关键词： 图像处理   目标检测   注意力机制   多模态融合   Transformer  

摘要： 基于可见光与红外图像融合的目标检测技术旨在利用两种模态的互补特征来提高检测器的性能。然而，现有的方法大多只利用两种模态的相似特征来进行特征增强，忽略了模态间的互补特征以及各自的固有特征。为了解决这些问题，本文提出了一种基于交叉注意力特征增强的跨模态目标检测算法（CAMNet）。首先，本文设计了特征增强模块（FEM），通过Transformer高效的自注意力机制来增强模态内的固有特征。此外，本文提出了交叉注意力模块（CAM），通过交叉注意力机制从通道和空间两个维度来增强模态间的互补特征。最后将这两个模块集成到主干网络的各个阶段，以提高模态间的信息交互能力。结果表明，在VEDAI和FLIR数据集上，与单一模态（RGB）检测结果相比，CAMNet的平均精度（mAP50）分别提升了8.1%和18.1%，与Add融合检测结果相比，mAP50分别提高了6.4%和3.3%。

关键词： 目标检测   无人机   风机叶片   YOLOv5模型  

摘要： 针对风力涡轮机叶片在复杂环境载荷下易发生表面损伤,从而影响结构安全的问题,文中提出了一种基于YOLOv5改进的风机叶片缺陷检测算法WTYOLO。该算法利用无人机获取风机叶片外观影像,实现了高效自动缺陷检测。具体优化包括:引入MobileNetV3优化主干网络以降低模型参数量并提升特征提取能力;融合注意力机制,增强缺陷区域特征表达,减少背景噪声干扰;采用MPDIoU损失函数,提高目标框回归精度。实验结果表明,WTYOLO在mAP@0.5指标上达到84.19%,优于现有主流目标检测算法,同时具备更快的推理速度和更低的计算成本,满足风机叶片缺陷检测的实际应用需求。

关键词： 视觉SLAM   深度特征   特征提取   动态环境   弱纹理环境  

摘要： 针对视觉SLAM在复杂室内场景中因手工特征点鲁棒性不足、动态干扰引发的建图与定位精度下降问题，本文提出基于深度特征点与目标检测的R2D2-SLAM算法。首先，针对手工特征点在弱纹理环境下鲁棒性不足的问题，采用基于自监督学习的R2D2特征点提取网络替代传统模块，提升特征点的可重复性与匹配可靠性。其次，提出轻量化R2D2网络架构，通过降低输入分辨率减少计算负载，并引入ECA补偿性能损失。最后，为解决动态物体干扰，本文采用轻量化目标检测网络YOLOv8-n快速定位潜在动态区域，并通过结合深度图像分析生成动态物体掩码，以精准消除动态特征点。实验结果表明，在动态场景下，本文算法在TUM walking序列的平均ATE RMSE较ORB-SLAM2降低了88.17%，较DS-SLAM与DynaSLAM分别降低30.66%与11.74%；在极端弱纹理环境str＿ntex＿near序列中的ATE降低至0.017m，验证了其在弱纹理环境下的鲁棒建图和持续跟踪能力。

关键词： Transformer   图像处理   超分辨率   卷积神经网络  

摘要： 针对现有Transformer模型在单图像超分辨率任务中参数量大、计算复杂度高的问题,提出一种轻量化SISR模型—SEST (Super-resolution Enhanced Spatial Transformer)。该模型引入了多头注意力机制和特征分割模块,显著降低了内存需求,并通过局部特征混合器和增强空间注意力机制提升了纹理细节的恢复能力。实验结果表明,SEST在多个标准测试集上的表现优于现有的轻量化SISR模型。特别是在峰值信噪比(PSNR)、结构相似度(SSIM)和参数数量方面实现了更好的平衡,为资源受限环境下的图像增强提供了可行的解决方案。

关键词： 深度学习   目标检测   红外图像   YOLOv8   行人车辆  

摘要： 为解决交通安全系统中红外道路行人及车辆目标检测中的漏检、误检及精度较差的问题，对基础YOLOv8进行改进，提出改进SDL-YOLO算法。通过引入空间深度转换卷积SPDConv以增强多尺度特征捕获，解决图像分辨率较低及目标检测困难问题；其后引入一种轻量级上采样算子DySample，通过动态采样策略以优化复杂场景特征图，改善目标边界模糊及环境遮挡问题；最后将检测头改为轻量化共享卷积检测头LSCD，以减少模型参数及计算量，在提升检测精度的同时保证轻量化。与此同时，在公开红外夜景数据集上使用量化评价指标P、R、mAP及FLOPs对算法进行综合评估。实验结果表明，SDL-YOLO相较原始算法，其精确率P提高1.5%、召回率R提高1.5%、平均精度mAP50及mAP50-95分别提高1.5%及1.7%，同时具有较低的模型复杂程度FLOPs。通过检测效果可视化分析进一步论证了SDL-YOLO算法在提升检测精度、改善漏检及误检方面的有效性。

关键词： 无人机   目标检测   YOLOv8   特征融合   注意力   轻量化   损失函数  

摘要： 针对无人机航拍图像中小目标实例多、目标之间相互遮挡所导致的误检、漏检等问题，提出了一种改进YOLOv8目标检测算法。首先，将优化后的加权双向特征金字塔网络（BiFPN）应用于YOLOv8中，重构了网络结构，实现了高效的多尺度特征融合，提升了检测精度。其次，引入感受野注意力（RFA）机制，并构建感受野注意力卷积（RFAConv）模块替代了主干网络中的CBS模块，增强了特征提取能力，特别在小目标和遮挡目标检测上表现出色。为了减小模型参数量并有效抑制信息损失，设计了C2f＿GhostBottleneckV2轻量化模块，替代了部分C2f模块，优化了远程特征传输。最后，提出了一种结合Inner-IoU和Wise-IoU v3的新型损失函数——Inner-WIoU，通过动态非单调调频机制和辅助边框的设计，提高了模型对目标位置和形状的描述能力。实验结果表明，改进后的算法在VisDrone2019数据集的验证集与测试集上将mAP@0.5分别提高了3.6%和3.3%， 在TinyPerson v2数据集的验证集与测试集上将mAP@0.5分别提高了1.7%和2.4%，这证明了所提算法在无人机航拍图像目标检测中的有效性和创新性。

关键词： 红外小目标   目标检测   多尺度特征融合   跨越连接   特征平衡   无人机  

摘要： 提出了一种基于编码-解码结构的红外无人机检测模型——FENet。在该模型中，设计了多尺度特征注意模块，强化目标特征表达以增强模型的判别能力，并采用低级特征分布策略补充小目标丢失信息。此外，通过局部上下文通道注意力模块优化特征传递，平衡不同层的特征信息。并设计自适应多尺度检测的联合损失函数优化整体监督与像素级监督之间的权衡，降低漏检率并提高精度。在无人机红外数据集AntiUAV410上的实验结果表明，FENet在平均交并比上提升了1.93%，检测精度提升了1.74%，误报率降低了30.16，这些结果表明，FENet在检测性能上显著优于现有的代表性方法，展现了较高的检测精度和鲁棒性。

关键词： 葡萄病害   目标检测   YOLO v5s   注意力机制   微信小程序  

摘要： 针对田间环境下葡萄病害尺度多样、表征相似及模型复杂度较高的问题，提出一种基于YOLO v5s-RCW的葡萄病害检测方法。以YOLO v5s为基线网络，在特征提取结构中引入感受野注意力卷积模块（Receptive-Field attention convolution，RFAConv），有效解决了传统卷积操作在处理不同尺寸病害目标时参数共享的限制；同时，以智能交并比损失函数（Wise intersection over union，WIoU）替换完整交并比损失函数 (Compatible intersection over union，CIoU)，优化了不同尺寸锚框的惩罚机制，显著降低了病害尺度变化引起的性能波动。结果表明，该模型相比YOLO v5s，准确率、召回率和平均精度均值分别提高7、6、1.7个百分点，且通过在主干网络添加卷积块注意力模块（Convolutional block attention Module，CBAM），进一步提高了模型的特征判别能力，参数量降低18.3%。将YOLO v5s-RCW模型部署至云服务器，用户通过微信小程序调用转化为应用程序编程接口（Application programming interface，API）的检测功能，可实现对葡萄病害的便捷性检测，模型推理平均用时13.9 ms，提高了病害检测的效率和准确性，为葡萄病害检测提供了技术支持。

关键词： Transformer   猪只计数   CBAM   SimSPPF   Wiou   Soft-nms  

摘要： 猪只计数是大规模养猪场在养殖过程中的一项非常重要的工作。在复杂的猪圈环境中，由于猪的应激反应和诸多的障碍物，想要进行准确且自动化的计数是一个非常困难的工作。为了提高在复杂环境下识别，该文提出了一种基于YOLOv8的猪只数量目标检测模型（SCS-YOLOv8），旨在提高养殖场中猪只计数的准确性和效率。首先，该模型在第5层的C2f层融入Swin Transformer模块，增强模型的特征提取能力。同时，在第10层增加卷积块注意力模块（CBAM）注意力机制，增强模型对小目标和遮挡目标的检测能力，提升模型的鲁棒性。此外，还引入了简化的空间金字塔池化快速模块（SimSPPF）模块降低计算量，提高了推理速度，采用基于动态非单调聚焦机制的边界框回归损失（WIoU）损失函数更好地处理猪只的遮挡问题和目标较小的问题，提高模型在复杂场景下的检测性能，并结合软非极大值抑制方法（Soft-NMS）防止两个重合度过高的目标漏检。实验证明，该模型在自制数据集和科大讯飞公开数据集上均取得了优异的性能，其中在自有数据集上的mAP50-95值达到了77.2%，较初始YOLOv8x提高了4.8%，相较于其它yolo模型都有不同程度的提升。同时该模型在科大讯飞的数据集上也有着不错的表现，证明了其良好的泛用性和鲁棒性。

关键词： 航拍检测   目标检测   注意力机制   交通安全   深度学习  

摘要： 针对当前无人机在航拍检测任务中存在的对小型目标的检测精度低、漏检误检，模型参数量大导致检测效率较低等问题，以及满足对高速公路实时检测的要求，提出更适用于无人机航拍检测任务的SCW＿v8n算法。首先在C2f模块中创新性融入设计的MCCA注意力机制，增强对目标细节信息特征的提取，这会导致模型参数量变大从而影响检测效率；故将原模型中的骨干网络替换为ShuffleNetV2网络，在完成轻量化的同时提升对目标的检测效率和精度；最后将CIoU 损失函数替换为WIoUv3损失函数，增强模型的泛化能力。实验表明：SCW＿v8n检测模型的平均精确率（map@0.5）提升9.8个百分点，达到了86.5%，整体性能相较于原始模型有了明显的提高。