关键词： 目标检测   计数信息   Transformer  

摘要： 目标检测技术作为智能感知的核心环节，在自动驾驶、智能安防等领域具有重要应用价值。针对复杂场景下传统DETR模型特征表征能力受限的问题，本研究提出融合目标计数信息的Counting-DETR算法，实现了检测精度与推理效率的双重提升。该方法是一种基于集合的全局损失，其通过二分匹配强制进行唯一预测，用目标计数信息来辅助视觉特征增强，将其注入视觉模型当作全局线索增强视觉特征的推理能力。提出一个基于全局计数信息的Transformer编码器，以便提取更全面的视觉特征表示来指导模型得到更准确的检测结果。实验结果表明，将目标计数信息融合到视觉模型能有效增强模型对复杂场景的语义理解，为解决动态环境中的目标漏检、误检问题提供了新思路，为多模态感知算法的工程化应用奠定理论基础。

关键词： RGB-T跟踪   多模特征融合模块   特征空间位移模块   特征交互学习模块  

摘要： 为解决现有目标跟踪算法深层次特征提取困难、不能充分利用跨模态信息以及目标特征表示较弱等问题,提出了基于孪生网络的特征融合位移RGB-T目标跟踪算法.首先,基于可见光模态SiameseRPN++的目标跟踪框架,扩展设计红外模态分支,以获得多模态目标跟踪框架,设计了改进步长的ResNet50作为特征提取网络,有效挖掘目标的深层次特征.随后,设计特征交互学习模块,利用一种模态的判别信息引导另一种模态的目标外观特征学习,挖掘特征空间和通道中的跨模态信息,增强网络对前景信息的关注.然后,设计多模特征融合模块计算输入的可见光图像和红外图像的特征融合度,对不同模态的重要特征进行空间融合以去除冗余信息,并采用级联融合策略重建多模态图像,增强目标特征表示.最后,设计特征空间位移模块,分割红外模态分支的特征图并向四个不同方向移位,增强热源目标特征的边缘表示.在两个RGB-T数据集上的实验验证了提出算法的有效性,消融实验证明了设计的单个模块的优越性.

关键词： 雾天场景   图像去雾   YOLOv7   实时目标检测  

摘要： 雾天场景下，拍摄的图像模糊、细节信息缺失，目标与背景难以区分。针对现有深度学习目标检测算法易出现漏检、误检、识别速度慢等问题，提出一种基于YOLOv7的雾天实时检测算法。以YOLOv7为基线，在其前端设计包含AOD去雾子网络和雾天图像生成子网络的循环去雾双子网络。轻量化的AOD去雾子网络占用很少的计算资源，有效克服雾天对图像造成的负面影响，增强模型的特征提取能力；雾图像生成子网络在模型训练阶段协助提升AOD子网络的去雾性能，并在测试时不参与计算，显著减少推理时间。改进的图像重建损失函数引入模糊图像信息，并将整体网络统一训练有效地结合去雾和检测任务。将CityScapes数据集合成得到两个不同雾浓度的雾天图像数据集，在两个数据集上的实验结果表明，该方法的平均精确度分别为65.2%、64.2%，检测速度FPS为42.4，模型精度在所有对比方法中最优且能实现实时检测；最后将训练好的各模型在RTTS数据集上进验证，所设计的模型泛化能力超过其他方法。

关键词： 数字图像处理   人工智能背景   教学内容   教学方法   教学改革  

摘要： 随着人工智能技术蓬勃发展,数字图像处理技术迭代速度加快,因为该课程有应用广泛和多领域交叉融合的特性,传统教学模式需要革新,在这样的背景下,数字图像处理技术课程教学改革变得很迫切,要把前沿技术和知识内容紧密结合,推动该领域教育现代化,本文从多个维度探讨课程内容优化、教学方法创新、教学考核体系构建、明确教学目标、转变教学模式以及更新教学理念等关键问题,打破传统框架限制,培育有卓越专业素养的数字图像处理技术人才。

关键词： 细粒度   遥感舰船图像   目标检测   多尺度融合   深度学习  

摘要： 遥感舰船目标检测与分类任务旨在准确识别和定位遥感图像中的舰船目标,从而为军事侦察、海上救援、海洋监控以及海上交通管理等领域提供有效的技术支持.为解决复杂背景和相似类别中的精细化船舶分类问题,本文提出了一种基于两阶段细粒度精细化检测模型的自适应加权组合卷积舰船目标检测方法.一方面,结合普通卷积在提取目标基本特征方面的高效性和膨胀卷积在扩大感受野、捕捉多尺度上下文信息方面的优势,实现了局部与全局特征的有效融合,加强突出舰船目标,减少背景干扰的能力.另一方面,模型通过计算方差、空间和边缘信息多尺度自适应调整特征提取,同时结合全局和历史数据优化阈值计算权重动态调整两种卷积的分配,提高模型对复杂场景的适应性.实验结果表明,本文提出的检测方法在ShipRSImageNet数据集、MAR20数据集上的平均准确率达到55.83%、59.06%,比基准模型提高了3.56%、1.68%,证明了其在复杂环境下船舶细粒度识别的准确性,有效性.

关键词： BL-YOLO   目标检测   无人机图像   BiFPN   YOLO v10  

摘要： 针对传统无人机航拍图像中目标尺度多样、背景复杂、小目标密集等特点，当前目标检测算法存在漏检、误检等问题，提出一种BL-YOLO（BiFPN-LSKA YOLO）目标检测算法。首先，在检测头前增加LSKA（Large Separable Kernel Attention）注意力机制，使模型在检测前能将注意力集中于最关键的特征。然后，添加一个大尺寸160×160目标检测头以提升对航拍图像小目标的检测能力。最后，设计使用BiFPN（Bidirectional Feature Pyramid Network）重构颈部结构，使得网络实现多层特征融合。实验结果表明，基于BL-YOLO网络结构的目标检测的mAP@0.5为37%，模型较YOLO v8n、v10n、v11n分别提升了4.0%、4.6%、4.4%，BL-YOLO的参数量较YOLO v8n、v10n、v11n分别下降了18%、8.6%、4.7%，通过在Dronevehicle红外数据集上的泛化实验也验证了模型的有效性，BL-YOLO算法能够有效地实现无人机航拍图像的目标检测。

关键词： 木材缺陷   目标检测   深度学习   YOLOv8   特征提取   多尺度融合   算法优化   智能识别  

摘要： 针对木材加工业自动化生产场景中传统缺陷检测方法适应性不足的瓶颈问题，开展基于深度学习的智能检测技术研究，构建涵盖多树种特征及典型缺陷类型的数据集。将目标检测技术用于缺陷检测，利用膨胀感知残差（dilation wise residual，DWR）模块优化C2f模块，并提出任务对齐动态检测头（task aligned dynamic detection head，TADDH）和特征聚焦扩散金字塔网络（focusing spread pyramid network，FSPN），用于改进YOLOv8算法（DFT-YOLO）。试验结果显示，经过改进的模型在精度上取得显著提升，达到了96.8%，相较于原始模型提高7.9%；在关键评价指标平均精度mAP50和mAP50:95上，改进后的模型分别达到93.8%和75.2%，提高了分别6.8%和17.5%；在提高检测精度的同时模型的参数量减少了约1/6（16.2%）。改进的模型能够为木材缺陷的检测提供一种轻量化的检测方法。

关键词： 昆虫   目标检测   图像识别   计数   检测模型  

摘要： 物种种类识别与计数是田间昆虫目标检测的重要内容，其对害虫的监测预警及科学防控具有重要意义。传统人工识别昆虫种类和计数的方法效率低，难以应对田间昆虫种类的多样性，且无法满足智慧化农业对害虫防控工作的需要。随着计算机与互联网技术的快速发展，昆虫目标检测手段逐渐智能化、精准化。基于图像的昆虫目标检测方法凭借其高效、易操作、适用范围广等优势，成为近年来国内外昆虫种类识别与计数研究热点和主要技术手段。本文综述了传统目标检测算法特征提取技术和分类器；详述了基于锚框（Anchor based）深度学习目标检测模型，如YOLO（You only look once）系列、SSD（Single shot multibox detector）系列等；介绍了无锚框（Anchor free）深度学习目标检测模型，如CornerNet系列等。本文还探讨了基于图像的昆虫目标检测存在的问题及未来的研究方向。

关键词： YOLOV11   小目标识别   安全帽检测   计算机视觉   模型轻量化  

摘要： 【目的】 针对煤矿井下工作面多源动态干扰（燃煤扬尘弥散、设备空间遮挡等）引发的安全帽小目标检测性能劣化问题，本研究提出基于改进型URBE-YOLOv11n的井下安全帽检测算法。【方法】 首先，针对多尺度特征提取需求，构建基于跨层多感受野融合的C3fK2-URPN模块，通过Backbone网络末端层级重构优化特征金字塔结构，有效增强模型对井下安全帽小目标的多尺度表征能力，特别是在复杂背景干扰下显著抑制尺度敏感性衰减现象。其次，为提升模型在复杂场景下的性能，颈部网络中的双向融合层（BiFusion）通过参数化门控单元实现双向特征传播，有效融合低层次的空间细节与高层次的语义上下文，从而减轻环境微粒和结构性障碍物的干扰，提高了特征融合的效率；然后，在Head部分改进目标检测头Detect-Efficient，在尽量增加对井下安全帽小目标的检测性能前提下保持模型轻量模型的；【结果】 实验结果表明：URBE-YOLOv11n相对于YOLOv11n相比，map@50提升11.2%，达到86.6%，计算效率提升了23.52%。在保持检测精度的同时显著降低模型复杂度与参数量，实现目标检测任务中精度与效率的最优权衡。【结论】提出了一种轻量级检测框架，可有效解决动态多干扰地下环境（如灰尘遮挡、设备障碍）中的精度下降问题。同时保持边缘部署的计算效率，用于实时安全监控。

关键词： YOLOv11   小目标   多尺度特征融合   无人机  

摘要： 针对无人机小目标检测任务中小目标像素少、尺度变化大、易受背景干扰的问题，提出一种基于YOLOv11的改进算法。首先，设计新的ELAN-DC模块改进主干网络，在高效层聚合网络ELAN的CBS模块中结合双卷积DC，增强模型主干部分的特征提取能力。其次，设计一种新的全局到局部双向特征融合结构GLBiFPN，提升多尺度特征融合的效果。最后，引入动态检测头Dyhead，进一步增强模型的检测精度。实验结果表明，在VisDrone2019数据集上，改进算法的检测精度mAP50和mAP50-95相比YOLOv11n分别提高5.1%和3.5%。