一种基于改进YOLOv5的轻量化目标检测算法

针对户外施工环境中检测目标小,检测模型结构复杂、参数多,计算量大的问题,提出一种基于改进YOLOv5的轻量化户外目标检测算法。通过模块替换和模型压缩等方法实现YOLOv5目标检测网络的轻量化,降低检测模型网络的参数量。实验结果表明,所提出的轻量化策略大幅减少了模型参数量以及推理所需的计算量,并且保持了较高的准确率。

基于场景和行人交互力的行人轨迹预测

目前,研究人员将图卷积神经网络用于轨迹预测。但是,其大部分工作都集中在场景中行人之间的交互上,而忽略了场景的影响。因此,本文在使用图卷积神经网络构成行人之间的影响的基础上,增加了场景特征。首先将行人轨迹汇集为点阵图,然后为行人分配场景邻域,之后将邻域内点阵图池化为权重图,并得到场景特征,最后通过将两类特征相结合,进而预测行人的行动轨迹。在两个公共数据集(ETH和UCY)上进行实验表明,本文提出的算法在减少参数的基础上提高了预测精度。

基于注意力机制的自监督单目图像深度估计

针对单目图像深度估计中采用监督学习方法的条件限制和深度图结果存在边界伪影、轮廓不清晰、预测范围较小等问题,提出了一种基于注意力机制的自监督单目图像深度估计算法。该算法在深度网络模型中添加注意力机制去关注更重要的特征信息,出轮廓精确的深度图。运用本方法的网络模型在KITTI数据集验证了模型的有效性,该算法在80m范围内的实验平均相对误差下降到了0.090,深度估计准确率显著提升。