引入残差学习与多尺度特征增强的目标检测器

目前深度学习在计算机视觉领域中取得了巨大成功,但是小目标检测仍是目标检测领域中具有挑战性的难题。针对小物体分辨率低、图像模糊、携带信息少等问题,提出了引入残差学习与多尺度特征增强的目标检测器。首先在主干网络中引入基于残差学习的增强特征映射块,通过通道平均和归一化处理使得模型更加专注于对象区域而不是背景,并在兼顾检测速度的同时为有效特征层提供额外的语义信息;然后特征映射对上下文信息敏感的特征融合块进一步增大有效特征图的感受野,并将用于预测的浅特征层与深特征层进行融合,提高低分辨率下的检测性能;最后通过双重注意力块抑制背景噪音,将关键特征嵌入到注意力中,在保留空间信息的同时加强通道间的信息关联,进而增强特征的表达能力。为了更好地检测小目标,还对浅层特征映射先验框数量进行了调整。实验结果表明,在PASCAL VOC2007的数据集上,该算法对于300×300输入尺度的检测精度(mAP)为79.9%,较SSD提高了2.7个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了5.1个百分点、7.5个百分点、3.9个百分点、7.2个百分点。在OAP自制航拍数据集上的检测精度(mAP)为82.7%。

残差学习与循环注意力下的SSD目标检测算法

针对Single-Shot Detection的特征金字塔中生成的浅层特征语义信息不足,导致小目标检测性能较差的问题,提出了一种基于残差学习与循环注意力的SSD目标检测算法。首先主干网络采用学习能力更强的Resnet101来提取有效的特征信息;然后通过构建轻量级的单向特征融合块对原特征金字塔中的深特征层与浅特征层特征进行融合,并生成新的特征金字塔,进而丰富用于预测的有效特征层的语义信息;最后提出一种新的空间池化策略,并与残差网络中的跳跃连接相结合构成循环注意力模块,从而引入全局的上下文信息,为局部特征建立全局信息关联。为了解决难易样本数量不平衡的问题,将Focalloss作为回归损失函数。实验结果表明,在PASCAL VOC公共数据集上,该算法的平均检测精度(mAP)为79.7%,较SSD提高了2.5%。在MS COCO公共数据集上的mAP为30.0%,较SSD提高了4.9%。

低转矩脉动永磁电机的转子结构设计

本文对一台采用内置V型磁极结构的永磁同步电机进行低转矩脉动设计。首先,基于有限元方法,通过参数化仿真,确定了永磁体V形夹角对转矩脉动的影响。然后,以降低转矩脉动为目标设计转子结构,通过不等宽度隔磁桥与转子开孔设计,降低转矩脉动。仿真结果表明,转子采用新结构以后,不仅低了转矩脉动,同时利用转子铁磁材料的磁饱和效应,对加工误差有一定的容许度,具有良好的稳健性。

基于STC的智能医疗监控系统设计与实现

文章设计并实现了一种智能医疗监控系统,可以对人体进行健康检测,快速准确地测量人体体温、心率,防摔倒等,并将测量的数据实时传输到手机APP上。本系统基于STC单片机进行设计,主要由红外测温、心率测量、蓝牙传输3部分组成。采用MLX90614测量体温,运用红外传感器采集与心跳同频率的信号,引用蓝牙通信技术实现数据实时传输,开发APP显示测量信息,实现身体状况监测报警功能。该监测装置精度较高,操作方便,成本较低,具有较好的应用前景。

基于高置信度更新的多滤波器协同跟踪算法

提出一种基于高置信度模型更新策略的多相关滤波器协同跟踪算法。利用卷积网络结构VGG-Net-19提取目标周围区域的多层卷积特征,构造深度滤波器,以自适应的特征融合策略实现目标初定位;建立尺度滤波器以检测目标的尺寸变化;利用主次峰坡度比作为跟踪置信度指标,设计一种高置信度下的模型更新策略;当跟踪置信度不足时,通过EdgeBox方法提取目标候选区域,利用设计的重检测滤波器,确定目标的最终位置。在标准数据集OTB-100和TC-128上的实验结果表明,本文算法取得了较高的跟踪精度,在目标发生遮挡、光线变化、出视野等复杂情况时,算法依旧可以稳健地跟踪。