关键词： 雷达目标检测   相空间重构   卷积神经网络(CNN)   长短时记忆网络(LSTM)   海杂波  

摘要： 在岸防雷达中，目标检测常受强海杂波干扰。本文提出一种基于相空间重构的一维海面目标检测算法。首先，利用互信息法与Cao方法确定最优时间延迟(τ)和嵌入维数(m)，重构海杂波相空间，揭示其非线性动力学特性;其次，利用卷积神经网络（Convolutional Neural Network， CNN）与长短时记忆网络（Long Short-Term Memory， LSTM）构建CNN-LSTM融合网络，结合CNN的局部特征提取能力与LSTM的长期依赖建模优势，实现对海杂波动力学的高精度学习与短时预测;最后，通过分析目标信号对预测误差的显著误差实现检测。实验结果表明，该方法在复杂海况下，显著提升了对微弱目标的检测性能，有效克服了传统算法易受海况变化影响的局限，综合检测概率与虚警概率控制能力均优于现有对比方法，展现出优异的鲁棒性和实用价值。

关键词： 图像处理   低照度图像增强   无监督学习   物理模型   先验知识  

摘要： 监督学习的训练和增强效果依赖于配对的数据集，但多数情况下使用的是合成数据集，导致在迁移到真实图像时恢复效果不佳，泛化能力有限。针对上述问题，本文提出了一种结合物理模型和多重先验知识的无监督低照度图像增强方法。该方法首先利用合成数据集对网络模型进行有监督的预训练；随后，基于大气散射模型理论从输入图像中估计其中参数；最后，计算多重物理先验和神经网络估计的参数与增强图像之间的损失，端到端的训练网络模型，并更新网络参数。实验结果表明，与现有的主流算法相比，该算法可有效提高图像照度和对比，保持图像自然性，并具有一定的泛化能力。

关键词： 3DSSD   自动驾驶   加权采样   注意力机制   多阶段优化  

摘要： 针对3DSSD在复杂场景（存在大量物体重叠、遮挡或类别多样化）中难以充分捕捉空间关系与细微差异的问题，本文提出基于中心点采样和Transformer的单阶段无锚框目标检测器。首先，针对点云的稀疏性和不规则性，设计骨干网络直接从原始点云提取点云特征并完成关键点采样；其次，结合加权下采样策略，通过对靠近目标中心的点赋予更高采样权重，网络可以选取距离物体中心较近且更有可能是目标的点；最后，利用Transformer中的注意力机制从点云中的所有点计算对象的特征，其中每个点的贡献在网络训练中自动学习，从而更精确地捕捉候选目标的特征。该方法采用改进的注意力叠加方案，融合了不同阶段的目标特征，产生了更准确的目标检测结果。在KITTI数据集上实验结果表明：相比于3DSSD检测网络，本方法在Pedestrian和Cyclist类别的平均精度(mAP)分别提高了7.38%和4.37%。同时，在矿区实测点云数据上的验证结果进一步表明，该方法在复杂真实场景中仍具备稳定的检测性能与良好的实用性。

关键词： 知识蒸馏   目标检测   特征模仿   注意力机制   语义分歧  

摘要： 知识蒸馏通过传递教师模型知识提升学生模型性能.然而对于轻量化的学生模型而言,全盘吸收教师特征图内的隐含知识是困难的,为此本文提出一种基于空间-通道注意力精炼的协同蒸馏方法 (SCAR-KD),通过从原始特征图中提炼关键判别信息,缓解学生与教师的语义分歧.具体而言,本文采用了一种多尺度空间-通道注意力模块(SCSA),从师生特征图的通道和空间维度中精炼出具有判别性的注意力增强特征进行蒸馏,同时解耦出空间注意力图加权给原始特征图进行动态蒸馏.该方法实现了双重知识迁移.实验表明, YOLOv8n-SCAR-KD相较于基线YOLOv8n在VOC和VisDrone数据集上mAP@0.5:0.95分别从64.1%提升至65.3%,从20.7%提升至21.6%,超过了现有的主流蒸馏方法,验证了方法的有效性.

关键词： 红外目标检测   多尺度特征提取   卷积块注意力   卷积门控线性单元   YOLOv8  

摘要： 针对红外道路交通图像中温差较低时目标与背景区分度低，以及目标重叠或接近时边界模糊导致目标漏检的问题，提出基于YOLOv8s的红外道路交通目标检测算法ITDYOLO。首先，在网络中设计了多尺度特征提取模块，提高网络对空间信息的提取能力以区分目标边界。其次，在骨干网络末端采用基于统计特征的自注意力，增强特征中的全局语义，聚焦于目标关键特征，采用卷积门控线性单元融合全局和局部特征，降低目标的漏检率。最后引入卷积块注意力，在通道和空间维度自适应调整特征，促进特征融合，降低目标的误检率。实验结果表明，改进后的算法在FLIR数据集上m AP50达到了80.5%，与基准模型相比提升了2.9%，其检测性能同样优于最新YOLO检测算法。

关键词： 月球   移动目标检测   YOLOv11n   颈部网络   注意力机制  

摘要： 随着人类深空探测迈向常态化，月球表面移动目标的可靠检测已成为制约探测器自主性提升的核心技术瓶颈。针对这一问题，本文提出一种基于改进YOLOv11n的移动目标检测轻量化模型YOLO-VGC。该模型通过引入VoV-GSCSP模块替换颈部网络C3k2模块，有效降低计算冗余并实现轻量化特征融合。同时嵌入卷积块注意力模块（Convolutional Block Attention Module，CBAM），强化对移动目标关键特征的捕捉能力，显著提升模型对月尘环境下移动目标预测区域的关注度。实验数据表明，相较于YOLOv11n模型，改进后的YOLO-VGC模型在mAP50指标上提升7.6%，对月尘环境下移动目标检测任务具有良好适应性与高效性。

关键词： 目标检测   YOLOv8   无人机图像   特征融合   损失函数  

摘要： 针对航拍图像小目标检测中存在的检测精度低和模型参数量大的问题，提出兼顾性能与资源消耗的航拍小目标检测算法.以YOLOv8s为基准网络，通过降低通道维数和加强对高频特征的关注，提出自适应细节增强模块（ADEM），在减少冗余信息的同时加强对小目标细粒度特征的捕获；基于PAN-FPN架构调整特征融合网络，增加对浅层特征的关注，同时引入多尺度卷积核增强对目标上下文信息的关注，以适应小目标检测场景；针对传统IoU灵活性、泛化性不强的问题，构建参数可调的Nin-IoU，通过引入可调参数，实现对IoU的针对性调整，以适应不同检测任务的需求；提出轻量化检测头，在增强多尺度特征信息交融的同时减少冗余信息的传递.结果表明，在VisDrone2019数据集上，所提算法以8.08 M的参数量实现了mAP0.5=50.3%的检测精度；相较于基准算法YOLOv8s，参数量降低了27.4%，精度提升了11.5个百分点.在DOTA与DIOR数据集上的实验结果表明，所提算法具有较强的泛化能力.

关键词： YOLOv9   蘑菇检测   CoordConv   空间位置定位   DSConv  

摘要： 由于蘑菇存在种类繁多、特别是野生蘑菇形态特征复杂且存在大量相似种的特点,导致基于视觉的自动识别系统在处理种间区分时面临严峻挑战.本研究通过优化YOLOv9深度学习模型,着力提升野生蘑菇的自动检测与分类准确性,实现不同物种的精准区分,为野外采摘提供物种鉴别辅助.通过集成专门针对蘑菇形态多样性设计的动态蛇形卷积(DSConv)和增强空间信息处理能力的坐标卷积(CoordConv),成功开发了一种专门优化蘑菇形态多样性和空间位置定位的深度学习模型,显著提高了蘑菇种类检测的精确度.经过一系列实验评估,改进后的YOLOv9模型在蘑菇检测任务上相比于YOLOv9-C模型识别准确率提升了3.5%,召回率提升了2.3%,其他性能指标也有很大提升,相比于当前主流算法及原始版本显示出明显优势,证明了其在实际应用中的强大潜力.

关键词： 目标检测   YOLOv10   CaFormer   BiFPN   智能驾驶  

摘要： 伴随自动驾驶技术向L4/L5级别演进,提高·视觉感知系统在低光照、高度遮挡及多尺度目标场景下的检测抗干扰性成为核心难题.针对YOLOv10模型在复杂环境条件下特征表达能力不足、多尺度融合效率受限的问题,提出一套轻量化结构优化方案.该方案在主干网络中嵌入CaFormer模块,并基于MetaFormer框架融合通道注意力机制与深度可分离卷积,借助“令牌混合器+通道处理器”的范式提升上下文语义建模能力;在特征融合阶段引入双向加权特征金字塔网络(Bi FPN),利用可学习权重动态调整自顶向下与自底向上路径的特征交互,提升小目标与弱特征目标检测的精度.与基准模型(YOLOv10)相比,改进模型(YOLOv10-Bi FPN-CaFormer)在原始数据集上的mAP@0.5达到95.8%,在KITTI数据集上也达到86.5%;即使在极端光照条件下(ExDark数据集),精度(P)仍达到0.69.实验结果表明,改进模型可协调发挥CaFormer与BiFPN的作用,较好达成检测精度和推理效率的协同优化.

关键词： 目标检测   注意力机制   特征匹配   多目标关联   多视点融合  

摘要： 针对图像目标识别因遮挡等原因造成的误检、漏检问题,本文提出了一种基于多视点信息融合的图像目标识别算法.该算法首先采用所提EYOLO模型来有效检测图像中的目标对象.然后采用ORB及FLANN算法快速实现特征点的提取及匹配.同时,利用随机一致性采样算法进行特征点对的精匹配,并求解出最优的坐标变换矩阵,实现多目标关联.最后对关联结果进行多视点融合,综合目标关联结果调整目标的置信度值,并采用投票决策机制实现对目标所属类别的最终判定.在自建数据集上的实验结果表明,在目标检测平均精度方面,相比于原YOLO模型的81.9%,本文方法的平均精度可提升至88.1%.在此基础上通过多视点目标关联和融合后的目标识别准确率可达98.1%,从而证明了本文方法的有效性.