基于优化YOLOv8的唐卡图像目标检测方法

唐卡中的元素绘制复杂且存在的多尺度情况会影响目标检测技术任务的准确度。为此,提出一种优化YOLOv8模型的唐卡元素目标检测方法。首先,采用级联融合网络提取图像特征,并将特征提取参数用于后续的特征融合,以有效增加参数利用效率;其次,借鉴双向特征金字塔网络的思想,在同一层的特征信息传递层中增加一条额外的路径实现跨尺度连接,以提升模型特征融合能力;最后,在检测头的回归损失函数中引入ElOU-Loss和ClOU-Loss,考虑边界框回归的多种因素,结合宽高和宽高比参数来提升模型目标定位效率和准确率。实验表明,优化后的YOLOv8模型相较于原有模型参数量、计算量分别下降7.21%、7.23%,mAP50、mAP50-95分别提升3.72%、4.55%;相较于其他目标检测算法优势明显;消融实验也验证了不同改进模块对模型的积极作用。

基于改进Yolov8的侧扫声呐图像目标检测方法研究

针对现有目标检测方法难以适应侧扫声呐图像高噪声、多畸变、特征贫瘠的问题,提出一种基于改进Yolov8的侧扫声呐目标检测方法。在网络训练阶段,于Yolov8主干网络中引入RCS-OSA模块,进一步提升Yolov8主干网络的特征提取能力。在推理阶段,通过重参数化卷积来增强网络的特征提取能力,并将其简化为单一分支,减少内存消耗。之后,使用BiFPN替换Yolov8网络特征融合模块,通过反复应用自顶向下和自底向上的多尺度特征融合,进一步优化对不同尺度特征的融合结果,提高对多尺度特征的适应能力。实验结果表明:所提出方法在各项定量和定性评价中均超越了原始Yolov8网络检测方法,平均精度均值(mAP)提升了6.3%。

基于跨域小样本学习的SAR图像目标识别方法

由于SAR图像获取难度大,可供研究的样本数量较少,解决有限样本条件下SAR图像目标识别问题成为业界公认的挑战。随着深度学习在计算机视觉领域的发展,衍生出了多种小样本图像分类方法,因此考虑采用跨域小样本学习范式解决小样本SAR图像目标识别问题。具体地,先在多个源域中训练得到不同域的特征提取器,而后通过知识蒸馏的方法获取一个通用的特征提取器,这里采用中心核对齐的方法,将提取的特征映射到一个更高维的空间,从而更好地区分原特征之间的非线性相似性;通过上一阶段获得的通用特征提取器提取目标域图像特征,最后采用原型网络的方法预测样本的类别。实验证明,该方法在缩减模型参数的同时,获得了88.61%的准确率,为解决小样本SAR图像目标识别问题提供了新的思路。

商业银行基于量子注意力机制的低分辨率图像目标检测应用研究

随着量子计算的迅猛发展,以量子神经网络、量子支持向量机、量子聚类等为代表的一系列量子算法展现出良好的应用潜力,并逐步在我国金融领域相关场景得到验证。华夏银行面向量子计算在图像目标检测领域的应用进行深入探索,创新将量子变分线路与注意力机制相结合,构建量子注意力机制,并将其引入YOLOv5网络中进行图像目标检测。实证结果表明:基于量子注意力机制改进的YOLOv5算法能够有效提升在低分辨率图像上检测目标物体的能力,为图像目标检测应用提供新思路和新方法。

基于LOD-RSINet的轻量化遥感图像目标检测

为了满足遥感图像目标检测任务中轻量化和快速推理的需求,提出了一种基于改进YOLOv8s的轻量化遥感图像目标检测算法(A Lightweight Object Detection Network for Remote Sensing Images, LOD-RSINet)。首先,提出基于SENetv2机制构建的C2SE(C2f-SENetv2)模块,在略微增加模型参数量的同时让网络更有效地学习到输入数据的不同特征,提升特征表达的精细度和全局信息的整合能力;其次,设计一种轻量级跨尺度特征融合模块CCFM,以增强模型对于尺度变化的适应性和对小目标的检测能力,在不影响模型检测精度的情况下降低了参数量并提高了检测速度;最后,引入了一种Shape IoU损失函数,通过关注边界框本身的形状和尺度来计算损失,从而使边界框回归更加准确。实验证明,改进后的算法在DIOR数据集上的检测精度mAP50和mAP50-95分别达到了0.867和0.668,参数量GFLOPs降低了5.61百分点,检测速度FPS提高了5.94百分点,性能表现优于其他对比方法,能够在轻量化的同时提高模型的目标检测能力。

全局通道注意力增强的毫米波图像目标检测

针对主动毫米波图像中目标与背景纹理区分度较低导致隐匿目标漏检问题,并根据安检实时性要求,提出一种基于全局通道注意力增强的主动毫米波图像目标检测方法。该方法以YOLOv5s为载体,在坐标注意力位置方向上引入全局通道注意模块,增强对隐匿目标全局通道信息的关注,从而提升在隐匿目标与背景纹理区分度较低时的检测能力;再利用K-means++聚类算法重新生成适合毫米波图像目标检测的锚框。实验结果表明,无论是阵列图像数据集还是线扫图像数据集,该方法增强了对隐匿目标的特征注意,提高了召回率,在满足安检实时性的前提下,提升了检测性能。通过增加少量参数,在阵列图像数据集上,精度、召回率和mAP@.5达到了92.0%、90.93%和95.32%;在线扫图像数据集上,精度、召回率和mAP@.5达到了94.65%、92.67%和97.73%。平均单张图像推理时间在两个数据集上均达到1 ms,满足实时性要求。

基于视觉注意和语义信息特征融合的遥感图像目标检测方法

针对遥感图像目标检测方法中存在的特征提取不充分、语义信息表达能力弱、小目标检测准确率低和定位不准确的问题,提出了一种基于YOLOv5和Swin Transformer的改进策略。实验结果表明,与传统方法以及其他改进策略方法相比,文中的方法在公共数据集DOTA和自建数据集SkyView上均表现出更高的检测准确率,性能优势显著。

基于集成改进卷积注意力块的SAR图像目标分类算法

在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的SAR图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习SAR图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同SAR目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉SAR图像中目标的中心分布特征,有效抑制杂波对SAR目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现SAR图像目标分类。ICBAM_CNN深度融合了SAR图像目标的多层级特征,提升了SAR目标特征的可分离性,可实现SAR图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。

基于图像目标识别算法的车位识别系统研究

随着社会经济的迅猛发展,我国私人汽车保有量逐年提高,停车位的供给已无法满足人们的需求。为解决当前小城市及欠发达地区停车场空余车位信息无法获取这一问题,通过采用无人机飞行器搭载倾斜摄影技术来捕获停车相关信息,基于Paddle Detection的图像目标识别算法建立FairMOT模型,最后借助多终端服务系统发布实时数据,实现空余车位识别,提高车位识别的精确率和出行效率。

煤矿地质无人机航空摄影测量图像目标自动检测方法研究

图像目标检测是无人机航空摄影测量图像处理中的重要环节,其能为煤矿地质勘查决策提供依据,但测量图像中包含的小目标较多,图像目标检测难度较大,因此,设计一种煤矿地质无人机航空摄影测量图像目标的自动检测方法。该方法采用空间域灰度变换法对原始测量图像进行灰度化处理,通过均值滤波法对测量图像进行平滑滤波,根据统计测量图像直方图分割测量图像,利用神经网络算法提取测量图像的目标特征,以实现煤矿地质无人机航空摄影测量图像目标的自动检测。由实例应用分析可知,该设计方法的召回率在97%以上,错检率不超过1%,表明煤矿地质无人机航空摄影测量图像目标的检测精准度较高。

基于YOLOv8的轻量化无人机图像目标检测算法研究

文章提出了一种基于YOLOv8的轻量化无人机图像目标检测算法,通过深度可分离卷积、改进的特征金字塔网络(Feature Pyramid Networks,FPN)和广义加权交并比(Generalized Weighted IoU,GWIo U)损失函数优化,显著降低了模型计算的复杂度和参数量,同时提升了检测精度。实验表明,轻量化YOLOv8在Vis Drone2019和DOTA数据集上保持高精度的同时显著加快了推理速度,适合计算资源受限的嵌入式设备部署。

自动检测图像目标的形态滤波遗传算法

提出了一种实现形态滤波器参数优化设计的遗传学习算法 (Genetic Training Algorithm forMorphological Fitters,GTAMF) .采用新的交叉与变异算子——曲面体交叉与主从式变异 ,通过优化搜索全局以获得滤波性和时效性兼优的形态滤波器参数 .实验结果表明该方法设计方便 ,实用性强且易于推广 ,对提高形态滤波性能效果明显 .分析表明 ,形态滤波器可分解为形态学运算和结构元选择两个基本问题 ,形态学运算的规则已由定义本身而确定 ,于是形态滤波器的最终滤波性能就仅仅取决于结构元的选择 .通过自适应优化训练使结构元具有图像目标的形态结构特征 ,从而赋予结构元特定的知识 ,使形态滤波过程融入特有的智能 ,以实现对复杂变化的图像具有良好的滤波性能和稳健的适应能力 .

数学形态学在SAR图像目标识别中的应用

提出了一种能够从复杂背景的SAR图像中识别出圆状目标的方法。该方法首先对SAR图像进行双参数恒虚警 (B -CFAR)预处理 ,排除明显的非目标区 ,增强下一步对目标的识别效果 ,然后着重分析了上下文相关加权的形态模板生成算法 ,在此基础上采用不同的数学形态学变换滤波方法对预处理后的SAR图像候选目标区进行识别 ,并与相关文献比较 ,对圆状目标得到了良好的识别效果。

SAR图像目标峰值提取及稳定性分析

SAR图像峰值本质上对应于目标和 (或 )背景杂波的散射中心 ,本文研究了由 SAR图像提取目标峰值的方法 ,分析了目标峰值随目标方位角和仰角的变化 ,结果表明 ,目标 SAR图像峰值在一定的方位角和仰角变化范围内具有一定的“稳定性”。这说明 ,利用峰值特征进行

SAR图像目标方位角估计与分析

SAR成像对目标方位角特别敏感,方位角估计的准确性会直接影响目标的分类和识别。目标方位角估计方法主要有包络盒准则法、轮廓线变换法和主轴原则法。每种方法都有其局限性,且估计范围是[0,180],可是目标方位角实际范围是[0,360]。为了能获得任意角度且相对精确目标方位角,提出了一种综合SAR图像目标方位角估计方法。该方法融合了的单一估计法的优点,并利用目标的相关信息,突破了以往仅从图像的角度估计方位角的缺点。实验表明这种方法是有效的、可行的。

基于KSVD和PCA的SAR图像目标特征提取

提出一种基于核的奇异值分解(KSVD)与主成分分析(PCA)相结合的SAR图像目标的组合特征提取方法。该方法首先利用核的奇异值分解得到图像非线性的代数特征,然后进一步经过PCA变换得到图像的最终分类特征。实验中,将本文提出的KSVD+PCA两步特征提取方法与PCA、SVD、KPCA、KSVD方法分别结合简单、快速的最近邻分类器在MSTAR坦克数据上进行了比较,实验结果表明,KSVD+PCA方法不仅有效地提高了目标的正确识别率,而且大大降低了对目标方位的敏感度,在目标方位信息未知的情况下,识别率可达到95.75%,是一种有效的SAR图像目标特征提取方法。

基于免疫克隆与核匹配追踪的快速图像目标识别

为了避免核匹配追踪通过贪婪算法在基函数字典中寻找一组基函数的线性组合来逼近目标函数的计算量大的缺陷,本文利用免疫克隆选择算法全局最优和局部快速收敛的特性,加快对核匹配追踪算法每次的匹配过程进行优化,提出了一种免疫克隆核匹配追踪图像目标识别算法,该算法有效降低了核匹配追踪算法的计算量,对UCI数据集和遥感图像进行的仿真实验结果表明,相比标准核匹配追踪,该算法保持相当识别率情况下可以明显缩短一次匹配追踪的时间,尤其当字典规模较大时效果更为明显;同基于遗传算法优化相比,本文方法目标识别速度快,精度高。

一种用于图像目标识别的神经网络及其车型识别应用

构建了一种用于图像目标识别的多层前向神经网络，给出了网络拓扑结构，并成 功地把该神经网络运用到车型识别中。该方法综合了神经网络、模糊逻辑、模式识别的相 关 算法，对图像目标轮廓进行整体识别，达到了较高的目标识别准确率。实践表明，该网 络经 过监督学习后，能摒除图像中一定量干扰像素影响，准确地识别出各种外形车的车型 。

基于奇异值分解的图像目标跟踪算法

传统相关跟踪方法是利用模板图像与目标图像对应像素的灰度差异信息进行跟踪 ,它对旋转变化敏感 ,且存在跟踪累积误差 ,容易导致模板漂移而丢失目标。文中提出基于奇异值分解的跟踪算法 ,算法首先建立模板图像训练集合 ,利用奇异值分解方法 ,张成模板图像特征空间 ,然后求出模板图像在特征空间里的投影值 ,代替传统算法中灰度对两幅待匹配图像进行的全局搜索定位。在进行投影值间的相似性度量时 ,欧氏距离同等对待所有的特征向量不够合理 ,文中采用了一种鲁棒估计方法 ,可以对不同距离的值做不同处理。匹配跟踪实验效果良好。

一种改进的基于距离变换的图像目标轮廓插值方法

本文提出了一种改进的基于欧几里德距离变换的图像目标轮廓插值方法。首先由获取的层间间距相对较大的序列断层图像,经由对图像中目标的轮廓跟踪和对图像中目标的区域填充获得图像目标的轮廓图和区域图,采用欧几里德距离变换求取该序列断层图像目标轮廓的距离图,运用逆距离加权平均线性插值方法求得相邻图像中目标的距离图之间的轮廓图像。运用本文方法得到的中间插值轮廓过渡平滑,并且能够很好地解决极端凹轮廓之间的中间插值轮廓问题,本文的方法具有较高实际应用意义。