关键词： 车道线检测   语义信息   自动驾驶   深度学习   计算机视觉  

摘要： 随着自动驾驶技术的迅猛发展,车道线检测作为其关键组成部分,引起了广泛关注,并在智能交通系统中展现出巨大的应用潜力。然而,在应对复杂环境挑战时,传统车道线检测技术往往难以提供足够的识别精度。回顾车道线检测技术的发展轨迹,系统性地梳理了84种先进算法,并创新性地根据语义处理方式划分为四类别:语义分割辅助类、语义信息融合类、语义信息增强类和语义关系建模类。通过深入剖析算法的技术特点和优势,揭示了当前车道线检测技术所面临的主要局限。最后,对未来车道线检测技术的发展方向提出见解,特别是在语义信息利用方面,指出了潜在的研究方向。

关键词： 低照度   YOLOv8   注意力机制   损失函数   轻量化网络  

摘要： 针对低照度场景下目标检测算法面临的检测精度不高、计算成本以及内存消耗大等问题,提出一种改进YOLOv8的轻量级低光照目标检测网络模型CDD-YOLO。提出一个基于坐标注意力机制的多尺度卷积模块,提取不同感受野纹理特征并捕获空间位置之间的远程依赖关系;将动态头部框架集成到检测头中,减少复杂背景和尺度变化的干扰;基于动态非单调聚焦机制设计边界框回归损失函数,提升锚框回归路径和质量,提高模型对光照变化和噪声的适应能力;通过剪枝算法修剪模型中的冗余参数,实现模型轻量化。采用自建数据集、ExDark和VOC数据集进行实验验证,实验结果表明该方法与主流算法相比具有更好的检测效果,在计算复杂度与检测精度之间实现了更好的平衡。

关键词： 人脸识别技术   计算机视觉   机器学习   科研人员   人工智能算法   服务行业   科技变革   数字化  

摘要： 在当今数字化飞速发展的时代,人脸识别技术正以前所未有的影响力渗透我们生活与社会的方方面面,而人脸识别技术服务商则宛如幕后的推动者,在这场科技变革中扮演着至关重要的角色。本文根据企业公开信息整理出的这30家公司,就提供有人脸识别技术服务。人脸识别技术服务商,首先承载着技术研发与创新的重任。它们汇聚了一大批专业的科研人员,涵盖计算机视觉、机器学习、人工智能算法等多个领域的专家。这些人才不断钻研,致力于提升人脸识别的准确率、速度以及应对复杂环境的能力。

关键词： YOLOv5m   FasterNet   轻量化   注意力机制   解耦头   EIoU  

摘要： 针对无人机航拍图像背景复杂、目标物较小且模型部署困难的问题,提出了面向航拍图像的轻量化目标检测算法。在YOLOv5m的主干网络中引入FasterNet轻量化模块替换C3模块,压缩模型参数量,提升模型的推理速度;在特征融合网络,采用改进的CBAM_L机制,专注于捕捉航拍图像中的小目标信息的同时提高了模型的目标识别精度;将检测网络中检测头替换成解耦头,解决航拍图像输出变量时分类和回归的冲突问题,并把网络中损失函数替换成EIoU,有效提升了模型回归精度。在公开数据集VisDrone上验证结果表明,改进后模型的平均精度均值(mAP@0.5)提高了0.014,参数量缩减到原模型的34.3%,计算量缩减到原模型的32.4%,检测速率达到77帧/s,表明该算法在检测准确性和速度上都取得出色的性能。

关键词： 图像处理   运行一体化   边缘检测   AGV系统   自适应检测   霍夫直线变换  

摘要： AGV系统作为一种典型的复杂产品,具有开发周期长、定制成本高、售后服务需求性高等特点。AGV系统通常在工业领域运输元器件生产的任务中表现良好,可以通过系统内部的定位导航实现运输任务的全自动进行。但是,传统AGV系统只能在固定线路上运行而且缺乏灵活性。针对这一问题,提出了一种基于边缘检测的自适应AGV系统。系统基于图像边缘检测等原理进行道路路径的自适应检测,同时结合霍夫直线变换方法,提高了AGV系统的鲁棒性和自适应性,实现了系统的高效协同与联动,有力地推动了AGV系统转型升级。

关键词： 知识蒸馏   遥感   轻量级目标检测  

摘要： 近年来,深度模型在大规模应用方面取得巨大成功,但计算复杂度和存储需求等问题使它们在资源有限的设备上难以部署。知识蒸馏(KD)是一种压缩模型的方法,然而现有方法未考虑遥感数据集的特点。具体来说,在遥感数据集中由于背景复杂,图像中目标物体较小,直接应用现有的知识蒸馏方法时会出现大量噪声,影响训练性能。因此提出了自适应分离知识蒸馏(ASKD)方法。ASKD允许学生模型自动选择多尺度核心特征,减少噪声,同时通过分离全局和局部特征,有效抑制背景干扰。在LEVIR和SSDD数据集上,ASKD在单阶段和双阶段检测器上都取得了出色性能。例如,基于ResNet-18的Faster RCNN,ASKD在SSDD上实现了59.2%的mAP,比基线模型高出2.0个百分点,甚至胜过教师模型。

关键词： 图像处理   可见光与红外光   深度学习   图像融合   多尺度   跨阶段密集连接  

摘要： 针对目前可见光与红外光图像融合过程中的关键细节信息丢失,目标对比度较低的问题,提出一种基于多尺度跨阶段密集连接网络的图像融合算法。通过多尺度卷积与跨阶段的密集连接网络实现双模态图像的特征提取工作,结合CA注意力机制提高模型的融合效果,并以L1范数作为特征融合规则来获取融合特征图,并最终通过解码网络实现图像的重构工作。实验结果表明,在公共数据集TNO中,文中提出的算法在结构相似度、信息熵以及差异相关系数三项指标中获得了最优值,相较于次优值分别提高了4.14%、2.66%、2.59%,在边缘信息度量上取得了次优值,与最优值相差3.3%。综合主客观评价,文中提出的方法可获取高质量的融合图像,具有明显的优势。

关键词： 遥感图像   上下文模块   注意力机制   旋转目标检测  

摘要： 遥感图像处理旋转目标检测任务存在尺度变化大、背景复杂、目标方向任意的特点,给自动目标检测带来了挑战。针对上述问题,结合YOLOv5s检测器,提出了基于上下文空间感知的旋转目标检测框架。首先,设计了上下文空间感知模块(CSPM)构造主干网络,获取更全面的局部上下文信息与全局空间感知信息,解决网络模型对多尺度目标的特征提取能力不足的问题;其次,在特征融合部分引入无参数注意力机制SimAM,基于神经元抑制原理自适应融合重要信息,解决模型在复杂背景下的误检和漏检问题;最后,增加角度参数回归旋转目标方向,解决任意方向目标回归的问题,同时采用GWDL(Gaussian Wasserstein Distance Loss)计算旋转框损失,参数联合优化,提升检测精度。提出的目标检测算法在HRSC2016数据集上的Recall、Precision和mAP_(50)分别达到了0.955、0.916、0.904,具有最优的检测效果,同时检测速度达到了140.8帧/s,具有实时性。

关键词： 无人机航拍   轻量化   YOLOv8n   SPD   WIoU   VisDrone2019   AI-TOD  

摘要： 航拍小目标检测中,由于图像背景复杂、目标尺度小、空间尺度变化大,导致无人机航拍出现漏检、误检等一系列问题。为提高无人机航拍检测准确性、实时性以及实现轻量化,文中基于YOLOv8n提出一种改进的无人机航拍视角小目标检测方法 WS-YOLO。首先,重构YOLOv8n网络结构,并增加160×160特征图对应预测头,以提高模型对小尺度目标检测的准确性与鲁棒性;然后,主干网络卷积层后嵌入SPD,防止细粒度信息的丢失并学习不太有效的特征表示,以提高对低分辨率图像的识别能力;最后,将CIoU损失函数替换为WIoU(v3)损失函数,以减轻图片质量低下对检测过程的影响。最终实验结果表明,环境、参数相同情况下,在VisDrone2019数据集与AI-TOD数据集上与原算法相比,WS-YOLO精确度能分别提升8.9%与7.7%,其参数量降低且FPS在合理范围,由此验证了提出的WS-YOLO在无人机航拍视角小目标检测中能够提高有效性。

关键词： 人工智能   计算机视觉   深度学习   腐蚀图像检测与分析  

摘要： 金属结构和设备在使用过程中的腐蚀不仅会导致巨大经济损失,还可能引发环境污染和安全隐患。因此,采取快速的腐蚀检测与分析技术显得尤为重要。随着人工智能算法的不断进步,其在腐蚀图像检测与分析领域展现出巨大潜力。文章综述了人工智能,特别是计算机视觉技术和深度学习的发展,探讨了其如何改变传统检测技术的格局,并通过自动化、数据分析和特征提取等方法,有效解决腐蚀图像检测与分析的效率和准确性。最后,总结了人工智能在该领域中需要解决的一些关键问题,旨在探讨人工智能在腐蚀研究领域的应用潜力,为未来检测与评估技术的研究提供新视角,促进人工智能广泛应用。