基于改进PIDNet的水位线检测算法

PIDNet是三分支网络构成的语义分割模型,在众多竞赛数据集中均保持优秀的分割精度。然而,积分分支中进行多次下采样和金字塔池化模块中多分支特征融合冗余的缺点限制了算法精度的提高。在水位线检测任务中,现有算法的缺点会导致局部细节信息丢失,使得水体边缘精细化检测的能力有所下降。为了缓解这个问题,提出一种基于改进PIDNet的水位线检测算法。首先设计一种结合通道注意力的轻量化像素增强模块,在积分分支下采样过程中进行像素增强,减少局部信息丢失。然后对金字塔池化模块进行重构,在减小池化输出特征大小的基础上减少并行分支数,同时在特征融合时结合通道注意力进一步加强关注重要特征的能力,提高水位线边缘的分割精度。此外,融合多场景的河流数据集,避免复杂场景下检测出的水位线位置发生偏移和断线。实验结果表明,所提方法(S和M)在水位线检测任务中相对原算法(S和M)在3个性能指标上都有所提高,以M规模为例,像素正确率提高了1.47个百分点,平均交并比提高了1.04个百分点,检测延迟降低了0.9 ms。

面向嵌入式设备的高实时微小目标跟踪检测方法

传统主流目标检测算法在嵌入式平台无法兼具高实时性与高准确性,难以应用于边缘智能等领域。为解决微小目标跟踪检测在嵌入式平台实时应用的瓶颈,提出一种高实时微小目标跟踪检测方法。利用轻量化神经网络的骨干网络和路径聚合网络,对整体网络进行针对化的剪枝优化,同时深度融合相关滤波算法,提升针对微小目标跟踪检测的准确度和速度。在3D物体场景渲染器自建的军事微小目标数据集上的实验结果表明,在100像素的极小目标跟踪识别中,与DarkNet53-CSP方法相比,该方法检测精度大幅提高,在400~10000像素的微小目标识别跟踪中,检测精度与检测速度优于DarkNet53和ResNeXt50+CSP等算法。

基于国产平台的字符绘制流程优化

经过十余年的发展,国产CPU已经取得了长足的进步,但相对于发展更为长久的国外芯片,国产CPU在制造工艺和性能上仍然具有一定的差距,而这种差距在最为直观的图形应用上尤为明显。为了解决应用在国产平台上出现的种种问题,研发人员不但需要从硬件着手优化,也要加大针对平台的软件适配力度[1]。文中从字符引擎入手,针对Free Type字符引擎在国产平台绘制字符出现的问题,通过分析Free Type引擎渲染流程上可能出现的瓶颈,采取批量绘制、提前纹理生成阶段以及创建纹理字库的方法进行优化。经过实验测试,优化后的字符引擎在国产平台上进行大批量字符绘制的效率得到了明显的提高。

动态可重构技术在嵌入式计算机中的应用

动态可重构技术能够优化配置硬件性能,使其充分发挥相关功能,实现硬件资源高效利用,提高嵌入式计算机的运作水平,以满足大众多样性的任务需求。动态可重构技术的应用仍处于摸索性前进阶段,有较大的发展潜力,加强此方面的研究意义重大。笔者主要探讨了动态可重构技术在嵌入式计算机中的应用,分析嵌入式计算机中应用到的不同类型动态可重构技术,希望对嵌入式计算机技术改革与行业现代化发展起到积极的推动作用。