关键词： 太空台风   YOLOv8   目标级融合   特征级融合  

摘要： 【目的】太空台风作为日地相互作用引发的典型现象,其在中高层大气中巨大的能量气旋往往伴随着极光现象的产生。通过对极光图像的识别可以帮助科学家寻找典型的太空台风事件,然而目前寻找事件主要依赖专家对极光图像的人工鉴别,较为低效。为解决上述问题,本文探索了基于深度学习的多波段图像联合目标检测方法,实现了对太空台风的事件识别与精准定位。【方法】本文利用DMSP/SSUSI的121.6 nm、135.6 nm、LBHS、LBHL四个波段极光图像识别太空台风事件,基于YOLOv8算法框架,引入了目标级融合与特征级融合策略,同时建立了单波段以及多波段融合的太空台风识别模型。【结果】在事件识别任务中,通过单波段基准模型与多波段融合模型的实验结果进行对比。结果显示特征级融合中的1216_LBHL组合表现最优,F1值达0.941;目标检测任务中,目标级融合中的1216_LBHL组合AP值最高,为0.917。【结论】特征级融合在太空台风事件识别中更具优势,目标级融合则更适用于目标检测任务,说明多波段互补性与融合策略的组合优化是提升检测性能的关键。

关键词： 目标检测   YOLOv5s   室内早期火灾检测   轻量化  

摘要： 针对传统火灾检测系统在室内火灾在早期发生检测精度低、预警不及时等问题,提出一种基于改进YOLOv5s的室内早期火灾目标检测算法。该方法将MobileNetV3引入YOLOv5s模型中作为主干特征提取网络,并引入GhostNet网络结构中的深度可分离卷积GhostConv和C3Ghost代替原模型Neck部分特征融合网络中的普通卷积层,显著降低模型的计算参数量。在特征提取网络末端加入CA注意力机制,弥补了网络轻量化改进带来的精度损失;最后采用EIoU代替边框回归损失函数CIoU,优化了网络收敛速度以及提高了检测框的定位精度。实验结果表明,改进后的算法在自制的室内早期火灾数据集上,对比原YOLOv5s算法,模型参数量减少了4.8×10^(6),模型权重降低了9.6 MB,模型推理速度提升了91 FPS,精确率提高了1.7%,m AP@0.5提高了3.2%,所以,改进后的检测模型在保证轻量化的同时保证了检测精度。

关键词： 深度学习   目标检测   YOLOv5s   多尺度特征提取   注意力机制  

摘要： 针对传统坦克目标检测算法存在检测精度不足和误检等问题,提出一种基于改进YOLOv5s的目标检测算法。设计了一个能够提取多尺度特征的网络模块,对YOLOv5s中的C3模块进行优化,从而增强算法的特征提取能力;提出了一种基于空间金字塔池化改进的特征提取模块,通过增加不同尺度的池化核,捕捉不同尺度的特征信息;引入并改进了倒置残差移动块(inverted Residual Mobile Block, iRMB),并将其中的注意力模块替换为大核可分离注意力模块(Large Separable Kernel Attention, LSKA),提高网络识别关键信息的能力。在坦克数据集上进行测试的结果表明,改进后的算法在平均精度上提高了3.2%,召回率提高了2.1%,mAP50提高了1.1%,mAP50-95提高了2.5%,证明改进后的YOLOv5s模型在坦克目标检测方面具有显著的性能优势。

关键词： 目标检测   YOLO   轻量化   嵌入式设备   航拍图像  

摘要： 目前无人机航拍图像的目标检测算法存在模型体积大、网络参数量大、检测精度低等问题,导致其难以部署应用在计算资源有限和功耗较低的嵌入式或者边缘设备上。针对以上问题,本文提出一种基于改进YOLOv5的轻量级目标检测模型GSC-YOLO。首先,通过在主干特征提取网络中引入幻影卷积,降低检测网络的参数量和模型体积。其次,添加简单注意力模块,利用特征图中的全局信息来增强局部特征的表征能力,提高网络对图像中关键信息的提取能力。最后,优化后处理模块中的非极大值抑制算法,采用Cluster_NMS算法更加高效地删除冗余的检测框,同时增加得分惩罚机制和中心点距离机制,进一步提升模型的检测性能。在无人机航拍数据集VisDrone2019进行实验,结果表明,相较于基线模型YOLOv5s,GSC-YOLO模型平均精度提高了3.1%,模型参数量下降了82.1%,模型体积降低了77.4%,对比其他YOLO主流模型和同类轻量级模型,GSC-YOLO模型有更优的模型体积和检测性能,更有利于在嵌入式和边缘设备上部署,在KV260部署验证后,能够较好完成检测任务。

关键词： 水下声学图像   目标检测   特征金字塔   通道注意力  

摘要： 为了实现水声目标的实时性和准确性检测,提出了一种融合了双向金字塔网络和通道注意力网络的水下声学图像目标检测模型(BPCA-Net),以进行端到端的水下目标分类与定位。首先,BPCA-Net模型将通道注意力机制融入先进的骨干网ConvNeXt,对提取的特征图通道进行重新组合,强调有用的目标特征信息;然后,将特征图输入设计的轻量化双向融合金字塔网络,进行多尺度特征融合与增强;最后,将多张特征图送入单阶段检测头进行分类与定位。实验结果表明,所提模型可以获得水下声学图像中目标的重要特征,与现有的检测算法相比有较高的精确性。

关键词： 目标跟踪   可见光-红外   注意力机制   模板在线更新   卷积掩码自编码器  

摘要： 针对当前可见光-红外目标跟踪算法对红外可见光双模态特征交互与目标动态变化建模不足的问题,结合卷积掩码自编码器模型,提出一种基于注意力与模板在线更新的可见光-红外双模态目标跟踪网络。以卷积掩码自编码器模型为骨干网络,通过采用双嵌入层配合共享权重的骨干网络结构提取可见光与红外特征,深入挖掘可见光与红外数据间的内在联系。通过强化模板与搜索图像的关联性,引入通道空间自注意力机制以增强模板和搜索图像间的交互,来提取模态间可区分的异质互补特征。提出模板在线更新模块,通过在线更新模板与设计模板分数头,利用置信度评分机制融合初始模板的稳定性与在线模板的适应性,解决目标随时间变化导致的模型漂移问题。实验结果表明,所提算法在GTOT和RGBT234公开数据集上的精确率和成功率分别达到93.3%/75.6%和87.2%/63.8%,可在目标不断变化情况下实现精确跟踪。可视化分析表明,所提算法在双模态热力图上可自适应互补,单一模态失效时仍能精准定位目标。

关键词： 深度学习   目标检测算法   模型轻量化  

摘要： 随着深度学习的快速发展,基于深度学习的目标检测算法在多个领域得到广泛应用。然而,随着算法不断演进,一系列挑战也逐渐浮现:模型复杂度增加导致参数量和计算量急剧膨胀,进而使得运行速度下降,难以满足高实时性应用场景需求;算法对硬件性能高要求,限制其在移动设备和边缘计算等资源受限环境中高效部署,缩小其应用范围;训练成本显著上升,包括对大量计算资源和长时间训练需求,也阻碍模型快速迭代。为了应对这些挑战,目标检测算法轻量化研究应运而生。综述基于深度学习的目标检测算法轻量化研究最新进展。对目标检测任务及其评价指标进行概述,详细回顾目标检测算法发展历程及代表性模型。在此基础上,重点探讨目标检测算法的轻量化技术,包括:轻量级网络架构设计,降低模型计算复杂性和空间复杂度;轻量级卷积技术创新,在减少参数量和计算量的同时保持模型性能;深度学习模型压缩方法,优化模型结构降低存储需求。实现资源受限设备高效部署与实时推理。总结当前轻量化目标检测算法研究现状,并在多领域技术融合、硬件架构优化以及边缘设备部署等方面进行展望与思考。

关键词： YOLO11   课堂行为检测   目标检测   智慧教育  

摘要： 针对YOLO11在课堂行为检测中存在复杂细节丢失、多尺度感知能力不足、计算效率低以及检测精度低的问题,提出了一种改进的ATDW-YOLO算法。首先,在颈部网络中构建了自适应极化特征融合模块,提升特征语义融合能力,更好地捕捉复杂细节。其次,设计了任务动态对齐检测头模块,提高模型在多尺度目标上的识别能力。然后,在主干网络中引入动态分组卷积混洗转换模块,增强特征表示能力,实现网络轻量化。最后,采用Wise-IoU函数替代CIoU损失函数,改善边界框的拟合能力,提高检测精度。实验结果表明,与YOLO11n模型相比,ATDW-YOLO的mAP0.5和mAP0.5:0.95分别提高了3.1%和4.0%,而模型参数量、计算量和模型大小分别降低了23.1%、9.5%和23.6%,显著提升了检测精度,实现网络轻量化。

关键词： 机器视觉   YOLOv10n   目标检测   番茄叶片病害  

摘要： 番茄是中国重要的经济作物之一,为解决番茄叶片病害在多类别、小目标、不同环境状况下检测精度不高的问题,研究提出ADD-YOLOv10n目标检测模型。首先对YOLOv10n主干网络进行改进,将可变核卷积(alterable kernel convolution,AKConv)融入主干网络,替换掉第二层的Conv,突破传统卷积局限于固定窗口和固定采样形状的限制。在主干末尾加入DAttention注意力机制,添加可变形注意力和动态采样点,动态选择、重点识别番茄叶片病害集中的区域。最后将最邻近上采样算子优化为DySample算子,不增加额外大量的计算量和参数,降低计算复杂度。经过对比实验,可以看到ADD-YOLOv10n模型的平均精度均值(mean average precision,mAP)达到71.8%,比YOLOv10n原模型高2.4%,准确率(precision,P)、召回率(recall,R)和F1分数分别为71.9%、68.3%和70.1%,比YOLOv10n原模型分别高2.4%、4.4%和3.5%,并且参数数量、模型大小和计算复杂度都有所下降。研究改进的ADD-YOLOv10n模型,能够更好地满足实际农业生产中对番茄叶片病害的实时精准检测,也为后续的智能浇灌、病害修复等农业自动化操作提供技术支持。

关键词： 多传感器协同   目标跟踪   未知新生目标   状态估计   目标数目  

摘要： 目标跟踪场景中新生目标可随时变出现在非固定区域,因而新生目标数量及位置难以作为已知信息固定不变的.针对新生先验缺失场景下的目标估计问题,提出多传感器协同融合的未知新生目标跟踪算法.基于由不同传感器获取的同一目标的量测需遵循相邻原则,借助于多传感器协同融合方法,各时间步未知新生目标的数目及位置能得以计算和优化.结合高斯混合概率假设密度滤波器,能够有效地跟踪含有未知新生目标场景下的多目标.采用仿真目标场景验证了所提算法的有效性,所提算法能较大幅度地提升目标跟踪精度.