基于anchor-free的光学遥感舰船关重部位检测算法

针对基于深度学习的遥感舰船检测算法存在精细化程度不足、检测效率低的问题,提出一种基于anchor-free的光学遥感舰船关重部位检测算法。所提算法以全卷积的单阶段目标检测(FCOS)算法为基准,在主干网络中引入全局上下文模块,提高网络的特征表达能力;为更好地描述目标的方向性,在预测阶段构建了具有方向表征能力的回归分支;对中心度函数进行优化,使其具备方向感知和自适应能力。实验结果表明:在自建舰船关重部位数据集和HRSC2016上,所提算法的平均精度(AP)比FCOS算法有显著提升;与其他算法相比,所提算法在检测速度和检测精度上均表现优越,具有较高的检测效率。

基于Anchor-free的孪生网络目标跟踪算法

基于anchor-free的目标预测方法相较于anchor-based方法速度更快,故设计一种基于anchor-free的孪生网络目标跟踪算法(AFSN)。通过对特征图、预测结果进行双重融合来提升跟踪效果,由深至浅对特征图进行堆叠融合,利用多层特征图进行目标预测,融合多个预测结果来稳定跟踪效果。采用anchor-free的目标预测方法,直接在像素点上进行目标类别的预测和边界框回归,避免了需设计大量锚点包围盒的问题。在GOT-10K数据集上,该算法的平均重叠率(AO)和成功率(SR_(0.75))相较于SiamRPN++算法提高了4.9和9.9百分点,算法处理速度可达每秒37帧。

隔震装置阻尼机构的参数设计与振动台试验

为了改善浮放物体隔震装置中阻尼力的施加方式,研制出一款阻尼机构。对其构造和工作机理进行阐述,推导出了它的力学特征表达式,并验证了分析模型的准确性。结合某文物隔震装置的目标性能,利用数值方法对阻尼机构的参数进行设计,并对比振动台试验。结果表明:该阻尼机构结构简单,性能稳定;经阻尼参数优化后的隔震装置在满足位移限值的情况下达到了设定的隔震目标;试验与数值分析结果相吻合,证明了阻尼机构参数设计的正确性,同时也检验了隔震装置的安装和运行质量。其中,试验与数值分析结果的吻合程度,尤其是位移时程曲线的吻合程度,可为浮放物体隔震装置的方案对比和质量评估提供思路。

新型万向球摆式隔震装置的设计与应用

针对浮放物体防震保护的迫切需求,研发了一款基于万向球的摆式隔震装置。首先介绍了它的构造特征与运行原理,并以某陈列佛塔为对象进行方案设计,利用有限元软件模拟万向球与圆盘间的接触关系,评估该装置的承载能力;然后通过试验验证了内部阻尼机构力学模型的准确性,采用时程分析法检验了该装置在8度极罕遇地震作用下的隔震效果,并与传统滑动摩擦摆的减震性能进行了对比。结果表明,该隔震装置不仅结构简单、性能可靠,而且具有摩擦系数低,起滑加速度阈值小,阻尼灵活可调的特点。装置中的点面接触具有一定的承载能力,能够满足设计需求。端部设置黏滞阻尼器的阻尼机构表现出明显的速度相关性,阻尼力会随速度的增大而增大。该装置隔震性能良好,在满足位移限值的情况下达到了设定的隔震目标,而且相比于传统型,在位移和加速度响应均需兼顾的情况下,通过合理调整阻尼机构的性能参数,该装置在各地震工况中能够取得更优的综合隔震效果。

曲线轨道式隔震装置的结构优化与应用研究

针对浮放物体的防震保护需求,研发出一款基于新型抗侧移组件的曲线轨道式隔震装置。阐述它的构造特点和运行机制,并依据结构原理制作模型,通过试验与理论对比来检验模型的运行质量进而验证方案的可行性。然后结合雨花阁内文物来设计样机,采用多条楼面波进行样机的振动台试验,测试其隔震效果。最后探讨建筑滤波效应对该类隔震装置设计的影响。研究结果表明:曲线轨道式隔震装置经优化后不仅零部件功能清晰,结构简单易加工,而且具备整体性强、运行质量高以及后期可扩展等优势。试验模型的零部件能充分发挥各自功能,尤其是抗侧移组件极大提高了模型的稳定性和可靠性,理论分析与试验结果吻合良好。结合案例所设计的样机虽具有较好的隔震性能,但限于非线性双自由度的结构特点,重复试验的响应结果存在差异,工程应用中应予以重视。当楼面波不易获取且隔震装置周期远离建筑自振周期时,依据楼面加速度放大系数,将调幅后的原始波作为隔震装置设计依据是可行的且结果偏保守。

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。

双作用液环压缩机壳体型线响应面分析及多目标优化

为探究双作用液环压缩机壳体型线对其内流场及性能的影响机理,采用DFFD参数化方法对多级双作用液环压缩机椭圆形壳体型线进行响应面优化分析,并结合NSGA-II多目标优化方法对吸排气区壳体型线进行协同优化。采用VOF多相流模型对该液环压缩机全流域进行非定常计算,双作用液环泵内相态场、压力场基本呈径向对称分布,吸排气区域及叶轮壳体内流场与单作用液环泵分布规律基本一致,随着级数增大液环内的气相区域逐渐减小。响应面结果表明吸气量的大小主要取决于吸气口始端和末端的壳体型线,当R_(A)值趋于0水平,R_(B)处于低水平时,吸气量趋于最大值。轴功率主要受吸、排气口始端位置壳体型线影响,R_(A),R_(C)值越小,轴功率越小。效率的大小主要取决于吸气口始端和末端的壳体型线,且R_(A)值越大,R_(B)值越小,效率越高。在额定出口压比条件下,以吸气量和效率作为优化目标对液环压缩机进行NSGA-II多目标优化,获得其Pareto前沿的最优效率设计J和和最优流量设计K,J方案流量和效率分别高于原方案1.40%和2.53%,K方案流量和效率分别高于原方案16.4%和0.61%。

基于DTA-FSAF的无人机小目标检测研究

随着无人机的应用越来越广泛,基于无人机下的交通场景目标检测的需求也越来越高。但是现有算法在无人机视角下检测精度不高,鲁棒性也不够稳定。为了解决交通场景下无人机视角的车辆和行人的目标检测问题,该文提出DTA-FSAF的目标检测网络。首先,将可变形卷积融入骨干网络ResNet-50中提高FSAF网络(Feature Selective Anchor-Free)的特征学习能力,采用PAFPN(Path Aggregation Feature Pyramid Network)实现多尺度融合,从而提高小目标的检测精度与网络的拟合能力;其次,使用任务对齐检测头减小网络的分类与定位任务在检测小目标时出现的分类与定位任务的错位,从而进一步提高网络的鲁棒性;最后,通过调整IoU损失提高网络整体的检测效果。通过在无人机数据集VisDrone上进行实验和分析比较可知,相比于其他网络,在不同的交通场景下,DTA-FSAF网络在满足实时性需求的同时检测精度达到了41.3%。相比于FSAF网络提升了19.6%。通过实验证明改进算法能有效地在各种复杂交通场景下完成对行人和车辆的目标检测。

基于EfficientNet的无锚框目标检测模型

目标检测是计算机视觉的热门研究方向之一,包含分类和定位两个任务。针对单阶段目标检测模型普遍存在的两个问题:训练时正负样本的不均衡以及锚框的设置需要人工干预,提出一种基于EfficientNet的无锚框目标检测模型(Anchor-free Efficientnet-based Object Detector,AEOD)。AEOD先筛选出落在目标框中的特征点,再根据特征点所作的预测计算代价矩阵,在训练时基于代价矩阵为目标动态分配正负样本,从而达到平衡二者数量的目的。此模型通过特征图中的特征点直接预测目标的位置和形状,不仅省去了人工设置锚框的环节,还提高了可检出目标的数量。此外,可缩放的EfficientNet进一步提高了模型的泛化能力,使之可以接收多尺度的输入。在PASCAL VOC07+12数据集中,AEOD最高可以获得91.3%的平均精度(mAP),检测速度达到32.1 FPS,较其他主流的目标检测模型有显著提升。

对c++中malloc/free和new/delete的探讨

函数malloc/free和运算符new/delete是c与c++中进行动态内存分配必不可少的工具。文章从语法、功能以及它们的相同点与不同点等方面介绍了malloc/free和new/delete在内存分配上的应用。

FREE模型在面向对象测试中的应用研究

在面向对象分析设计中 ,对象的行为通常与其状态紧密相关。因此 ,基于状态的测试成为面向对象软件中一个有效的测试方法。对FREE模型进行了研究 ,分析了该模型的优缺点及适用范围 ,并将其应用于面向对象软件测试中 ,为基于状态的测试提供一个类行为的可测模型 ,有利于提高面向对象的测试质量。

一种迭代聚合的高分辨率网络Anchor-free目标检测方法

针对目前Anchor-free目标检测方法CenterNet(Objects as Points)生成热力图不准确、检测精度不足的问题,提出了一种基于特征迭代聚合的高分辨率表征网络CenterNet-DHRNet。首先,引入高分辨率表征骨干网络,并用迭代聚合的方式对不同分辨率的特征图进行融合,提高网络的分辨率,有效减少图像在下采样过程中损失的空间语义信息。其次,使用高效通道注意力机制对高分辨率表征骨干网络的输出进行优化。最后,利用结合空洞卷积的空间金字塔池化操作增强网络对不同尺度物体的感受野。实验在PASCAL VOC数据集和KITTI数据集上进行,结果表明:CenterNet-DHRNet精度更高,满足实时检测的性能要求,具有良好的鲁棒性。

基于软标签和样本权重优化的Anchor Free目标检测算法

与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能。针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率。为证明所提方法的有效性,分别在经典的Pascal VOC数据集和MS COCO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mAP提升至82.16%(提升约1.31%),在MS COCO数据集上的AP_(50-95)提升至35.8%(提升约1.3%)。

一种Anchor Free的无人机检测方法

目前几乎所有最先进的目标检测方法都依赖于预先定义的anchor,但是由于anchor的存在,网络会增加与anchor相关的计算开销,而且在现实世界中,目标尺度多种多样,比如地对空拍摄的无人机目标,预先定义的anchor不可能穷举所有的无人机尺度。因此,该文抛弃预先定义的anchor,采用anchor free的方法来检测无人机。该anchor free方法以目标中心区域的像素为训练样本来逐像素预测边界框的偏移量。针对地对空拍摄的无人机目标大部分都是小尺度的情况,采用高分辨率网络HRNet作为主干网络来提取小目标细粒度的特征,从而提高小目标检测的精度。相对于基于anchor的目标检测方法,该网络框架简单、灵活,并且可以自适应地预测无人机目标的边界框。在自己设计的无人机数据集上,该方法获得了更高的召回率和精确率。

可重叠抑制的Anchor-free目标检测算法

针对Anchor-base目标检测算法的预定义边界框尺度、长宽比固定和需要预先设计的缺陷,提出了一种新的重叠抑制Anchor-free目标检测算法。该算法舍弃了预定义边界框生成,选择直接回归预测特征层上像素点到对象边界框四边的距离,摆脱了预定义边界框的尺度和长宽比限制,可以实现对任意形状的目标对象的识别和边界框回归。在边界框回归时,将周围重叠遮挡对象的影响考虑在内,在边界框回归损失函数中增加与重叠对象边界框之间距离成反比的辅助损失函数,使对象的预测边界框尽可能远离周围重叠遮挡对象的预测边界框和边界框真实值。实验结果表明,提出的Anchor-free目标检测算法能够显著提升极端形状对象和重叠遮挡对象的检测鲁棒性。

采用Anchor-Free网络结构的实时火灾检测算法

为了解决现有的火灾检测算法中模型复杂,实时性差,检测精度较低的问题,提出快速高效的火灾检测算法.该算法采用Anchor-Free网络结构,克服了Anchor方法中超参数过多、网络结构复杂的缺点;选用MobileNetV2作为基础特征提取网络,满足了检测的高实时性需求;针对火焰目标的形状、尺度多变的特点,设计适合于火焰检测的分类与边框预测子网络;引入特征选择模块,在特征金字塔网络中自动选择更合适的金字塔特征层.算法在自建数据集上的检测精度达到90.1%;在公开数据集上取得了较好的检测结果,其检测速度可达24.6帧/s.实验结果表明,算法的网络模型简单,检测精度较高,检测速度较快;综合性能优于现有的其他火灾检测算法.

基于关键点的Anchor Free目标检测模型综述

目标检测是计算机视觉应用的基础,基于锚框的一些目标检测算法已难以满足目标检测中对目标处理的效率、性能等诸多方面的要求,而anchor free方法逐渐广泛应用于目标检测.本文首先重点介绍了CornerNet、CenterNet、FCOS模型的一系列基于关键点的anchor free目标检测方法,综述了算法思路及其优缺点;然后分别对基于锚框和基于关键点的目标检测算法在同一个数据集上作了性能比较和分析;最后对基于关键点的目标检测进行了总结,并展望了目标检测的未来发展方向.

基于Anchor-free的行人与车辆检测的研究

由于Anchor-based方法存的一些问题,如目标不规则、手动设计anchor、匹配机制无法匹配极端目标等,提出使用Anchor-free方法用于安防领域的行人与车辆的检测。论文在利用CornerNet-lite进行目标检测的基础上,提出“同类别匹配抑制规则”算法,以降低误报率。所提出的算法基于真实场景的行人与车辆数据集进行测试评估,在不同的场景下,如烈日、阴天、雨雪、夜晚、白天等。实验结果表明,使用安防数据集测试时,改进的算法平均精度(Mean Average Precision,mAP)为0.35,比原方案提高0.05。论文所提出的算法为一般的目标检测算法提供高检测率和低误报率。该算法是有效的,为开发实时行人与车辆检测算法铺平了道路。

基于改进的Transformer加Anchor-free网络的多目标跟踪算法

近年来,基于Anchor-free的多目标跟踪算法以其精度高、速度快、超参数少的特点被广泛研究。但是,实际场景中的目标遮挡使得此类算法仍然面临挑战,这类算法会对遮挡后重新出现的目标的身份信息进行错误切换。针对以上问题,提出了一种基于改进的Transformer加Anchor-free网络的多目标跟踪算法(Transformer-Anchor-free-MOT,TransAnfMOT),该算法通过跨层特征融合(Cross-Layer Feature Fusion, CFF)和注意力机制(Convolutional Block Attention Module, CBAM)对RGB图像和Depth图像进行融合,提升融合的RGB-D图像的特征质量,从而提高遮挡判断任务的精度。另外,设置了被遮挡目标的搜索区域,并利用外观特征距离方法赋予遮挡后重新出现的目标之前的身份信息,减少目标身份信息切换错误。实验结果表明,提出的算法在3个不同的场景下实现了比较有竞争力的结果,有效提升了多目标跟踪算法的准确性和稳定性。

基于注意力机制和尺度均衡金字塔网络的目标检测

在目标检测领域中,基于预先是否对预测框与标注框进行关联,可分为anchor based与anchor free两种方法.Anchor based多应用于早期目标检测方法中,能够提升检测准确率,但过程复杂且计算量较大,因此会增加模型训练时间与推理速度,从而导致应用效率大大降低.而基于anchor free的方法去除了关于anchor的冗余计算,提升模型推理速度,但同时也牺牲了一定的准确率.结合二者的优点并基于anchor free方式对FCOS检测器做出改进,使得模型拥有anchor based方法的准确率和anchor free方法的推理速度.主要从以下两个方面进行研究:1)以anchor free方法为基础,如何使骨干网络有效提取特征.2)以anchor free方法为基础,在检测器中嵌入特征金字塔网络.从上述两方面,提出了一种基于注意力机制和尺度均衡金字塔网络的目标检测模型.在COCO数据集上,无论是属于anchor based方法的YOLOv3,Faster RCNN,还是属于anchor free方法的Foveabox, FSAF,FCOS,在所提方法的加成下都获得了更高的准确率.所提出的优化模型在ResNet50骨干网络上可以得到39.5%的COCO AP.