关键词： 深度学习   目标检测   毫米波雷达   特征融合   多模态   注意力机制  

摘要： 针对恶劣天气和低光照对基于深度学习的视觉目标检测算法带来的挑战,提出一种基于双尺度卷积注意力模块(convolutional block attention module,CBAM)的双模态目标检测算法,旨在通过视觉与毫米波雷达数据的特征融合,提高目标检测算法在挑战性环境下的鲁棒性和准确性。该算法采用双分支的一阶段检测结构,图像分支采用预训练的CSPDarkNet53骨干网络提取图像特征,雷达分支采用基于体素的雷达特征生成网络提取雷达特征。然后,分别在颈部网络前后利用提出的基于双尺度CBAM的特征融合模块进行雷达-视觉特征融合。最后,使用解耦检测头实现目标的分类和定位。在nuScenes数据集上,利用对比实验和消融实验验证了该特征融合检测算法在挑战性环境下的有效性和优越性。

关键词： 小目标检测   航拍图像   特征金字塔   损失函数  

摘要： 无人机航拍图像具有目标尺度小和背景复杂等特点,因此直接对这类图像使用通用目标检测方法很难获得理想的识别精度。基于YOLOv8,提出一种强化特征金字塔和聚焦损失的小目标检测模型CFE-YOLO。设计一种跨层级强化特征金字塔网络,以跨层级的方式融合注意力特征图来改进传统特征金字塔结构,通过增加浅层网络的高分辨率特征图和去除深层检测头来适应小目标检测需求。结合Complete-IOU和Focalloss损失函数思想,设计了一个基于面积交并比的聚焦损失函数,进一步提升小目标的检测能力。通过引入深度可分离卷积实现一个轻量化空间金字塔池化层模块,在减少参数量的同时保持模型的检测精度。在VisDrone和Tinyperson两个无人机航拍数据集上进行的大量实验显示,CFE-YOLO较基准模型的m AP0.50分别提高了4.72和5.58个百分点且参数量减少37.74%,同时与其他先进算法对比也取得更高的精度。

关键词： 钻机   视频分析   目标检测   YOLOv8   注意力  

摘要： 由于井下环境复杂,低光照、人员遮挡、眩光等多种因素都会影响钻机检测精度。针对上述问题,提出一种钻机目标检测模型CAS-YOLOv8。为减少低光照因素干扰,设计了C2fGE结构,增强不同通道之间的信息融合;为解决人员遮挡问题,提出ADownCS模块,提高特征提取能力;对于眩光问题,在网络中增加混洗注意力;为减少环境中小目标对检测的干扰,依据钻机尺寸,去除特征图较小的检测头。试验结果表明,与原始YOLOv8相比,CAS-YOLOv8的mAP@0.5增加4.8%、参数量降低73.8%。

关键词： 目标跟踪   点提示   零样本分割   深度学习  

摘要： 当前目标跟踪算法往往采用目标框或分割掩模初始化模板,然而在有限操作时间或恶劣场景时却难以提供目标框或分割掩模。提出一种点提示的目标跟踪算法,其仅需要提供位于目标分割掩模中的任一图像坐标即可完成模板初始化。首先,采用SAM对图像目标进行零样本分割,获取分割掩模,求外界矩形框作为ATOM跟踪算法的输入,从而完成模板初始化;然后,采用高斯-牛顿共轭梯度法对模板在线快速学习,获得目标定位器,与离线学习的IoU预测分支共同完成目标跟踪任务;最后,根据点提示输入完成目标跟踪算法仿真。仿真结果表明,在UAV123数据集上,算法的精度P达到79.7%,AUC达到60.6%,跟踪性能相较于经典算法有一定提升,同时,FPS达到87.4帧/s,满足实时跟踪要求。

关键词： 古建筑砌体结构   壁画   裂缝   结构健康监测   数据挖掘   计算机视觉  

摘要： 通过接触式和非接触式的裂缝监测技术获取古建筑砌体结构健康监测数据,深入挖掘监测数据的有效信息,解析裂缝特征对古建筑结构监测具有重大意义。该文针对古建筑砌体结构健康监测数据提出了异常识别方法,研究了预测模型,并基于数理方法判断实时监测数据的异常概率;以砌体结构裂缝开合监测数据与结构内部场环境温湿度监测数据为研究对象,探究砌体结构裂缝开合监测数据的周期性特征及其影响因素。考虑到壁画裂缝在成像时相较于单一背景裂缝具有显著的干扰特性,研究了适用于藏式古建壁画裂缝的监测算法,改进U-Net形成了对环境干扰具备鲁棒性的壁画裂缝分割模型。针对大尺寸壁画裂缝,进一步研发了基于组件树SSR的图像分割算法,随后针对监测系统在图像采集过程中的环境影响因素进行了分析与试验,并通过模拟裂缝发展验证了监测系统在裂缝静止和扩张状态下应用的可行性。

关键词： 通道注意力   降维   并行池化   多特征融合增强   自适应   目标检测  

摘要： 针对通道注意力降维时导致细节信息损失和特征融合不充分的问题,提出一种并行池化注意力及多特征融合增强方法。首先,对输入图像使用两种池化模块并行处理,实现特征注意力增强。其中:熵引导池化模块利用通道信息熵生成特征权重系数,加强边缘纹理等细节信息;方向感知池化模块捕获图像在垂直和水平方向上的空间方向信息,再计算通道均值实现逐步降维保留关键特征。其次,多特征融合增强模块利用特征图尺度的对数函数自适应选取卷积核的大小,再将卷积后的特征分组重塑为与输入图像维度相同的通道、高度和宽度方向上的三个特征子图,并进行元素相乘获得增强特征图。最后,增强特征图与输入图像加权融合,同时增强目标的位置和细节信息。实验结果表明,文中方法在参数量不变的情况下,在VOC2007数据集上,mAP@0.5较YOLOX和YOLOv7分别提升4.62%、4.46%,在COCO数据集上,mAP@0.5较YOLOX和YOLOv7分别提升4.57%、4.63%。

关键词： 目标检测   yolov5s   反无人机   解耦合检测头  

摘要： 随着无人机市场规模的不断扩大,无人机在众多领域中得到了广泛使用,随之出现了机场、军事区域、政府部门等重要目标的无人机禁飞管制问题,为提高反无人机能力,保护重要目标空域安全,提出了一种改进的yolov5s空中无人机目标识别算法。该算法基于yolov5s目标检测模型,在此基础上引入SE注意力机制、高效解耦合检测头、WIoU_(v2)损失函数。在改进的目标检测算法数据集上进行实验,通过消融实验和损失函数对比实验,平均精确率均值mAP@0.5提高了1.3%,可以更好地用于民用无人机空中管制。

关键词： 多目标跟踪   卡尔曼滤波   数据关联   轨迹匹配  

摘要： 多目标跟踪MOT(multi-object tracking)旨在对视频序列中的多个目标进行识别与跟踪,并保持各目标的ID(identity),对运动不规律的多目标进行跟踪是该领域的难点,跟踪准确度难以保证且易出现目标ID频繁切换的问题。为提高跟踪准确度,提出自适应卡尔曼滤波AKF(adaptive Kalman filter),充分利用目标检测器提供的信息对运动模型加以修正,提高对运动不规律目标跟踪准确度;为解决目标ID频繁切换的问题,设计一种BIoUG贪婪算法,通过放大匹配框并采取择优匹配的方式,提高匹配机会并降低误匹配概率。在此基础上,提出一种针对运动不规律目标的多目标跟踪方法。实验结果表明,所提方法在DanceTrack数据集上的MOTA、HOTA、IDF1分别达到了92.2%、57.7%和58.7%;在MOT17数据集上,MOTA、HOTA、IDF1分别达到了80.3%、63.3%和77.3%。与目前主流的同类目标跟踪方法相比,所提方法对运动不规律和规律的目标均有较好的跟踪效果,体现出较好的综合性能,为运动不规律多目标的跟踪提供了新的解决思路。

关键词： 隧道盾构裂缝漏水检测   Leakage-YOLO   注意力机制   关键区域特征  

摘要： 隧道盾构裂缝漏水问题的检测对于保障隧道结构的安全性和延长其使用寿命至关重要。随着目标检测技术的发展,先进的检测技术逐渐被应用于隧道盾构裂缝漏水区域的自动检测,以提高检测效率和精度。因此,为进一步提高裂缝漏水区域的检测精度并实现实时的隧道盾构裂缝漏水检测,在YOLOv8的基础上提出了目标检测算法Leakage-YOLO。该算法通过在检测颈中引入区域焦点注意力模块(regional spotlight attention),更好地融合全局与局部特征信息,增强对关键区域特征的提取能力,进而有效解决了裂缝漏水区域显著特征难以提取的问题。此外,通过改进检测头,提出一种新的SE-Head结构,进一步增强了对细节边缘特征的捕捉能力,有效改善了裂缝漏水区域定位不精确的问题。在真实场景的公开数据集的实验结果表明,改进后的算法相比原算法在AP、AP0.5、AP0.75上分别提高了4.7、4.9、6.7个百分点,并与其他主流算法对比,验证了所提的Leakage-YOLO的有效性和优越性。

关键词： 飞行目标   目标跟踪   核相关滤波算法   尺度变化   视角变化   YOLOv5l  

摘要： 在飞机等飞行目标的尺度以及视角发生变化时,核相关滤波(KCF)算法由于跟踪边框固定和滤波器准确性较低而易导致目标跟踪丢失。针对这一问题,在KCF算法基础上增加一种模型更新策略以提高模型准确性,并适时利用YOLOv5l检测网络实现对目标尺度的精确估计。在构建的飞机目标数据集上进行了实验验证,结果表明:相比原算法改进KCF算法在精确度和成功率上分别提升了0.315和0.285,在目标尺度及视角发生变化时具有较强的跟踪性能。