基于时空交并比约束的目标跟踪对抗防御方法

随着深度学习在视觉跟踪领域的广泛应用,对抗攻击逐渐成为影响方法性能的关键因素之一,然而针对对抗攻击的防御方法研究还处于初始阶段.因此,文中提出基于时空交并比约束的目标跟踪对抗防御方法.首先,在对抗样本上随机添加高斯噪声约束.然后,根据噪声等高线的切线方向,选择噪声等级相同且时空交并比分数最高的切线约束.通过其法线约束使防御目标向原始图像的方向更新,并将法线约束和切线约束进行正交组合优化.最后,经过不断迭代,选择具有最高时空交并比分数且噪声等级最低的组合向量作为最佳约束,添至对抗样本图像中,同时传递给下一帧图像,从而实现时序防御.在VOT2018、OTB100、GOT-10k、LaSOT跟踪数据集上的实验验证文中方法的有效性.

结合交并比损失的孪生网络目标跟踪算法研究

SiamRPN算法采用Ln范数损失训练边界框预测,未考虑预测框与真值框间交并比(inersection over union,IoU)的关系,导致准确性不足。针对该问题,提出一种结合IoU损失的SiamRPN目标跟踪改进算法。设计了IoU-smooth L1范数联合优化模块,对候选正样本进行IoU损失与smooth L1范数损失的联合优化;依据回归预测结果,用预测框与真值框的IoU作为权重对正样本进行加权分类预测,增加正样本间的区分度,同时确保分类预测与回归预测的关联性。对比实验结果表明:本文所提改进算法能有效提升跟踪性能。

基于二阶SiamRPN多重交并比回归的无人机视觉导航

针对无人机视觉导航中实时图像目标物体尺寸小、干扰物多、存在运动模糊,导致识别与定位性能差的问题,提出了一种基于二阶SiamRPN多重交并比(Multiple Intersection over Union, MIoU)回归网络的一阶段算法。在孪生卷积神经网络(Convolutional Neural Network, CNN)框架中引入归一化协方差增加二阶信息,提升网络对边缘的特征提取;使用区域建议模块对匹配位置进行分类和锚定,并在网络优化过程中提出MIoU损失函数,从而精确地实现端到端的特征提取与匹配过程。在旋翼型无人机搭建平台进行实验验证,结果表明该算法可以稳健地进行目标定位。

基于广义交并比的无人艇激光与视觉目标关联算法

针对采用异源传感器关联水面小尺度目标时易出现的漏匹配和误匹配问题,考虑到传统的距离和交并比(Io U)等相关系数对方位偏差较大的目标的相关性度量能力不足,提出一种基于广义交并比(GIo U)和匈牙利算法的水面多目标关联算法。通过实船试验,比较基于不同相关系数的目标关联结果。试验结果表明:GIo U能克服Io U需目标区域相交的度量限制,能有效匹配小尺度目标;相比距离和Io U相关系数,GIo U能取得更高的目标关联平均准确率和平均召回率(分别达到95.97%和96.24%),能有效降低漏匹配率和误匹配率,具有较高的工程应用价值。

基于2D循环卷积和难度敏感轮廓交并比损失的Deep Snake

Deep Snake端到端地变形初始目标框到目标轮廓,能提升实例分割的性能,但存在对初始目标框敏感和轮廓参数独立回归的问题.因此文中提出基于2D循环卷积和难度敏感轮廓交并比损失的Deep Snake.首先,基于轮廓的空间上下文信息设计2D循环卷积,解决对初始目标框敏感的问题.然后,基于定积分的几何意义与样本难易度提出难度敏感轮廓交并比损失函数,将轮廓参数进行整体回归.最后,利用2D循环卷积和难度敏感轮廓交并比损失函数完成实例分割.在Cityscapes、Kins、Sbd数据集上的实验证明文中方法的实例分割精度较优.

基于距离交并比回归的孪生网络目标跟踪算法

为解决视频目标跟踪过程中目标框和预测框边界不重叠情况下无法优化的问题,提出了一种距离交并比(distance intersection over union,DIOU)回归的孪生网络目标跟踪算法.通过孪生网络和区域建议网络(region proposal network,RPN)保持实时效果,将距离交并比引入回归分支,结合重叠率和中心点距离构建损失度量,加快模型训练的收敛速度,为边界框提供更直接的回归方向.同时,使用Resnet50网络替换SiamRPN网络的特征提取网络,进一步提高目标特征表示的准确性.实验结果表明,DIOU回归损失在视频目标尺度变化、低分辨率、光照变化等干扰情况下,具有较强鲁棒性.

最佳交并比在塔吊裂缝检测的应用

为了更好地检测工程中塔吊的裂缝,减少工地上塔吊的事故,基于YOLOv3检测算法,通过改变算法中原有的IOU计算方式,提高裂缝的识别精度。根据实际需求,通过比较4种IOU计算方式,分析出基于YOLOv3的最适合塔吊裂缝识别的IOU计算方式。实验表明,采用CIOU代替YOLOv3中的IOU计算方式具有良好的效果,训练过程中的损失值收敛速度更快,mAP提高了2.79%。同时,本文还针对检测中存在的一些问题,提出进一步改进方向,以提高塔吊安全管理水平。

面向多角度文字检测的旋转交并比神经网络

边界框回归是文字检测中关键的步骤,为了更好地预测边界框和收敛网络参数,在Faster RCNN目标检测算法的基础上提出一种利用旋转交并比损失函数的神经网络。该损失函数根据文字检测的评价指标而设计,增加预测框的角度参数,将其与宽和高的参数一起代入损失函数的惩罚项,代替了原版用于边界框回归的smooth L1损失函数,转化为交并比的损失向神经网络进行反向传播,并着重优化边界框的方向信息,通过设计与角度惩罚项相同的阈值运算作为非极大值抑制来输出检测结果。在公开文字检测数据集ICDAR2015上的实验结果表明,该方法有效提高了网络的收敛速度和检测精准度,比原方法综合提升11百分点左右。

简单多边形裁剪及交并计算的统一算法

研究发现了简单多边形裁剪和交并计算的内在一致性．从工程角度出发，以解决不规则物体布局问题为最终目的，提出了解决简单多边形裁剪和交并计算的统一的、切实可行的算法，为不规则物体布局问题的解决奠定了基础．

二维凸形组交并集合运算的显示算法

以二维凸形的几何性质为基础 ,提出了一个二维凸形组的交、并集合运算的解析显示算法。该算法首先计算出各个凸形间的交点 ,并判断各个点的出入特性 ,然后选择有效的交点和节点 ,并按一种特定的方式把它们连接起来 ,以生成所需的图形。最后运用此算法于雷达网探测范围的显示以及空中禁飞区的有效性分析 ,取得了较好的效果。

基于LSSWM模型的交并式动态扩展聚类算法

为获取Web上中文人物的精确信息,特别是同名人的分辨,提出了一种基于LSSWM模型的交并式动态扩展聚类算法。通过构建中心词库,对每篇文档建立基于中心距离、中心段、篇章长度等潜在语义信息的语句-词条矩阵LSSWM,利用交并式动态扩展聚类算法,对相似文档进行聚类。实验表明,该算法在保持人物语义信息的连贯性、突出不同位置语义信息重要性的同时,对文档的聚类有较高的准确性。

交并原理在线性模型一类假设检验中的应用

本文是［ｌ］的继续．在这里我们在线性模型的法式模型下，讨论一类比［１］更广泛的假设检验问题．用交并原理导出其统计量。

完备格间的保交并映射

本文探讨了格的代数同态的性质和应用,证明了从完备格L_1到L_2的保交、保并的满射φ将L_1的邻元系、滤敛关系、网敛关系分别映成L_2的邻元系、滤剑关系、网敛关系。

完备格间保交并映射与保敛映射

论述完备格间保交并映射与保敛映射的性质,并给出其判定定理。

水溶性维纶纤维(PVA)及其与棉交并纱的水溶解性能

维纶纤维是一种可自然降解的绿色环保产品,是理想的伴纺材料。通过水溶性维纶纤维和维棉交并纱退维实验,介绍了维纶纤维的溶解性能,定量分析了维纶纤维和纱线的溶解温度。

基于轻量化特征选择的镜片多尺度缺陷检测系统研究

为解决对镜片缺陷识别和定位困难的问题,设计了一种基于轻量化特征选择(LFSN)的镜片多尺度缺陷检测系统。首先通过四步相移栅格光成像系统采集缺陷图像,基于傅里叶变换对图像进行融合以提高图像质量;然后,LFSN使用自动特征层选择结构,在训练过程中计算无锚框分支损失,获得最优特征层信息,更新参数,从而优化模型对不同缺陷大小信息的学习能力;还使用了深度分离可变卷积,通过双线性插值增加像素点在平面的偏移量,从而提升模型对缺陷形貌的主动学习能力,并一定程度减少模型训练参数量,降低检测时间,同时优化回归定位损失明确各阶段训练任务,利用一次惩罚项指导前期预测框中心距离回归;利用归一化二次项,指导后期预测框大小比例回归,使预测框更接近真实值;最后,通过实验采集镜片缺陷图像,并构建数据集进行对比实验。实验结果表明:识别和定位镜片的缺陷的准确率为96.3%,单幅检测时间为24.9 ms。

基于改进YOLOv7模型的血细胞检测分类

目的探讨改进YOLOv7算法在血细胞图像不同类型细胞自动检测分类中的应用,以提高血细胞识别分类的准确度。方法将滑动窗口变换器模块引入YOLOv7,同时采用加权双向特征金字塔网络结构,使网络能够获取并传递更加丰富的特征信息,使用斯库拉交并比损失代替完全交并比损失,实现更加精准的目标框定位。结果通过不同算法在BCCD血细胞数据集上展开实验可得,改进的YOLOv7模型对红细胞、白细胞和血小板的识别准确度分别达到89.3%、98.5%和91.5%,平均准确度达93.1%,相比于原YOLOv7模型提升了2.6%。通过与已发表的血细胞人工智能检测算法进行对比可知,本文算法具有更高的准确度。结论改进的YOLOv7模型可以有效应用于血细胞识别分类任务,为血细胞的检测提供重要的参考价值。

基于教师-学生模型的点云目标检测算法

针对现有点云目标检测算法对室外自动驾驶场景中遮挡物体检测精度低的问题,提出一种基于知识蒸馏和注意力增强的点云目标检测算法。以CIA-SSD模型为基础,设计了一种基于教师-学生模型的密集特征生成模块,提出基于交并比匹配策略的密集数据生成方法,将稀疏特征转换为密集特征。密集特征生成模块位于学生模型中,学生模型在教师模型生成的软目标监督训练下,推断出完整的密集目标特征,实现目标特征的补全;在教师模型中设计空间注意力和通道注意力机制,增强密集目标点云,提升特征图的质量。在KITTI数据集上的验证实验结果表明:与SE-SSD模型和CIA-SSD模型相比,本文提出的算法保持了单阶段目标检测速度的优势,同时明显提升了检测精度。

无交并图∪ from i=1 to n(m_iC_4~2)的奇优美性及次奇强协调性

定义了次奇强协调标号,并证明无交并图n↑∪↑i=1miC4^2是奇优美的和次奇强协调的.

基于卡尔曼滤波的激光雷达点云跟踪方法研究

激光雷达点云目标跟踪是环境感知与定位的重要研究内容,具有广泛的应用前景。由于激光雷达存在探测范围有限、易受遮挡和散射条件影响等问题,无法保证跟踪过程中目标点云特征的完整性和正确性,跟踪目标丢失时有出现。为了提高跟踪过程中的鲁棒性,提出一种基于卡尔曼滤波的2D激光点云跟踪方法。该方法首先对聚类后的点云建立包围盒集合,其次对包围盒跟踪框建立卡尔曼滤波模型,将前一帧跟踪框最优估计值与当前帧包围盒,通过交并比方法进行关联性匹配,将关联性最大结果作为当前帧目标点云,并更新卡尔曼滤波模型参数,从而实现目标点云的实时跟踪。实验结果表明,所提方法提高了跟踪过程的鲁棒性和准确性。