用于多尺度道路目标检测的优化定位置信度改进算法

为了提高多尺度道路目标的检测性能,本文针对目标检测算法在非极大值抑制阶段的检测质量表征不合理问题,提出了一种优化定位置信度改进算法.首先基于RepPoints构建研究框架,研究定位置信度对多尺度道路目标的敏感性.在敏感性研究结果的基础上,本文提出了混合定位置信度.然后针对IoU定位置信度无法区分重叠程度相同的包围框的缺陷,提出了CIoU定位置信度.最后将这两种定位置信度结合得到优化定位置信度改进算法,解决了检测质量表征不合理问题.在道路场景数据集Cityscapes上的实验结果表明,混合定位置信度和CIoU定位置信度单一作用时均有效,共同作用时精度提高2.4%,多尺度目标检测精度均有显著提升,且实时性没有下降.相较于主流道路场景检测算法如Cascade-RCNN、FCOS等,本文算法取得了最高的mAP、AP M和AP L.

城市道路环境目标快速识别算法

文中选择anchor-free的FCOS网络作为基础检测算法,引入深度可分离卷积,大幅减少网络参数,进一步压缩了算法的特征金字塔网络,并优化了目标分层识别方案以提高特征金字塔的利用率.基于输入图像分辨率对算法精度和速度影响的分析,优化了输入图像的长宽比和分辨率,增大了行人与车辆目标的区分度.实验表明:改进算法速度可达23帧/s,精度可达26.5%.

基于六苯并蒄的螺旋纳米碳分子

纳米碳分子是一类在纳米尺度上具有原子级精确结构的共轭碳分子,为研究碳基纳米物质的构性关系提供了理想的分子模型.近年来,研究人员通过螺烯与平面纳米碳分子六苯并蒄的融合,创造出一系列新型螺旋纳米碳分子.此类分子具有独特的理化性质与内禀手性特征,在手性有机光电材料、超分子化学和生物成像等领域展现出广阔的应用前景,引起了人们的广泛关注.本文将概述本课题组在螺旋纳米碳分子的设计合成与性质调控方面的研究进展,并对其未来的发展方向和研究挑战作出了展望.

基于数据增广的道路场景小目标检测

道路场景目标检测技术受限于数据集及目标检测算法,不同尺度目标检测精度差异显著,其中小目标检测性能较差。数据增广是解决该问题的主要手段,增加道路场景小目标训练样本,改变各尺度训练样本不均衡分布,提升其检测性能。针对等概率重采样存在局限性,提出随机概率重采样策略,增加了对小目标性能影响显著的训练图像。针对各尺度目标训练样本数量分布不均衡,提出自适应尺度均衡策略(Adaptive Scale matching Cutout,AdaSMC),缓解了大、中等目标被过度增广的问题。融合随机概率重采样和AdaSMC两种增广策略,提出应用于道路场景的融合增广算法。在Cityscapes数据集实验结果表明,该融合算法在保证实时性的前提下,APs提升1.9%,ARs提升1.7%。

基于改进Transformer的电网防汛风险概率预测

电网变电站安全运行是关系人民正常生活的重要工程。为提高汛期下电网运行的安全性,作者提出基于改进Transformer的电网防汛风险概率预测模型。首先根据数据特性选出Transformer作为时序数据预测的研究框架,研究位置编码对时序数据的影响,并提出时序数据位置自适应编码策略。然后针对逐点注意力机制计算方法的缺陷,提出局部数据感知增强策略;最后将两者结合,提出电网防汛风险预测模型。在变电站防汛数据集上的有效性实验结果表明,改进策略单一作用时有效,且共同作用时精度提高29.73%,实时性也没有下降。对比实验表明,基于改进Transformer的电网防汛风险概率预测算法优于其他多种深度学习时序预测算法,该模型在电网防汛预测方面表现出较好性能。

面向无人驾驶道路场景的FCOS改进算法

城市道路环境目标检测是无人驾驶研究的重要内容,深度卷积神经网络算法有着良好的检测精度,被广泛用于城市道路的车辆与行人目标检测。针对道路场景目标尺度多样问题,在特征融合模块提出Strengthened-FPN特征融合,增加自下而上的分支,均衡目标检测器对不同大小目标的检测能力;针对道路场景样本基于真值框非中心分布的问题,提出了基于Loss Score正负样本分配策略,提供模型更优质的正样本实例;最后针对无人驾驶场景数据集KITTI,提出损失函数适应性策略,调整分类损失函数参数,并采用DIoU取代IoU加速模型的收敛,提升FCOS在无人驾驶场景的性能。实验结果表明,改进后的FCOS算法比基准算法mAP提升了3.1%,更适合于无人驾驶道路场景。