关键词： 目标跟踪   跨模态特征交互   模态特异性特征   分层决策  

摘要： 红外图像与可见光图像具有互补优势，将红外模态引入目标跟踪能够显著增强跟踪算法对复杂环境的适应能力。近年来，一些研究将模态特异性特征提取与跨模态特征交互相结合，使跟踪性能取得了显著提升。然而，这类方法往往采用粗粒度的结合方式，难以兼顾视觉模型不同层级对特征的差异化需求。为解决这一问题，并考虑到模型各层级对不同特征的内在偏好，本文提出了一种层次感知的动态跟踪框架。该方法采用分层决策的机制，自适应地提取满足各层特定需求的特征，并通过设计简洁高效的特征处理模块，以更细粒度的方式实现模态特异性特征提取与跨模态特征融合。该机制继承了以往多种框架的优势，构建出结构上更具自适应性的多模态跟踪方法。实验表明，本文所提出的方法在多个数据集上均取得了优越的跟踪性能。

关键词： 渐进混合编码   跨尺度交互   特征融合   无人机检测   目标检测  

摘要： 基于视觉的无人机目标检测方法，在无人机监管和国防安全领域具有重要作用。然而，由于无人机目标较小，在复杂背景下容易存在目标特征提取困难、检测率低、模型计算量大等问题。为解决上述问题，本文在RT-DETR方法上进行改进，提出了基于渐进混合编码层PHE(Progressive Hybrid Encoding)的无人机目标检测方法（PHE-DETR）。该方法通过设计渐进混合编码层来实现解耦内尺度交互与跨尺度融合操作。具体的，渐进混合编码层包含内尺度交互模块和自适应跨尺度特征融合模块。内尺度交互模块可进一步提取无人机目标的深层次特征；自适应跨尺度特征融合模块可实现渐进特征融合并减少非相邻层特征之间的语义差距。实验结果表明，本文PHE-DETR方法在Det-Fly和ARD-MAV两个无人机检测数据集上均取得了最优性能。在Det-Fly数据集上，本文方法比次优方法 MHAF-YOLO，在mAP50指标上提升0.9百分点；在ARD-MAV数据集上，本文方法比次优方法 RT-DETR，在mAP50指标上提升4.5百分点。同时相比于基准RTDETR方法，本文方法参数量和计算量下降了约30%。

关键词： 目标跟踪   无人机轨迹预测   扩展卡尔曼滤波   RTS平滑   SG滤波   数据融合  

摘要： 针对扩展卡尔曼滤波（Extended Kalman Filter，EKF）在预测无人机轨迹过程中存在的波动性问题，从实际拦截任务的角度出发，考虑轨迹的平滑性与精准性对拦截成功率的影响，提出一种基于固定滑动窗口的 EKF-RS 算法。该算法实时结合萨维茨基-戈莱（Savitzky-Golay，SG）滤波方法与固定区间平滑（Rauch-Tung-Striebel，RTS）算法，对滑动窗口内的 EKF 后验状态估计值进行优化。基于数据融合思想，通过构建并优化目标函数得到最优权重系数并对两类优化结果进行加权融合，获得兼顾平滑性与运动趋势的预测轨迹。最后，通过建立仿真无人机轨迹数据集对算法进行验证，实验结果表明该方法能够有效提高预测轨迹的平滑性与精准度，为提升拦截器的跟踪与拦截性能提供支撑。

关键词： 织物疵点   疵点检测   YOLOv8   Transformer   BiFPN   Focal-EIoU  

摘要： 针对YOLOv8模型在织物疵点检测任务中特征提取能力弱与误检现象频繁等问题，提出一种基于改进YOLOv8的织物疵点检测算法（YOLOv8-SEBF）。针对织物疵点特征提取能力弱的问题，引入EnhanceDATransformer，通过Transformer模拟织物纹理的长程依赖关系，全局建模并强化特征；针对误检的问题，引入SCConv，联合空间与通道维度的特征重建来增强模型表达能力，并通过空间-通道协同过滤显著降低纹理背景导致的误检；在融合层中用BiFPN取代PAN，通过跨尺度加权融合机制，强化融合特征的表达能力；优化CIoU为Focal-EIoU，通过引入动态加权机制，加强难易样本平衡与微小疵点的梯度回传，以提高模型检测准确率和稳定性。改进的算法在实际生产数据集上进行试验，结果表明：YOLOv8-SEBF算法的mAP值达93.8%，较原始YOLOv8提升16.0个百分点，在保证检测速度的前提下，显著提升了模型的整体性能。

关键词： 目标检测   深度学习   标签分配   多尺度注意力   大核网络  

摘要： 光学遥感图像目标检测是遥感图像数据智能解译的关键技术。为了解决遥感图像目标检测时目标尺度差异大，目标受背景因素干扰，目标形状各异的问题，提出了LMK(large multiscale kernel)网络。该网络通过大核卷积分解和多尺度注意力机制模块，能够动态调整空间感受野，从而更好地捕获遥感场景中物体的上下文信息。此外，设计了一种面向目标检测的形状自适应选择（SAS,shape-adaptive selection）标签分配策略。该策略将目标形状信息集中于长宽比，通过结合物体的形状信息和特征分布计算IoU最优阈值。针对遥感图像目标姿态旋转定位难的问题，引入了KFIoU损失函数。实验结果表明，所提出的目标检测模型在HRSC2016,UCAS-AOD和DOTA数据集上的精度分别达到了96.73%,97.85%和77.26%。改进后的模型优于目前绝大多数目标检测算法。

关键词： 鱼苗计数   图像处理   计算机视觉   目标检测   算法优化  

摘要： 随着水产养殖业的快速发展,鱼苗计数成为养殖管理中的重要环节。传统的人工计数方法效率低且容易出错,难以满足大规模养殖的需求。文章基于计算机视觉技术,提出了一种优化的图像处理算法,用于实现鱼苗的自动计数。通过图像预处理、目标检测和计数算法优化,显著提高了鱼苗计数的准确性和效率。实验结果表明,该算法在复杂背景下仍能保持较高的计数精度,为水产养殖的智能化管理提供了技术支持。

关键词： 遥感图像   目标检测   旋转目标检测   小目标   高密度   倾斜边界框   跨尺度融合   两阶段检测器  

摘要： 小而杂乱的物体交织在一起，在遥感图像中尤为常见，给目标检测带来了巨大挑战。在旋转目标检测任务中这个困难更加突出。鉴于此，本文提出了基于提案增强的解耦特征挖掘旋转检测器(decoupled feature mining rotational detector based on proposal enhancement， PDMDet)。首先，采用单阶段检测器取代两阶段检测器的提案生成网络，通过生成高质量提案以减少背景冗余。其次，在相同维度使用自注意力，不同维度使用交叉注意力，通过对相同维度特征增强，不同维度特征交错融合提升检测器对不同尺寸目标的识别能力。最后，鉴于分类和定向边界框回归任务对特征的敏感性不同，本文提出解耦特征细化处理两个不同任务。通过实验，PDMDet在DOTA-v1.0，DOTA-v1.5和HRSC2016这3个数据集上分别取得单尺度78.37%、72.35%、98.60%的平均精度均值，检测准确率高于其他算法，在复杂的旋转目标检测场景具有一定的竞争力。

关键词： 红心李检测   YOLOv7-Tiny   遮挡   目标检测  

摘要： 在果园红心李检测任务中,首要任务是准确识别红心李。然而由于红心李枝叶茂盛、果实重叠,增加了识别的难度。基于此,通过修改YOLOv7-Tiny模型的主干,来提升遮挡环境下果实检测的精度。首先,在MobileNetV3主干的MobileBottleneck(Bneck)模块中将SE注意力机制修改为NAM注意力机制,关注训练过程调整权重的信息,提高对果实关键特征的检测,构建新的NBneck模块;然后,在MobileNetV3主干中加入Diverse Branch Block(DBB)模块,增强对被遮挡果实不明显特征的提取能力;最后,构建新的主干DN-MBV3来替换YOLOv7-Tiny的原有主干网络,并减少网络的参数量。在相同试验条件下,与SSD、YOLOv4-Tiny、EfficientDet、Faster-RCNN等模型相比,改进的YOLOv7-Tiny精度明显优于其他网络。与YOLOv7-Tiny相比,红心李的均值平均精度(mAP)提高了4.89个百分点,召回率提升了11.59个百分点,同时模型体积减小了4.3 MB,具有检测精度高、尺寸小等优点。

关键词： 智能船舶   内河船舶   PEW-YOLO   目标检测   WIoU  

摘要： 内河船舶目标检测中，众多检测对象属于小目标范畴，其在图像中的像素占比有限，且由于水域环境干扰等问题，导致检测精度不足，误检、漏检现象频发，为此研究了PEW-YOLOv8(YOLOv8+P2检测层+EfficientNetV2+WIoUinner)目标检测算法。新增160×160分辨率的P2浅层次小目标检测层，通过32维特征空间重构实现多尺度特征的动态权重分配，设计高低层特征的双向交互机制，增强对小型船舶目标的特征提取能力；为应对多层次目标检测头导致的模型训练参数量增加的难题，采用改进的EfficientNetV2高效架构优化策略，引入Stems模块采用GELU激活函数避免梯度爆炸和训练不稳定，训练阶段保留扩展4倍的通道数，简化卷积结构显著加速训练过程，同时保证模型训练质量；设计动态非单调聚焦机制的WIoUinner损失函数，构建具有一定尺度差异的辅助预测框，加速边界框收敛速度，使模型在预测框与真实框重合良好时更注重中心点之间的距离，减轻几何度量的惩罚，从而提升模型的泛化能力。通过融合公开的Seaships数据集与自建数据集形成的数据集进行算法与实验验证，结果表明：同YOLOv10相比，PEW-YOLOv8平均检测精度达到94.8%，提升了3%，计算复杂度显著降低，FLOPs优化至3.7 G，降幅达43.1%，展现了在内河船舶目标检测精度和效率方面的优势；热力图分析进一步凸显了模型能有效聚焦内河船舶特征，验证了算法在复杂内河场景下的检测鲁棒性。