基于全维动态卷积的交通标志识别

针对现有交通标志识别算法对于小目标和遮挡目标的识别精度不高,且识别速度较慢的问题,通过改进YOLOv5网络,设计一种基于全维动态卷积(ODConv)的交通标志识别算法。将主干网络中的部分卷积替换为全维动态卷积,以便在特征提取过程中获取更丰富的信息,提高网络对小目标的敏感度;为了减少上采样过程中信息的丢失,在特征融合网络中使用亚像素卷积模块替换原有的最近邻插值上采样模块,并使用高效层聚合模块替换原有的跨阶段层次模块,提高特征融合效率,延长梯度最短路径,改善小目标检测效果;使用SIoU函数计算回归损失,解决真实框与预测框之间方向不匹配的问题,进一步提高对道路交通标志的检测精度。在TT100K数据集上测试本模型,平均精度(mAP@0.5)达到了93.85%,召回率(Recall)达到了90.73%,与基准网络YOLOv5n相比分别提高了3.90%和5.69%,帧处理速度达到89.29。

基于图游走和图注意力的点云分类与分割

针对点云特征提取中远距离特征和局部几何结构信息欠缺的问题,提出了一种基于图游走和图注意力的点云分类与分割网络。首先,利用带有导向性的图游走算法,对点云全局特征补充额外的几何信息和远距离特征信息;其次,嵌入图注意力机制,使模型聚焦于点云的关键区域,提升网络的特征提取能力;最后,在初始点云中提取距离特征作为初始残差嵌入到网络中,避免网络过平滑。在ModelNet40数据集、ScanObjectNN数据集进行了点云分类实验,在ShapeNetPart数据集与Toronto-3D数据集上分别进行了点云部件分割与点云语义分割实验,实验结果表明:相较于基准网络DGCNN,分类精度分别提升了1.3百分点、5.6百分点;分割精度分别提升了1.2百分点、33.1百分点。通过在ModelNet40-C数据集上进行稳健性分析,验证了所提网络具有较强的鲁棒性。

基于TSCD模型的轨道板裂缝检测方法

为解决轨道板裂缝检测问题,提出了一种基于分支级联卷积神经网络的轨道板裂缝检测模型DDTSCD。首先该模型通过注意力机制和搜索分支结构突出轨道板裂缝的位置信息,同时抑制干扰信息;然后采用检测分支结构完成裂缝的像素级检测;最后对检测结果中出现的图像细节退化问题,利用参数映射关系实现特征图的上采样。实验结果表明:所提出的方法能够准确地检测出轨道板表面图像中的裂缝,其像素准确率可达97.56%,F1-score可达86.28%,并且在跨数据集测试中表现出较强的泛化性。

基于改进的YOLO算法的交通标志识别

为了解决交通标志识别易受光照、遮挡和小目标影响的问题,对YOLOv5-P6算法进行改进,提出了一种新的交通标志识别算法。算法采用加权双向特征金字塔网络,提高特征提取能力,增加了跨层连接并对传递的特征进行权重调整,更好地融合道路交通标志的通道特征;使用空洞空间池化金字塔模块提取多尺度上下文信息,进一步增大感受野从而改善语义分割的效果;引入改进的跨阶段局部网络,使模块更加简洁;在训练过程中加入随机裁剪技术,并采用图像缩放、图像切变以及代数运算对检测效果不理想的类别进行实例扩充,缓解模型的过拟合问题。在TT100K数据集上应用本算法,识别精度达到90.02%,与传统的YOLOv5模型相比提高了4.72%,帧处理速率达到36.07FPS。