嵌入注意力和特征交织模块的Gaussian-YOLO v3目标检测

错误的目标检测可能导致严重事故,因此高精度的目标检测在汽车自动驾驶中至关重要。提出了一种嵌入注意力和特征交织模块的Gaussian-YOLO v3目标检测方法。该方法主要对Gaussian-YOLO v3的几个特定特征图进行了改进:首先在特征图中添加注意力模块以自主学习每个通道的权重,增强关键特征、抑制冗余特征,从而加强网络对前景目标和背景的区分能力;其次,同时将特征图的不同通道进行特征交织得到更具表征性的特征;最后,把注意力和特征交织模块分别得到的特征融合构成新的特征图。实验结果表明,所提方法在BDD100K数据集上达到了20.81%的平均精确率均值(mAP)和18.17%的F1分数,使误报率减少了3.5%,意味着误报率得到了有效降低。由此可见,所提方法的检测性能优于YOLO v3和Gaussian-YOLO v3。

基于综框任意升降的随机织物设计方法

为探讨经纬交织无重复规律织物的织造控制方法,以提综开口综框状态的二进制表达为基础,提出基于综框随机升降的随机织物的概念,给出了随机织物的织造控制方法,分析了不同织造控制方法的经纬交织特征。采用织物设计软件对随机织物进行模拟,探讨其可织性。利用打样机织制了小样,对其交织特征进行验证。结果表明:通过综框升降的随机控制,可织制无规律、不循环的随机织物;织造时可采用实时随机控制,也可采用预先生成提综序列的方法;生成随机提综序列可采用放回式抽样和非放回式抽样方法,分别织制非限制型和限制型随机织物;随机织物表面存在随机分布的不同长度经浮长线和纬浮长线,织物纬向呈现出凸起的立体条纹,可赋予织物良好的通透性和抗撕裂性能;随机织造时,各综框经纱的交织次数相差不大。

基于卷积神经网络的轻量化目标检测网络

针对目前常用的目标检测算法计算复杂度高,在嵌入式平台检测速度低的问题,提出一种适用于嵌入式平台的轻量化目标检测网络(BENet)。首先,该网络在MobileNetv2轻量化网络的基础上加入通道特征交织模块,来设计骨干网络,有效地增强了轻量化骨干网络的特征表达;其次,提出自适应多尺度加权特征融合模块,通过对不同尺度的特征进行权重分配,学习各个尺度特征之间的相关性;最后,尝试引入空间金字塔池化结构来获取不同感受野的上下文信息。在VOC数据集上的实验结果表明:所提BENet在保持较高目标检测精度和检测速度的同时,具有较低的计算复杂度和较小的参数量,更适合应用于嵌入式平台。