2%和91.4%，相较于基线算法YOLOv8s分别提升1.8%和2.1%。与主流目标检测算法相比，IFD-YOLOv8s对复杂背景目标和多尺度目标的检测更有效。在公共数据集DOTA上进行泛化实验，平均准确率均值为78.7%，相比原模型提高1.8%。

关键词： 目标检测   无人机图像   YOLOv8   特征增强   细粒度特征  

摘要： 针对无人机视角图像中目标尺度变化大、小尺寸目标占比高并且背景噪声干扰严重等问题，提出一种基于特征信息增强与补充的无人机视角图像目标检测算法。首先，为利用高层语义信息捕捉更加丰富的多尺度信息，提出一种多元融合空间金字塔池化（MFSPPF）方法。其次，设计了多分支语义增强（MBSE）模块，可以通过多个分支提取丰富的多尺度特征并构建多尺度特征之间的联系，从而在特征融合传递信息时防止重要特征信息丢失。另外提出细节特征补充（DFC）模块，将低层特征信息提取细化后得到丰富细粒度特征信息，经过特征融合传递实现对高层特征中细节信息的补充。最后通过在VisDrone2021数据集上进行实验，改进后算法相较于基线方法YOLOv8m，AP、AP50、AP75、APs、APm、APl分别提高3.7%、5.4%、3.9%、3.1%、4.0%、7.9%。并且改进方法在YOLOv8其他模型中同样适用。与其他方法相比，所提出方法在不同IOU阈值标准下和不同尺寸目标检测下都具有优异的检测效果，同时保持较快的检测速度，能够适用于无人机视角图像检测任务。