融合自监督学习和Vision Transformer的作物病害识别模型

针对基于深度卷积神经网络的作物病害识别模型存在抗干扰能力不足问题,提出一种融合自监督学习和Vision Transformer的HMLP_TR-ViT模型.首先在预训练阶段使用HMLP分块序列化结构来提高MAE模型的层级信息提取能力;然后在精调阶段引入序列重组操作以消除自注意力计算过程中的无效背景序列块,旨在提高网络编码层的推理速度,使所提模型更加聚焦作物病害区域.在公开数据集Plant-Village和自建数据集PDVD-7上实验,使用HMLP结构后的识别率分别为99.90%和98.37%,序列重组后的识别率分别为99.92%和98.37%;对比DCNNs(ResNet、EfficientNet和ConvNeXt),HMLP_TR-ViT在两个数据集上病害识别性能均达到最优,分别为99.92%和98.46%.

基于SSA优化SVM的交通标线识别算法研究

针对智能驾驶汽车对交通标线识别率不高的问题,提出一种改进LBP特征和SSA优化SVM的交通标线识别算法.该算法采用改进的LBP算法提取路面交通标线特征,通过PCA降维处理,获得最佳维度;通过对SSA、PSO、WOA和GWO 4种群智算法分析比较,发现采用SSA优化SVM的惩罚系数和核函数参数,获得路面交通标线识别的最优模型.实验结果表明,该模型的平均识别速度分别比PSO、WOA和GWO优化的SVM模型提高了1.0%、6.19%和8.35%,平均识别精度最高,达到96.7%,比优化前提高了4.5%,且模型的最佳参数稳定.

基于RD-YOLO的毫米波雷达和视觉融合显著性目标检测

为了解决单传感器在复杂环境下目标检测精度低问题,提出了一种基于RD-YOLO的毫米波雷达和视觉融合的显著性目标检测方法。首先设计了能够将毫米波雷达点云转换为图像的方法,使毫米波雷达和视觉数据在模型输入时实现特征融合;然后通过动态互补注意力机制,对两个图像分支生成特征设置空间和通道动态注意力权重;最后采用YOLOv8检测融合后特征,引入改进损失函数Focal Loss以解决样本不均衡问题。在数据集nuScenes上开展的相关实验表明,与YOLOv5、YOLOv7、YOLOv8、Faster R-CNN和FCOS相比,所提方法目标检测综合性能良好,均值平均精度比原始YOLOv8提升了9.19%。