关键词： 图像处理   疲劳驾驶检测   人脸状态识别   YOLOv5s   轻量化算法  

摘要： 针对现有的疲劳驾驶检测模型存在精度低、模型体积较大且在低光环境下性能降低等问题，提出一种基于图像增强和人脸状态识别的疲劳驾驶检测模型。首先通过改进YOLOv5s模型用于低照度下人脸检测和关键点定位，在YOLOv5s中引入SCI(Self-Calibrated Illumination)模块对低照度图像进行图像增强；下采样层替换为StemBlock模块，提高特征表达能力；主干网络替换为ShuffleNetv2网络，大幅降低模型的参数量和计算量；提出CIBC3(cbam inverted bottleneck)模块代替C3模块，降低噪声对检测的干扰，增强模型的全局感知能力；总损失函数中添加Wingloss损失函数用于人脸关键点回归。之后使用疲劳状态识别网络判断人脸检测模型定位到的眼嘴部位的开闭状态，最后使用评价指标判断疲劳状态。改进后的YOLOv5s模型在DARK FACE数据集上的实验表明，在参数量和计算量上分别下降了62.12%、63.41%的同时精度提高了2.38%。提出的疲劳驾驶检测模型在YawDD正常光照数据集与自建低光照数据集上分别达到了96.07%,94.5%的准确率，优于其他模型且处理单张图像的时间为27ms。验证了提出的疲劳驾驶检测模型在保证正常环境与低光环境下的检测准确率的同时满足实时性要求，且具备能部署在算力有限的边缘计算设备上的能力。

关键词： 红外微小目标检测   多跳深度网络   无锚点机制   Wasserstein距离  

摘要： 红外检测作为远程搜索和监视的重要手段，其对微小目标的检测精度将影响实际应用价值。为了提高复杂背景下微小目标的测量精度，提出了一种基于多跳深度网络的检测框架。首先，为了应对红外微小目标呈现“弱”和“小”的形状特点，利用无锚机制搭建特征金字塔作为骨干网络提取特征图。随后，为了实现渐进式特征交互和自适应的特征融合，在跳跃连接部分设计了由多尺度膨胀卷积组构成的多跳多尺度融合模块。最后，为了减少模型对微小目标位置偏差的敏感性，在训练中使用真实目标与预测目标的Wasserstein距离作为两者的相似性度量。实验结果表明，所提出的测量方法比已有测量方法具有更好的测量精度和效率。

关键词： 计算机视觉   图像处理   无人机   多目标跟踪   车辆检测  

摘要： 为了提高无人机视觉平台下的车辆多目标跟踪精度，本文提出了一种改进YOLOv7网络与优化ByteTrack算法相结合的无人机视觉车辆多目标跟踪算法。首先，针对小目标特征不明显的情况，增强了YOLOv7网络浅层语义信息的特征提取能力，同时采用SIoU-Loss对坐标损失函数进行优化，加快锚框收敛速度；其次，根据车辆运动特点，在ByteTrack算法的基础上，将卡尔曼滤波算法的状态向量融入加速度信息；最后，在VisDrone2021数据集上验证了算法的有效性，改进YOLOv7网络的平均检测精度比原网络提高3.2%，跟踪算法准确度比基准算法提高1.2%，高阶跟踪精度提高2.9%。

关键词： 图像三维目标检测   深度学习   自动驾驶   多模态融合   计算机视觉  

摘要： 二维目标检测技术由于缺乏对物理世界尺寸、深度等信息的描述，在自动驾驶场景中应用还存在较大的局限性。许多研究者结合自动驾驶实际需要，在图像三维目标检测上做了许多探索。为了对该领域进行全面研究，本文对近年来国内外发表的相关文献进行综述。介绍了基于图像的三维目标检测以及图像与点云融合的三维目标检测两类方法，并根据网络对输入数据的不同处理方式，对两类方法进一步细分，阐述了各个类别中的代表性方法，对各类方法的优劣进行总结，对比并分析了各个算法的性能。此外，详细介绍了自动驾驶场景下三维目标检测的相关数据集和评价指标。最后，对图像三维目标检测领域中存在的挑战和困难进行分析，并对未来可能的研究方向进行了展望。

关键词： 多目标跟踪   卡尔曼滤波   上下文协同   组合距离  

摘要： 在智能驾驶和视频监控领域中，多目标跟踪被广泛应用，但在目标发生遮挡和非线性运动时，此时产生的噪声会造成检测和跟踪精度的降低，同时众多关联匹配算法也没有考虑到IoU和外观失衡的情况。针对以上问题，提出一种基于TransCenter改进的多目标跟踪网络。首先引用小波变换处理检测特征，然后设计了上下文协同选择器，通过动态选择跟踪特征和检测特征来缓解噪声产生的负面影响；紧接着融合卡尔曼滤波预测值和跟踪位移，以提高非线性运动中的预测位移准确度；最后根据IoU距离和外观距离的差值优化组合距离的权重，解决了高速运动和外观剧烈变化时组合距离失效的情况。在BDD100k、DanceTrack数据集上进行了实验，结果表明，与ByteTrack算法相比，改进网络的mMOTA和HOTA值分别提升了4.3%和5.9%，与TransCenter相比，HOTA提升了7.4%，且有着更好的灵活性和跟踪精度。

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

摘要： 无人机因其飞行高度和拍摄角度的独特性，采集的遥感图像中存在大量小目标。小目标物体像素小、语义信息少，容易受背景信息干扰和出现聚集遮挡，是当前检测模型性能不佳的主要原因之一。因此，文章提出一种面向小目标的无人机图像目标检测模型UAIDet(Unmanned Aerial Vehicles Images Detector)，从解决信息冲突和检测框回归难入手，提升模型的检测性能。其一，构建自适应的通道融合模块，在特征融合阶段动态学习通道权重以过滤不同尺度特征之间的信息冲突，抑制特征融合时的尺度不一致性，提高小目标物体的检测能力；其二，设计误差敏感定位损失函数，在小目标物体检测框的收敛阶段提出偏移敏感损失项以解决小目标对几何误差的敏感性，提高定位损失函数的鲁棒性，优化小目标物体的检测精度。在数据集Visdrone2022上对文章方法进行实验，mAP(meanS Average Precision)和AP50(Average Precision at IOU threshold 50%)分别达到了22.0%和37.1%，相较于基准模型分别提高3%和4.7%。TinyPerson数据集上的mAP和AP50为9.9%和29.1%，分别提高了4.29%和4.2%，证明UAIDet模型的有效性和鲁棒性。

关键词： 多目标跟踪   检测修复   遮挡   外观特征更新  

摘要： 多目标跟踪可以分为两个子任务：目标检测任务和数据关联任务。随着多目标跟踪数据集的日益复杂，密集人群引起的遮挡问题严重影响了检测和关联的准确性。为此提出了两个改进模块。检测修复模块：对目标检测的结果进行修复。前一帧轨迹的外观特征和当前帧特征做互相关运算得到的最高相应点作为潜在的检测框，将其与初始检测框融合，实现检测修复，并引入特征局部扩展思想减少该方式产生的误检。平滑的特征更新模块：如何确定和衡量遮挡程度是进一步优化的前提。为此提出特征独立性作为衡量遮挡指标，利用检测框下边界判断遮挡关系，以检测框重合部分比上自身计算特征独立性，并在此基础上设计平滑的外观特征更新算法。在密集多目标跟踪数据集MOT20上，用单阶段模型实现了最先进的HOTA：55.3和MOTA：70.7的性能。

关键词： 遥感图像   小目标检测   稀疏采样   局部上下文信息增强   多尺度特征融合  

摘要： 针对多尺度的遥感图像进行小目标检测时，基于深度学习的目标检测算法容易出现误检和漏检的情况，主要原因在于特征提取模块进行了多次的下采样操作；未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题，提出一种融合注意力和上下文信息的遥感图像小目标检测算法(ACM-YOLO)。首先，应用细粒度的查询感知稀疏注意力，减少小目标特征信息的丢失，避免漏检；其次，设计局部上下文增强函数，更好地关注不同类别的遥感目标所需的上下文信息，避免误检；最后，使用加权双向特征金字塔网络强化特征融合模块对遥感图像小目标的多尺度特征融合能力，提高算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验，以验证所提算法的有效性和泛化性。实验结果表明，相较于YOLOv5基础算法，所提算法在DOTA数据集和NWPU VHR-10数据集上的召回率(R)分别提升了10.00个百分点和7.50个百分点，平均精度均值(mAP)达到了77.33%和96.12%，有效提升了m AP和召回率，降低了误检和漏检。

关键词： 遥感目标检测   细粒度   特征增强   深度学习  

摘要： 遥感图像中通常包含较多目标， 由于很难提取有效的类别判别信息， 现有遥感目标检测方法存在较多类别混淆现象. 为此， 提出一种判别区域感知增强的细粒度遥感目标检测方法. 首先在特征提取骨干网络中构建判别信息提取模块， 利用判别特征增强-抑制策略持续挖掘目标中易被忽略的局部细节信息， 增强网络对不同种类目标的特征描述力; 然后构建目标感知增强模块， 利用特征选择模块增强不同尺度下的特征描述力， 并采用多个不同大小卷积核的卷积层和跳连接操作提高浅层网络的目标感知力; 最后受到Transformer网络自注意力机制启发， 构建自注意力特征增强模块， 突出待检测目标的特征信息， 减少复杂背景对目标分类准确性的干扰. 在细粒度遥感目标检测数据集DOSR与HRSC2016上的实验结果表明， 所提方法的平均准确率分别达到72.04%和84.38%; 定性和定量的实验结果表明， 该方法对不同类别的遥感目标均具有良好的检测准确性和鲁棒性.

关键词： 目标检测   对抗样本生成   无人机识别   对抗补丁攻击  

摘要： 构成无人机视觉识别系统组成之一的目标检测算法容易遭受对抗攻击，尤其是物理对抗攻击的威胁更大。针对当前物理对抗攻击方法在无人机目标检测场景中攻击效果较差的问题，提出一种尺度自适应的物理对抗攻击方法—SAPA。设计补丁自适应模块，利用目标真实尺寸构造掩码对补丁进行缩放，以适应目标的多尺度变化。设计针对多尺度、多目标攻击的优化函数，将检测网络不同特征层的最大预测分数与TOG算法中目标消失攻击的损失结合。采用多种物理增强变换提升对抗补丁的物理鲁棒性。使用无人机采集多尺度车辆数据对补丁进行优化。在数字域中，对抗补丁的平均攻击成功率为81.4%。在物理域中，对抗补丁在20m～65m高度的平均攻击成功率为42.6%。结果表明，SAPA方法在攻击效果和鲁棒性方面优于现有方法。