关键词： 目标检测   超分辨率   遥感图像   YOLOv8网络   注意力机制   特征融合  

摘要： 为了应对遥感图像目标检测中小目标像素低、背景复杂、硬件资源有限等问题,提出一种融合超分辨率(SR)和特征增强的小目标检测模型。采用GhostNet网络中的Ghost卷积层替换YOLOv8网络中的传统卷积层Conv,在不影响检测精度的情况下降低网络模型的参数量和计算量。在主干网络中,构建超分辨率辅助增强(SRAE)模块提升图像的分辨率和特征提取能力。利用三层特征融合(TFF)模块,获取主干网络较低层的空间特征,改善快速空间金字塔池化(SPPF)层特征空间提取不足的问题,提高小目标空间定位能力。设计自注意力信息转移(SAT)模块,在保证模型轻量化的同时增强小目标的语义信息和全局信息。实验结果表明,改进模型在DIOR数据集上实现了90.5%的mAP@0.5、15.1×10^(6)的参数量和30.3×10^(9)的每秒浮点运算次数(FLOPs),相比于其他模型在实现网络轻量化的同时提升了小目标检测精度。

关键词： YOLOv8s   小目标   轻量化   BiFPN   目标检测  

摘要： 小目标检测一直是目标检测领域的热点,而航拍小目标图像具有尺度变化大、视角和姿态变化多样等特点,容易造成漏检、误检。针对这些问题,提出基于YOLOv8s改进的轻量化小目标检测算法。首先,在Backbone部分使用CESE_C2f模块,利用轻量化注意力机制提升检测效果并降低参数量;其次,根据BiFPN思想设计新的网络结构,充分利用已有网络信息加强深层与浅层特征信息的融合;最后,使用新的轻量化检测头LW_Detect(Lightweight_Detect)大幅度降低运算量与参数量,以满足实时性要求。实验结果表明,所提算法在Visdrone数据集上的mAP50和mAP50:95分别达到41.4%和24.9%,相较原始YOLOv8s算法精度提高了1.6%和1.3%,参数量和运算量降低了36.8%和42.8%。

关键词： 计算机视觉   目标跟踪   目标检测   边界框估计   判别相关滤波器  

摘要： 针对视频序列中外观变化、背景杂波和严重遮挡等因素导致的目标跟踪精确度低的问题,提出一种新型的双阶段自适应跟踪模型。该模型包含目标检测和边界框估计2个阶段:在目标检测阶段,模型对目标进行粗略定位;在边界框估计阶段,精确确定目标位置。为应对视频场景复杂性及小目标跟踪的挑战,采用了多特征融合技术构建丰富的目标表示。实验结果表明,与在线和实时跟踪(SORT)、Tracktor++、FairMOT、Transformer等模型相比,本模型表现出最优的综合性能,有效平衡了计算速度与跟踪精确度之间的关系,展现出良好的应用潜力。

关键词： YOLOv8   SENet   目标检测   超参数  

摘要： 为了解决无人机航拍的河流漂浮垃圾检测的难题,文章提出了一种改进YOLOv8的目标检测算法,用于检测河流漂浮的小目标垃圾。在原有YOLOv8算法模型的基础上,添加了SENet注意力机制,提高了小目标检测的表征能力,并进行了超参数的微调。改进后的模型相比原有的YOLOv8s算法,平均精度(mAP)提升了4.4%,达到80%。因此,改进的YOLOv8s更适用于小目标检测。

关键词： 图像处理   粪污   卷积神经网络   牛粪捡拾  

摘要： 中国草原面积广阔,牛粪作为草原畜牧业的副产品,既对牧草生长有负面影响,又是重要的资源。牛粪分布零散,传统捡拾方式效率低,为了解决上述问题,该文提出一种改进牛粪图像检测模型,用于检测牧区牛粪,以提高牛粪捡拾的效率和智能化水平。1)替换注意力机制轻量化主干网络EfficientFormerV2,提高对边界敏感性并减少模型复杂度。2)改进颈部网络BiFPN,增强特征融合能力。3)改进损失函数Inner-IoU,提高边界框回归的定位精度。4)替换瓶颈层改进FasterNet block,以减少计算复杂度并加快推理速度。5)添加捡拾判断机制,利用预测阶段检测框对区域牛粪做出分类。改进后的网络模型在准确率为92.6%,召回率为87.7%,平均精度均值为87.4%的情况下,参数量减少到4.02M,浮点运算量减少到8.1G,检测速度提升到34.7帧/s。试验结果表明,改进模型在保持模型轻量化的同时,具有较高的平均精度均值,能够有效地完成牧区牛粪的识别与定位任务,适合在资源受限的移动设备和牧区环境中应用,为牛粪智能化捡拾车的研究提供技术支持。

关键词： 变电设备   红外图像   目标识别与检测   计算机视觉   深度学习  

摘要： 变电站设备准确的红外热图像识别与检测是其温度状态智能分析的先决条件。为了克服复杂背景的干扰,提出了改进的轻量级YOLOv7方法,以提高在复杂红外背景下变电站设备的识别效果。提出的方法引入了高分辨率P2检测头来改进小目标检测,无参数注意模块SimAM在复杂红外背景中更好地提取不同变电设备目标特征,CARAFE模块在上采样过程中减少特征信息的损失,进一步增强算法的鲁棒性。实验及测试结果显示提出的模型比原始YOLOv7-tiny高出2.6%检测精度,实现了101 FPS(帧数)的实时推理速度,证明了所提出的模型在变电站设备的红外图像目标识别方面的优势,特别是较小的变电设备,并且提出的模型比其他轻量级模型拥有更高的识别检测精度。

关键词： 异物侵限检测   深度学习   目标检测   YOLOv8算法   CBAM注意力机制   EIoU   RepConv  

摘要： 快速、准确地从监控影像中检测侵入铁路的异物对保障列车运行安全具有重要意义。针对列车运行过程中出现的小型目标和与背景相似度较高的物体难以被准确识别的问题,提出一种改进的YOLOv8算法,可快速、准确地检测铁路图像中的侵限。首先,在Backbone网络主干层引入CBAM注意力机制,提高轨道异物特征提取速度,令模型更加关注于图像中的关键特征,同时抑制不相关的铁路背景信息。其次,针对模型中CIoU损失函数在宽高比上的模糊定义问题,将EIOU损失函数替代原有的损失函数,最小化目标框与锚盒的宽度和高度之差,提高边界框回归的精度的同时加快模型的收敛。最后利用分组卷积对传统目标检测头进行优化,在不损耗模型精度的情况下提高模型的效率,令模型在实际应用中具有更好的性能。实验结果表明,改进的YOLOv8算法在数据集上的mAP值达到96.2%,在检测精度上达到较高的水准,证明该模型在现实生活中具有应用价值。

关键词： YOLO   动植物表型   目标检测   关键点检测   目标分割   轻量化  

摘要： 动植物表型是动植物特征与性状的定量描述,表型特征的精准计算与分析是推进数字农业发展的重要基础。得益于深度学习技术的迅猛发展,以YOLO系列算法为代表的计算机视觉模型在动植物表型分析任务中展现出了优良性能和巨大潜力。以家畜类、家禽类、作物类、果蔬类等动植物为对象,分别从目标检测、关键点检测、目标分割3方面概述了YOLO系列算法应用研究进展。最后指出YOLO系列算法未来发展趋势,包括轻量化架构设计、小目标精准检测、弱监督学习、复杂场景部署、大模型目标检测等。

关键词： 遥感图像   有向目标检测   Oriented RepPoints   注意力机制   损失函数  

摘要： 为解决Oriented RepPoints算法在遥感图像有向目标检测中因遥感图像背景干扰信息较多和目标尺度大小不一所导致的检测精度不高、易漏检误检等问题,提出一种改进Oriented RepPoints的遥感图像有向目标检测方法MA-RPDet(Mixed Attention RepPoints Detector).首先,采用了PVTv2作为主干网络,该网络利用线性空间缩减自注意力机制提取出更具局部连续性的特征图,并保持与卷积运算类似的线性复杂度.其次,在特征融合阶段设计了串联性混合注意力模块,进一步强化了重要特征,促进了多尺度特征的高效交互.最后,引入平滑GIoU损失函数对模型学习策略进行优化,提高了检测精度.在两个遥感图像目标检测数据集DOTA和HRSC2016上的实验结果表明,所提方法的检测精度mAP分别达到了77.19%和90.3%,均高于其他对比算法,证明了本文方法的有效性.

关键词： 旋转目标检测   注意力机制   优化损失函数   改进概率霍夫变换  

摘要： 针对指针表图像中刻度线与指针精确定位困难及在复杂环境下易出现误检和漏检的问题,提出一种基于改进旋转目标检测模型的指针表读数全自动识别方法。首先以YOLOv5s网络为基础,设计了高效的通道与空间注意力融合模块,以提升表盘示数特征提取能力;其次设计了E-CIoU Loss以优化损失函数,增强指针边界框回归能力;同时,引入环形平滑标签以适应旋转目标检测任务;然后,利用改进的概率霍夫变换实现指针精确重定位;最后,利用极坐标平面上指针和刻度线的相对位置关系计算读数识别结果。实验结果表明:与基准模型相比,该方法有效提升了表盘示数特征检测精度,mAP值达到了96.8%,且最终读数识别平均相对误差达到了0.52%,可满足实际应用需求。