基于注意力机制的无监督矿井人员跟踪

目标跟踪是一项有挑战性的计算机视觉任务,在智能交通、人机交互、视频监控等领域有重要作用。目前已经出现诸多性能优越的跟踪算法,但是在煤矿场景下实现良好的跟踪效果,依旧存在较大困难,主要面临遮挡严重、背景干扰较多、井下人员较多、数据集样本数量少、缺乏统一标注等挑战,严重影响目标跟踪的效果。针对煤矿场景下,矿井视频数据集不完善、图像质量差以及缺乏统一标注等问题,设计了一种无监督的方法训练目标跟踪模型,将相关滤波和孪生网络相结合,融合二者在目标跟踪任务的优势,构建轻量级端到端的目标跟踪网络模型,采用目标前向跟踪、多帧后向验证方法完成无监督模型的目标跟踪过程。模型的主干网络使用轻量级AlexNet神经网络,解决了煤矿环境下移动平台存储和计算资源有限的问题。根据矿井环境下存在遮挡严重、背景干扰较多、密集目标排列紧密复杂等问题,提出了使用注意力机制提取视频图像中目标重要性信息的方法。在模型的主干网络结构中添加通道注意力机制和空间注意力机制,将重点关注的目标从诸多背景信息中提取出来,通过处理重要信息进而更好地完成跟踪当前目标的任务。将改进后基于注意力机制的无监督矿井人员跟踪模型与ECO,Staple,DSST,SiamFc,SiamRPN模型的平均覆盖率和平均中心位置误差进行对比,发现所提出的目标跟踪模型适用于煤矿复杂环境的人员跟踪问题,具有较好的目标跟踪效果。

锚点机制在目标检测领域的发展综述

目标检测是计算机视觉领域的基本任务。近年来,基于深度学习的目标检测研究发展十分迅速,锚点(anchor)机制广泛应用于主流目标检测器中。多尺度的锚点是检测器解决尺度问题的有效方法,但锚点策略也存在尺寸固定、模型鲁棒性差等问题。根据优化锚点设置和无锚点(anchor-free)两种不同思路在目标检测中的发展,进一步分类总结检测模型的优缺点。首先回顾anchor策略提出的背景及原理,介绍基于优化anchor设置的目标检测模型,总结anchor机制存在的问题,引出无锚点(anchor-free)系列模型。在基于关键点的anchor-free模型中,按照检测思路分为基于特定位置关键点的检测器和结合中心关键点回归预测的检测器,分类总结算法的优缺点和使用范围,结合COCO数据集上的检测指标进一步对比。最后在总结融合anchor-based和anchor-free的模型基础上探讨两类算法的本质区别,指出未来的研究方向。

豌豆苗无公害高效栽培技术

豌豆苗不仅口味全面,而且有着极高的营养价值,在豌豆苗中含有丰富的蛋白质以及粗脂肪,此外还带有数十种人体所必需的氨基酸,市场前景广阔。豌豆苗生产中,必须严格按照技术规范,保证豌豆苗的产量和品质。文章从选种、整地播种、日常管理以及病虫害防控角度,论述豌豆种植技术,以供种植户借鉴。

不同浓度营养液对切花月季水培的影响

为了筛选适合切花月季水培生长的最适营养液浓度,以带有花苞的切花月季为材料,培养在不同浓度的园式标准配方营养液中,通过比较月季花苞开花情况、叶绿素含量、新叶的数量、旧叶变黄的数量、细胞膜相对透性的变化得出适合切花月季水培的最适营养液浓度。结果表明:随着营养液浓度递减,叶绿素含量先增多后减少,新叶的数量先增多后减少,旧叶变黄的数量先减少后增多,细胞膜相对透性先减少后增多;最适合切花月季培育的营养液浓度为1/2倍园式标准配方营养液。