基于改进YOLOv7的卫星遥感影像多尺度目标检测方法

针对卫星遥感影像目标检测中,小目标检测精度低、漏检率高,以及实际应用场景中检测效率低等问题,文章提出一种基于改进YOLOv7(You Only Look Once)的卫星遥感影像多尺度目标检测方法。在检测网络中,聚焦提升小目标检测能力,添加类注意力机制的卷积模块(ConvNeXt Block,CNeB),提升对小目标细粒度特征的提取及利用能力;同时,提出后处理机制,通过建立小目标与大目标的相互关系,实现使用单个模型对多种尺度目标进行检测。实验结果表明,在TGRS-HRRSD数据集4个小目标上,改进后的检测模型相较原始YOLOv7在平均精确率均值指标上提升了16.6个百分点。在检测特定大目标任务中,通过后处理机制,在保持精度的条件下,相较YOLT(You Only Look Twice)时间减少了70%。相较于主流的面向遥感影像的检测方法,该方法在检测多尺度目标上,检测精度更高、速度更快。

一种基于蜕变测试的卫星遥感目标检测模型鲁棒性测试方法

通过深度神经网络等智能方法实现对卫星遥感影像的目标定位识别成为当前研究与应用的主流。针对其广泛落地应用对软件测试工作带来的诸多挑战,围绕鲁棒性这一重要的测试属性,提出一种基于蜕变测试的卫星遥感目标检测模型鲁棒性测试方法。该方法构建“淡云层遮挡不改变模型输出结果”“明暗度变化不改变模型输出结果”两种蜕变关系,通过传统CV方法生成衍生用例,并提出量化指标进行评估。在TGRS-HRRSD数据集两类小目标上分别评估基准模型和改进模型,结果表明,该方法在评估模型鲁棒性上,具有一定的有效性与直观性。

自动驾驶交叉路口测试场景建模及验证方法

自动驾驶汽车在缓解交通拥堵和消除交通事故方面发挥着重要作用.为了保证自动驾驶系统的安全性和可靠性,在自动驾驶汽车部署到公共道路之前,必须进行全面的测试.现有的测试场景数据大多来源于交通事故和交通违法场景,而且自动驾驶系统最基本的安全需求就是遵守交通法规,这充分体现了自动驾驶汽车遵守交通规则的重要性.然而,目前严重缺少针对交通法规构建的自动驾驶测试场景.因此,从交通法规出发,根据自动驾驶系统的安全需求,提出了交叉路口测试场景的Petri网建模及形式化验证方法.首先,依据自动驾驶测试场景对交规进行分类,提取适合自动驾驶汽车的文本交规,并进行半形式化表征;其次,以覆盖道路交通安全法规以及测试场景功能测试规程为目标,融合交叉路口场景要素的交互行为,合理选择并组合测试场景要素,布设交叉路口测试场景;然后,基于交规的测试场景被建模为一个Petri网,其中,库所描述自动驾驶汽车的状态,变迁表示状态的触发条件,并选择时钟约束规范语言(CCSL)作为中间语义语言,将Petri网转换为一个可进行形式化验证的中间语义模型,提出了具体的转换方法;最后,通过Tina软件分析验证交规场景模型的活性、有界性和可达性,结果表明了所建模型的正确性,并基于SMT的分析工具MyCCSL来分析CCSL约束,采用LTL公式以形式化方法验证交规场景模型的一致性.