模拟复眼视叶神经网的目标运动方向检测模型

如何对杂乱背景中物体(目标)的运动方向做出准确可靠的检测与感知,是计算机视觉研究领域中一个重要问题。自然界中,飞虫(如苍蝇、蜻蜓等)高适应性和高可靠性的感知目标运动是一种自然特性,本文基于飞虫−果蝇视叶神经纤维网最新的生理学研究成果,提出一种基于果蝇视觉感知目标运动方向的多层级检测模型系统。通过对不同场景下拍摄的视频序列样本进行实验和测试,并与2-Q运动检测器模型、基于ON和OFF信号通道处理运动信息的检测模型等进行了对比,验证了其在杂乱背景下对于目标水平和垂直方向运动检测的有效性和鲁棒性。

一种基于目标与背景特征分离模型的高光谱目标检测修正算法

高光谱图像立方体数据可以提供成像场景中地物在可见光和近红外波长范围内的空间信息和地物属性诊断的光谱特征信息,在目标检测与识别方面拥有得天独厚的天然优势。然而,基于高光谱图像数据的目标检测也存在一定缺陷,如经典的高光谱目标检测算法仅利用光谱维度信息检测目标,检测模型要么对背景高维特征矩阵构建的准确度不足,要么对背景先验光谱特征的完备性要求较高,导致算法对不同复杂度的检测场景适应性不强。因此,基于计算复杂度较低、参数需求量较少且检测性能较为优异的经典多目标检测算法—多目标约束能量最小化(MCEM),提出了一种基于目标与背景环境特征分离模型的高光谱目标检测修正算法(R-MCEM)。首先,设计了一个与目标形状、尺寸相近的逐像元移动运算窗口,依次计算窗口中的每个像元与窗口内其他像元的光谱距离之和D1,像元与各类目标的光谱距离之和D2。其次,采用获得D1/D2最小值的像元替换窗口内的所有像元值。然后,自左向右、自上而下逐像元移动窗口,重复窗口内每一个像元与目标、背景像元的光谱距离运算,并确定窗口内与背景相似度最高、与目标相似度最低的像元。直到移动运算窗口遍历整个高光谱图像,大幅提升了基于目标与背景环境特征分离的背景高维特征矩阵准确度。分别设计了基于实测高光谱图像数据和模拟图像数据的修正检测算法性能验证试验,并采用三维操作特征曲线(3D ROC)结合目标与背景分离度(SDBT)开展修正算法的检测精度评估。试验结果表明,提出的修正算法有效减少了虚警率,提高了检测精度。基于实测数据的检测精度、目标与背景分离度由MCEM算法的0.937 7、 0.57提升到R-MCEM的0.993 5、 0.67,基于模拟数据的亚像元检测能力由MCEM的20%丰度提升到R-MCEM的15%丰度。

改进卷积注意力机制的轻量级检测无人机目标模型

利用深度学习中特征提取的优势,提出一种改进算法,结合改进的卷积注意力模块,将YOLOv5模型骨干网络替换为改进的MobileNetv2轻量化网络,形成I-YOLOv5算法,旨在提高检测精确度和小目标、多目标的检测能力,同时保持实时性.为构建数据集,通过网络搜索和自主录制无人机视频的方式,用Label Img工具完成标注.结果表明,I-YOLOv5算法在检测精度上有显著提升,对小目标和多目标的检测效果更优秀,在视频检测方面表现出色,具有较好的实时性能.通过模型结构优化,使检测模型的大小减少为原来的18.6%,检测速度提升120%.I-YOLOv5算法的平均精度均值达到97.8%.

基于改进混合高斯模型的运动目标检测方法

智能监控系统全自动实时监控,利用计算机视觉技术和计算机数据处理能力自动识别视频源中的关键信息,可以快速准确地定位异常行为并预警。运动目标检测作为智能监控系统智能分析模块的基础,是智能监控系统中目标识别、异常行为分析及应对策略的基础。本文分析常用的运动目标检测方法,针对混合高斯模型在运动目标速度过慢、光照突变情况下产生空洞的问题,采用一种基于三间帧差法的混合高斯模型目标检测方法,该方法结合三间帧差法通过差分图像获取运动轮廓,具有计算简单、实时性强的优势,以及高斯背景模型减除法获取目标内部信息完整的优势。经实验验证表明该方法实现程序简单,能够有效地检测出背景中的运动目标,满足实时检测的需要。

基于教师-学生模型的点云目标检测算法

针对现有点云目标检测算法对室外自动驾驶场景中遮挡物体检测精度低的问题,提出一种基于知识蒸馏和注意力增强的点云目标检测算法。以CIA-SSD模型为基础,设计了一种基于教师-学生模型的密集特征生成模块,提出基于交并比匹配策略的密集数据生成方法,将稀疏特征转换为密集特征。密集特征生成模块位于学生模型中,学生模型在教师模型生成的软目标监督训练下,推断出完整的密集目标特征,实现目标特征的补全;在教师模型中设计空间注意力和通道注意力机制,增强密集目标点云,提升特征图的质量。在KITTI数据集上的验证实验结果表明:与SE-SSD模型和CIA-SSD模型相比,本文提出的算法保持了单阶段目标检测速度的优势,同时明显提升了检测精度。

基于多层显著性模型的SAR图像舰船目标检测

针对合成孔径雷达图像舰船目标检测问题,提出了一种结合选择机制与轮廓信息的多层显著性目标检测方法。首先,利用非下采样剪切波和频谱残差法进行全局显著性区域提取。其次,提出了一种基于动态恒虚警率的活动轮廓显著性模型,逐步滤除候选区域的虚警,提取目标轮廓,从而实现目标的精确检测。所提方法能够由粗到细地快速捕获目标区域,从而实现高效、高分辨率合成孔径雷达图像舰船检测。最后,在真实SAR数据集进行了测试,与其他经典的舰船检测方法相比,所提算法不仅有效地抑制了海杂波的影响,而且在检测精度上有较大提高。

基于改进YOLOv5s轻量化模型的红外场景目标检测方法研究

红外技术在防备夜间作战和隐蔽作战中发挥的作用是至关重要的,针对如何平衡红外图像检测精度与轻量化的问题,提出一种基于红外场景下的轻量化目标检测模型M-YOLOv5。该网络模型采用改进的ShuffleBlock模块替换原有的CSP骨干网络。此外,应用轻量级上采样算子CARAFE替换原有上采样模块,在C3模块中加入SE注意力机制,降低冗余信息,提高特征的区分性和表征能力,重新设计损失函数,E-IoU作为新的损失函数,加快模型收敛速度。在公开数据集FLIR上进行了实验,实验结果表明:改进之后网络模型的平均检测精度达到73.0%,仅降低2.9个百分点,而M-YOLOv5模型的网络参数数量、理论计算量分别减少40%、39%,模型的推理速度提高52%,满足部署于边缘设备的需求。

基于低秩分解的YOLO轻量化目标检测模型

随着列车智能化程度的不断提高,许多研究探索了车载设备目标检测模型的轻量化技术,以满足在资源有限情况下的高效计算。针对当前YOLO(You Only Look Once)系列目标检测模型轻量化方法通用性不够强的问题,文章提出了一种针对YOLO系列的低秩分解参数压缩算法。首先通过预设的低秩比例系数和卷积单元的输入/输出通道数量计算低秩,然后通过对目标结构的卷积层进行Tucker分解,得到新的卷积序列,最后融合新的卷积序列,取代原有卷积层。使用公开数据集对所提出的基于低秩分解的参数压缩方法进行试验,选用了YOLOv5-l、YOLOv8-x和YOLOX-x这3种模型,在保证低秩分解后的模型检测平均精度为原模型96%的前提下,模型参数量和浮点计算量均减少了约40%,同时图像检测速度能达到原模型的150%左右。此外,可视化结果显示,该方法压缩过的模型与原模型在相同图像上的关注区域基本相同。试验结果表明,文章提出的方法可以有效地对单阶段YOLO系列目标检测模型进行轻量化压缩,提高模型在车载设备上的可用性;同时,所做工作对轨道交通领域自动驾驶场景下的其他模型的轻量化处理也具有重要的借鉴意义。

基于YOLO神经网络构建压力性损伤自动检测和分期的人工智能模型

背景随着人口老龄化,压力性损伤(PI)的发病率逐渐增加,这不仅严重影响了患者的生存质量,还增加了医保支出。然而,PI的早期发现和准确分期极大地依赖于专业培训。目的构建并测试一个用于PI自动检测和分期的人工智能模型,以提高PI诊断的实时性、准确性和客观性。方法选取常熟市第一人民医院压疮电子化管理系统中2021年1月—2024年2月的693张PI图像,将图像随机划分为训练集(551张)和测试集(142张),并按照2019年美国压疮咨询委员会(NPUAP)制订的PI预防和治疗指南分为6期,包括:Ⅰ期154张、Ⅱ期188张、Ⅲ期160张、Ⅳ期82张、深部组织损伤期57张、不可分期52张。利用基于5种不同版本的YOLOv8[nano(n)、small(s)、medium(m)、large(l)和extra large(x)]神经网络和迁移学习,建立针对PI的深度学习目标检测模型。模型评价指标包括精确度、准确率、灵敏度、特异度及检测速度等。最后,通过Ultralytics Hub平台将模型部署到手机应用程序(App)中,实现AI模型在临床工作中的应用。结果在对包含142张PI图像的测试集进行评估时,YOLOv8l版本在确保高精确度(0.827)的同时,也展现了较快的推理速度(68.49帧/s),与其他YOLO版本相比,在精确度与速度之间取得了最佳的平衡。具体而言,其在所有类别上的整体准确率为93.18%,灵敏度为76.52%,特异度为96.29%,假阳性率为3.72%。在6个PI分期中,模型预测Ⅰ期的准确率最高,达到95.97%;预测Ⅱ期、Ⅲ期、Ⅳ期、深部组织损伤期、不可分期分别取得了91.28%、91.28%、91.95%、95.30%和93.29%的准确率。就处理速度而言,YOLOv8l处理142张图像的总耗时为2.07 s,平均每秒可处理68.49张PI图像。结论基于YOLOv8l网络的AI模型能够快速、准确地对PI进行检测和分期。将该模型部署到手机App中,能够在临床实践中便携使用,具有很大的临床应用潜力。

采用混合融合方式的改进MV3D目标检测模型研究

针对3D目标检测精度低、在复杂工况下检测效果差的问题,利用图像和点云数据作为输入,引入深度补全增加点云前视图特征,并对MV3D目标检测模型进行改进,提出混合融合方式,将全局信息较多的图片特征拼接到融合完成后的点云特征中,最后再进行融合。文中所提出的混合融合方案兼顾了深度融合的特征又增加了全局的特征信息,利用DETR模块对原模型的非极大值抑制操作进行优化,使得模型轻量化。最后在KITTI数据集上对文中模型进行了实验分析,结果表明,所提出的模型可以实现复杂工况下的3D目标检测,且在精度上与原模型相比,在三种不同检测难度的工况下平均提升了7.19%。

基于DT-LIF神经元与SSD的脉冲神经网络目标检测方法

相对于传统人工神经网络(ANN),脉冲神经网络(SNN)具有生物可解释性、计算效率高等优势。然而,对于目标检测任务,SNN存在训练难度大、精度低等问题。针对上述问题,该文提出一种基于动态阈值LIF神经元(DT-LIF)与单镜头多盒检测器(SSD)的SNN目标检测方法。首先,设计了一种DT-LIF神经元模型,该模型可根据累积的膜电位动态调整神经元的阈值,以驱动深层网络的脉冲活动,提高推理速度。同时,以DT-LIF神经元为基元,构建了一种基于SSD的混合SNN。该网络以脉冲视觉几何群网络(Spiking VGG)和脉冲密集连接卷积网络(Spiking DenseNet)为主干(Backbone),具有由批处理归一化(BN)层、脉冲卷积(SC)层与DT-LIF神经元构成的3个额外层和SSD预测框头(Head)。实验结果表明,相对于LIF神经元网络,DT-LIF神经元网络在Prophesee GEN1数据集上的目标检测精度提高了25.2%。对比AsyNet算法,所提方法的目标检测精度提高了17.9%。

基于预训练模型的深度学习算法及其在图书馆行人目标检测中的应用

图书馆行人目标检测能够实现对图书馆内行人目标情况的统计,观察读者的学习行为和时间倾向,对提高服务质量和改善图书馆设施构造具有重要作用。现有图书馆行人目标深度学习算法能够对行人目标进行自动识别和统计,但计算复杂度高,神经网络模型的训练效率低,难以适应图书馆不同场所的需求。对上述问题,文章提出一种基于预训练模型的深度学习算法。该算法基于迁移学习的思想,对模型进行预训练,从而避免模型从零开始训练,并且设计了一种广义损失函数,该函数不仅关注不同对象的重合区,还关注不重合区,从而能更好地体现出两个对象的重合性。实验结果表明,基于预训练模型的深度学习算法能够提高行人目标检测模型的训练效率以及检测的精确度和查全率,能够满足图书馆不同场景下行人目标检测的需求。

载人航天器交会对接灯故障目标检测模型

为了实现载人航天器综合测试期间交会对接灯故障的快速准确识别,提出了一种应用改进YOLO v8模型+注意力机制的交会对接灯故障目标检测模型。该模型在改进YOLO v8模型的基础上,在加强特征提取网络上引入注意力机制模块,对故障目标给予更多关注,提高了密集小目标识别精度。同时,在自制灯数据集上进行仿真试验。试验结果表明:文章提出的模型平均准确率提高为0.91,可以对灯的部分点失效故障目标进行快速、有效识别,为载人航天器综合测试期间交会对接灯智能巡检提供了一种新思路。

基于改进YOLOv8模型的巡检机器人目标检测方法研究

目的:针对巡检机器人对指针式仪表识别准确率不够高、对被遮挡仪表识别效果较差的问题,提出一种基于改进YOLOv8模型的巡检机器人目标检测方法。方法:首先,以YOLOv8n模型作为基础目标检测模型,在此基础上引入坐标注意力机制,加强模型对输入数据的空间结构理解;其次,将损失函数由完整交并比(complete IoU,CIoU)损失函数替换为高效交并比(efficient IoU,EIoU)损失函数,加快模型检测框的收敛速度;最后,采用柔性非极大值抑制(soft non-maximum suppression,Soft-NMS)函数替代传统的非极大值抑制(non-maximum suppression,NMS)函数,以更加平滑地抑制冗余的边界框,进一步提高检测的准确率。为验证改进模型对检测目标的识别效果,将YOLOv8n模型与改进后的YOLOv8模型(YOLOv8nxt模型)进行对比。结果:与YOLOv8n模型相比,YOLOv8nxt模型的位置损失值降低了1.3%,mAP_0.5:0.95提高了1.7%,检测准确率提高了0.87%,模型大小仅为6.2 M,检测时间仅增加了0.2 ms。结论:基于改进YOLOv8模型的巡检机器人目标检测方法提升了巡检机器人在运动过程中对仪表的识别精度和速度,能有效解决巡检机器人在目标检测阶段存在的问题。

改进全卷积神经网络的遥感图像小目标检测

对遥感图像中小目标的检测进行研究,提出改进全卷积神经网络的检测新算法。首先,分析了分层概率图模型和深度学习的基本概念和模型。然后,提出分层概率图模型中分层马尔可夫随机场的后验边际模式的递归获取步骤。最后,将全卷积神经网络和分层概率图模型联合,实现对全卷积神经网络的改进,构建遥感图像小目标检测新方法。此外,在所提方法中,选用随机森林技术从分类学习样本中估计每个类和分辨率的后验概率。基于对某地区卫星数据集的处理,将所提出的检测方法与其他四种方法进行了对比。对比实验结果表明,与其他方法相比,所提出的检测方法对低矮植被、车辆、树等遥感图像中的小目标具有更高的检测准确率。

基于扩散模型下结合全卷积掩码自编码器的雾天目标检测方法

针对自动驾驶车辆在雾天场景下所采集可见光图像因清晰度低以及噪声干扰等因素导致行人、车辆等目标检测精度降低的问题,提出一种基于扩散模型下结合全卷积掩码自编码器的雾天目标检测方法(HD-DiffusionDet)。首先,在图像编码阶段引入ConvNeXtv2架构以及全卷积掩码自编码器训练策略,以提升网络对低清晰度的有雾图像高表征能力,获得有雾图像的编码特征;然后,利用基于扩散模型生成真实边界框的噪声框,通过生成的噪声框对图像编码器生成的特征图进行RoI特征的裁剪;随后,将裁剪后的RoI特征输入检测解码器,用于检测对象的分类和边界框回归。通过在自动驾驶真实雾天数据集RTTS上进行实验,所提方法的平均检测精度均高于其余方法,mAP值达到77.3%,降低了雾天场景下行人的漏检和误检情况,证明了所提方法的可行性与有效性。

关于目标分类与目标检测任务中各类网络模型梳理及可改进方向与应用前景探究

引言目标分类与目标检测是计算机视觉领域中的重要研究方向,在图像处理、人工智能、自动驾驶等领域有着广泛的应用。因此,本研究将重点关注目标分类与目标检测任务中各类网络模型的当前研究现状,通过对这些模型进行综合分析,找出它们的优点和不足,并提出针对性的改进方向。研究的最终目标在于深入理解各类网络模型的原理和应用,为未来的研究提供新的方向思路。

耦合浅海声信道目标回波建模与检测性能分析

为提高浅海扩展目标回波检测性能,基于浅海声信道模型和多亮点模型,建立了耦合浅海声信道扩展目标回波模型,并基于副本相关积分(RCI)检测理论对浅海多亮点目标回波RCI检测进行了理论推导。采用带宽分别为50 Hz,100 Hz,500 Hz,1000 Hz的线性调频信号,仿真分析了不同浅海环境下的RCI检测性能。结果表明,海深、声呐深度、目标位置和波形带宽都会影响浅海目标回波扩展特性和RCI检测性能,合适的声呐深度和波形带宽有利于提高浅海扩展目标检测性能。

低空轻量级红外弱小目标检测算法

精准的红外弱小目标检测是实时监控、追踪、制导的关键;红外弱小目标存在检测难度高、误检高、漏检严重的问题。为了提高红外弱小目标检测算法的实时性和检测精度,提出了一种超轻量红外弱小目标检测算法SL-YOLO。首先,重设计下采样方案,针对红外图像特征信息调节网络架构,解决红外弱小目标特征梯度降低和特征消失问题;然后设计网络模型剪枝算法,实现剪枝算法与网络结构的融合,去除冗余参数,实现检测速度的提高;最后设计Varifocal-SIoU损失函数,在均衡正负样本与重叠损失的同时,对正样本进行加权处理,解决背景干扰问题。实验结果表明,在SIRST和IDSAT数据集下检测精度分别提高至96.4%、98.1%,模型体积和计算量可压缩至190 kB、0.9 GFLOPs,推理速度降至3 ms以下。与主流算法进行对比,改进后算法在检测精度、模型体积、计算量等方面均取得了不错的成绩。能够满足实时性检测需求。

MSH-YOLOv8:融合尺度重建的蘑菇小目标检测方法

[目的/意义]为了解决图像尺寸变化和目标尺度变换共存对小目标检测精度的影响问题,本研究提出了一种新的检测模型:Multi-Strategy Handling YOLOv8(MSH-YOLOv8)。[方法]该模型在YOLOv8的基础上增加一个检测头,以提高小尺度目标敏感度;引入Swin Transformer的检测结构到头部网络,以减少计算冗余;引入包含可变形卷积的C2f_Deformable Convolutionv4(C2f_DCNv4)结构和Swin Transformer编码器结构重构YOLOv8主干网络,优化并增强其特征传递和提取能力,提高小目标敏感度;采用基于规范化的注意力模块(Normalizationbased Attention Module,NAM)优化网络检测速度和准确性;用Wise-Intersection over Union Loss(WIoU)代替原损失函数,以提高训练效果和收敛速度;在后处理阶段应用分辨率动态训练、多尺度测试、软非极大值抑制算法(Soft-Non-Maximum Suppression,Soft-NMS)、加权边界框融合算法(Weighted Boxes Fusion,WBF)等方法,提高尺度变化下小目标检测效果。以蘑菇为研究对象,在开放数据集Fungi上开展实验。[结果和讨论]MSH-YOLOv8的平均正确率(Average Precision50,AP50)和AP@50-95分别达到了98.49%和75.29%,其中小目标检测指标值APs达39.73%。相较于主流模型YOLOv8,三项指标分别提高了2.34%,4.06%和8.55%;相较于优秀模型Transformer Prediction Heads-YOLOv5(TPH-YOLOv5),三项指标分别提高了2.14%,2.76%和6.89%。[结论]本研究提出的MSH-YOLOv8改进方法可在图像尺寸变化与目标尺度变化条件下有效提高小目标的检测效果。