融合极化自注意力机制的交通信号灯检测算法

针对Yolov8算法在低像素小目标上检测效果差以及易发生漏检误检等问题,提出融合极化自注意力机制的交通信号灯检测算法。首先,在颈部网络中引入SPD模块以增强对分辨率低的小目标的识别能力;其次,引入PSA极化自注意力机制,使模型能学到更多非线性细节语义信息,提升模型的表达能力;最后,采用Focal-CIoU优化损失,以解决样本类别不均衡和框回归准确性问题,进一步降低误检漏检率。实验结果表明,在S2TLD数据集中,改进的算法与Yolov8s相比,模型的精度提高了1%,FPS提升了2.21f/s,有效实现了模型精度与实时性能的平衡,为自动驾驶场景下交通信号灯的检测提供了新思路。

基于改进YOLOv7-tiny算法的多种类不均衡样本水稻害虫检测

为实现基于机器视觉的田间水稻害虫检测,本研究结合IP102农业害虫数据集及网络资源,建立了含有26类标签的不均衡样本水稻害虫数据集;改进YOLOv7-tiny单阶段目标检测算法,以部分卷积PConv作为主要卷积核,结合极化自注意力机制(Polarized Self-Attention),将提取到的特征进行复杂双向多尺度特征融合,建立了适合多种类不均衡样本的水稻害虫检测模型。结果表明,在加入迁移学习和多尺度训练的条件下,改进后的YOLOv7-tiny检测算法在自建水稻害虫数据集的平均检测精度达到96.4%,单张图片的检测时间为8.8 ms,模型大小为9 055 kb,可实现对田间水稻害虫的快速准确识别,为水稻害虫的智能化检测和防治提供了技术支持。

面向高光谱影像小样本分类的全局-局部特征自适应融合方法

高光谱影像标记样本的获取通常是一项费时费力的工作,如何在小样本条件下提高影像的分类精度是高光谱影像分类领域面临的难题之一。现有的高光谱影像分类方法对影像的多尺度信息挖掘不够充分,导致在小样本条件下的分类精度较差。针对此问题,本文设计了一种面向高光谱影像小样本分类的全局特征与局部特征自适应融合方法。该方法基于动态图卷积网络和深度可分离卷积网络,分别从全局尺度和局部尺度挖掘影像的潜在信息,实现了标记样本的有效利用。进一步引入极化自注意力机制,在减少信息损失的同时提升网络的特征表达,并采用特征自适应融合机制对全局特征和局部特征进行自适应融合。为验证本文方法的有效性,在University of Pavia、Salinas、WHU-Hi-LongKou和WHU-Hi-HanChuan4组高光谱影像基准数据集上开展分类试验。试验结果表明,与传统分类器和先进的深度学习模型相比,本文方法兼顾执行效率和分类精度,在小样本条件下能够取得更为优异的分类表现。在4组数据集上的总体分类精度分别为99.01%、99.42%、99.18%和95.84%,平均分类精度分别为99.31%、99.65%、98.89%和95.49%,Kappa系数分别为98.69%、99.35%、98.93%和95.14%。本文方法对应的代码开源于https://github.com/IceStreams/GLFAF。