基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

基于深度学习的小目标检测基准研究进展

小目标检测是计算机视觉中极具挑战性的任务.它被广泛应用于遥感、交通、国防军事和日常生活等领域.相比其他视觉任务,小目标检测的研究进展相对缓慢.制约因素除了学习小目标特征的内在困难,还有小目标检测基准,即小目标检测数据集的稀缺以及建立小目标检测评估指标的挑战.为了更深入地理解小目标检测,本文首次对基于深度学习的小目标检测基准进行了全新彻底的调查.系统介绍了现存的35个小目标数据集,并从相对尺度和绝对尺度(目标边界框的宽度或高度、目标边界框宽高的乘积、目标边界框面积的平方根)对小目标的定义进行全面总结.重点从基于交并比及其变体、基于平均精度及其变体以及其他评估指标这3方面详细探讨了小目标检测评估指标.此外,从锚框机制、尺度感知与融合、上下文信息、超分辨率技术以及其他改进思路这5个角度对代表性小目标检测算法进行了全面阐述.与此同时,在6个数据集上对典型评估指标(评估指标+目标定义、评估指标+单目标类别)下的代表性小目标检测算法进行性能的深入分析与比较,并从小目标检测新基准、小目标定义的统一、小目标检测新框架、多模态小目标检测算法、旋转小目标检测以及高精度且实时的小目标检测这6个方面指出未来可能的发展趋势.希望该综述可以启发相关研究人员,进一步促进小目标检测的发展.

多/单目标优化转换下的作战任务重分配

协同作战任务分配技术是近年来军事领域的研究热点之一,以往的研究一般将任务分配划分为预分配和动态分配2个阶段并独立进行研究,但是这种做法忽略了2个阶段之间的内在联系。针对这一问题,以多目标优化下的任务预分配和单目标优化下的任务动态分配为切入点,提出一种多/单目标优化转换思想。在动态任务分配阶段,通过决策者在预分配阶段的选择获取其主观偏好,基于获取的主观偏好将多目标优化转化为单目标优化后,使用合同网协议完成单目标任务重分配。仿真结果证明了所提出的多/单目标优化转换思想的正确性及其在动态任务分配问题中的适用性。

远距离和遮挡下三维目标检测算法研究

针对现有三维目标检测算法对存在遮挡及距离较远目标检测效果差的问题,以基于点云的三维目标检测算法(3D object proposal generation and detection from point cloud,PointRCNN)为基础,对网络进行改进,提高三维目标检测精度。对区域生成网络(region proposal network,RPN)获取的提议区域(region of interest,ROI)体素化处理,同时构建不同尺度的区域金字塔来捕获更加广泛的兴趣点;加入点云Transformer模块来增强对网格中心点局部特征的学习;在网络中加入球查询半径预测模块,使得模型可以根据点云密度自适应调整球查询的范围。最后,对所提算法的有效性进行了试验验证,在KITTI数据集下对模型的性能进行评估测试,同时设计相应的消融试验验证模型中各模块的有效性。

基于运动模式集精细差异特征估计的真假弹道目标联合跟踪与辨识方法

针对对抗条件下弹道目标和有源多假目标跟踪及辨识难的问题,基于稳健交互多模型(Robust Interacting Multiple Model,RIMM)策略,提出真假弹道目标的联合跟踪与辨识方法。该方法基于推导的真假目标运动模式集以及模式间的精细差异特征设计交互多模型(Interacting Multiple Model,IMM)策略,以扩展卡尔曼滤波(Extended Kalman Filter,EKF)为子滤波器,并引入概率调整因子与时变因子,实时更新概率转移矩阵,有效放大运动模式集的精细差异特征,不仅能实现对真假目标的稳定跟踪,提高跟踪精度,同时也能实时在线辨识真假目标,实现跟踪辨识一体化。仿真结果表明,该方法的跟踪效果比传统单模型EKF算法和经典的IMM+EKF算法更好,能实时跟踪并辨识出真假目标,有利于提高雷达资源调度的效率。

论教育目标的形式化表征

教育目标是教育实践的起点和归宿。从教育系统设计的角度看,教育目标具有公共性和可达性,它为教育系统设计提供了指引性信息。教育目标领域可以分为能力领域和价值领域,前者呼应的是事实性真理,后者呼应的是价值性真理。而不呼应任何真理领域的情感态度不是一种独立的教育目标领域,不满足公共性和可达性的要求,它只是价值学习的伴生物。与自然语言表征相比,教育目标的形式化表征更容易满足清晰性、整体性、可组合性以及高设计分辨力的要求。能力建模图和它所关联的知识建模图以及二元组(知识点,学习水平)可以用来形式化表征能力目标,蕴含着知识建模图和价值矛盾体的价值建模图以及二元组(价值,学习水平)可以用来形式化表征价值目标。有了形式化表征方法,便不会在教育目标描述中混淆目标与任务或计划,也不再需要用大而无当的语词来描述教育目标。

算法审计目标论

本文以经典审计理论为基础,提出算法审计目标的一个理论框架。算法审计目标是利益相关者希望通过算法审计得到的结果。算法审计需求者希望通过算法审计得到的结果称为终极目标,而算法审计机构希望通过算法审计得到的结果称为直接目标。算法审计目标要通过算法审计主题来承载,不同的算法审计主题承载的算法审计目标不同。经典意义上的资源类委托代理关系中的代理人在履行经管责任时如果使用了算法,则需要审计算法责任履行情况,其审计主题是算法系统,其审计目标是健全性,这个审计目标需要分解落实到算法审计标的形成具体审计目标。政府设立的算法监管部门承担了算法监管责任,针对算法监管责任的审计主题包括算法监管信息、算法监管行为和算法监管制度,算法监管信息承载的审计目标是真实性和效益性,算法监管行为承载的审计目标是合法性,算法监管制度承载的审计目标是健全性(有效性),上述这些维度的目标,其终极目标和直接目标的含义不同。

基于改进顶帽变换的红外弱小目标检测

天空背景下的红外弱小目标检测技术较为成熟,但在近地复杂背景下,红外弱小目标的检测存在准确率不高、虚警目标多、实时性差的问题。针对以上问题,该文提出一种基于改进顶帽变换的红外弱小目标检测算法(OTHOLCM)。该算法采用基于改进顶帽变换的图像预处理算法(OTH),通过对不同灰度值的图像采取不同的策略针对性地处理图像,达到目标增强、背景抑制的效果。并在此基础上,采用基于改进多尺度局部对比度的红外弱小目标检测算法(OLCM),通过针对目标尺寸特点进行尺度设计,使得在保证算法实时性的基础上扩大目标尺寸检测范围。实验证明:OTHOLCM算法可以保证实时性并明显提高目标检测准确率、减少虚警目标数量。与3层模板局部差异度量算法(TTLDM)、基于边角感知的时空张量模型(ECASTT)等先进算法相比,OTHOLCM算法可使真阳性率分别提高近79%,61%,假阳性率分别降低近77%,73%,目标检测速度达到每秒25帧。

空间目标天基光学定位方法综述

近年来空间目标定位领域不断结合网络协同、多模融合等探测技术,发展迅速。其中,基于天基光学探测的定位方法以隐蔽性好、测量精度高的独特优势在民用和国防领域应用广泛。为了分析不同情景下适用于不同类型目标的定位方法,针对基于天基光学探测的空间小目标定位进行综述。首先介绍天基光学探测技术的发展、空间目标的分类和特点以及空间目标定位的概念。然后着重分析适用于空间“小、弱”目标的单星和多星定位方法,并对近年提出的异质传感器联合定位展开说明。最后,依据成像过程建立空间目标定位误差分析模型,分析定位精度的影响因素占比并根据现存问题做出总结和展望。

基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型

露天矿环境特殊,道路场景复杂多变,在光照不足时会导致矿区道路多目标识别不清、定位不准,进而影响检测效果,给矿区无人矿用卡车的安全行驶带来严重安全隐患。目前的道路障碍物检测模型不能有效解决矿区暗光环境对模型检测效果的影响,同时对矿区小目标障碍物的识别也有较大误差,不适用于矿区特殊环境下障碍物的检测与识别。针对上述问题,提出了一种基于双曲嵌入的露天矿区暗光环境下多目标检测模型。首先,在模型的图像预处理阶段引入卷积神经网路Retinex-Net对暗图像进行增强,提高图像清晰度;然后,针对数据集中特征过多而无重点偏好的问题,在加强特征提取部分添加全局注意力机制,聚集3个维度上更关键的特征信息;最后,在检测模型预测阶段引入双曲全连接层,以减少特征丢失,并防止过拟合现象。实验结果表明:(1)基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型不仅对露天矿区暗光环境下的大尺度目标具有较高的分类与定位精度,对矿用卡车及较远距离的小尺度目标即行人也可准确检测与定位,能够满足无人矿用卡车在矿区特殊环境下驾驶的安全需求。(2)模型的检测准确率达98.6%,检测速度为51.52帧/s,较SSD、YOLOv4、YOLOv5、YOLOx、YOLOv7分别提高20.31%,18.51%,10.53%,8.39%,13.24%,对于矿区道路上的行人、矿用卡车及挖机的检测精度达97%以上。

基于改进YOLOv7的遥感图像小目标检测方法

针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的YOLOv7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

复杂背景下基于YOLOv7-tiny的图像目标检测算法

“黑飞”无人机一旦带有炸弹等物品,会对人们带来威胁。对在公园、游乐场、学校等复杂背景下“黑飞”的无人机进行目标检测是十分必要的。前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone。首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution, DCN),更好的根据目标本身形状进行特征提取,提升了检测精度。在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法4%、3.1%,验证了文中算法的可行性。

经济增长目标调整促进了资本流动吗——基于企业跨地区投资的视角

地方政府“为增长而竞争”的发展模式是造成市场分割的重要因素,那么经济增长目标下调能否缓解这一局面、促进要素资源自由流通?为了回答这一问题,本文以上市公司在异地设立子公司的行为衡量资本要素的流动性,系统考察经济增长目标下调对企业跨地区投资的影响。研究发现,经济增长目标下调能够促进资本流动,表现为经济增长目标下调显著提升了辖区内上市公司设立异地子公司的比例;影响机制分析表明,经济增长目标下调提高了政府放权意愿,降低了市场分割程度,进而促进了企业跨地区投资;进一步的异质性分析揭示,在地区行政壁垒较低、行业竞争程度较高及民营企业样本中,经济增长目标下调对企业跨地区投资的促进作用更加明显。本文丰富了制度性政府行为影响资源配置的相关研究,为当前推进全国统一大市场建设提供了直接的政策思路。

“双碳”目标下农业绿色发展的内涵、挑战及路径选择

“双碳”目标的提出赋予了农业绿色发展新内容、新要求,也带来了新挑战。分析不同发展阶段农业绿色发展的特征可以揭示农业绿色发展的现实基础。农业绿色发展与减排固碳存在理论和改革实践两方面的逻辑关联。“双碳”目标指明了农业绿色发展的重点领域;减排固碳和低碳转型是当前引领农业绿色发展的抓手;在相关重点领域更需注重低碳与绿色协同发展。“双碳”目标下的农业绿色发展面临多目标协同性不足、多主体治理格局未形成、低碳科技水平较低以及配套制度不完善等挑战,需将“双碳”目标下的农业绿色发展嵌入社会—生态系统,遵循问题导向原则,探索相应的转型路径。

空天目标雷达智能识别仿真系统设计与实现

雷达智能识别方法训练、测试与评估通常需要构建大样本的数据集,如何快速获得有效的数据集是亟待解决的问题。分析了空天目标雷达智能识别系统应用场景,并结合应用需求给出了空天目标雷达智能识别仿真系统建设思路;采用组件化、模块化设计方法,设计空天目标雷达智能识别仿真系统框架,构建空天目标智能识别仿真系统,快速准确模拟空天目标电磁特性和动态回波,具有可扩展、可重构能力。仿真结果和初步应用表明,该系统可用于不同应用场景下空天目标雷达智能识别方法的测试与评估。

基于改进YOLOX与多级数据关联的行人多目标跟踪算法研究

目标跟踪是计算机视觉领域的基本问题,行人多目标跟踪在智能监控、智慧交通等多个领域有着广泛的应用前景。然而实际跟踪场景中存在频繁遮挡、尺度变化等情况,给多目标跟踪算法带来了极大的挑战。为了进一步提升跟踪精度,在DeepSORT的基础上,提出一种基于改进YOLOX与多级数据关联的行人多目标跟踪算法。对于检测器,为了增强网络的特征表达能力,提高检测精度,在YOLOX骨架网络与颈部网络分别引入ECA通道注意力模块与ASFF自适应特征融合模块。对于身份识别特征,为了减少数据关联步骤的错误匹配数量,提高跟踪效率,使用轻量的OSNet重识别网络与NSA卡尔曼滤波获取目标特征。对于数据关联,为了减少身份切换次数,避免目标丢失,将检测与跟踪都进行分类处理,使用不同的相似性计算方法,实现基于检测置信度与轨迹状态的多级数据关联。实验结果表明:与改进前YOLOX与DeepSORT简单结合的算法相比,在YOLOX中引入ECA模块与ASFF模块使误检数量大幅降低,使用YOLOX-s模型时降幅可达17%;结合OSNet模型与NSA卡尔曼滤波的特征提取方法能提高跟踪稳定性,IDF1指标提高0.77%,IDSW减少947;基于检测置信度与轨迹状态的多级数据关联算法可以明显改善跟踪性能,MOTA指标提升3.36%。算法最终在MOT17与MOT20测试集上的MOTA达80.4%与77.7%,IDF1达78.4%与76.7%。提出的行人多目标跟踪方法相较于其他先进算法在跟踪精度与跟踪速度上达到更好的平衡,可为工业上在线行人多目标跟踪应用提供参考。

基于高分辨一维距离像及其特征的空间目标识别效果分析

目标高分辨一维距离像(High Resolution Range Profile,HRRP)中包含了丰富的目标尺寸、结构等目标特征,是进行空间目标身份识别的有效途径。但由于卫星宽带雷达实测数据获取难度大,前期相关研究多集中于基于HRRP的目标识别算法,结论也多是基于仿真数据和少量类别(几类)的前提下得到的,与工程应用实际情况有较大差距,工程指导意义有限。为解决这一问题,基于地基雷达获取的30类卫星目标的大量一维距离像实测数据,从识别正确率的角度对目标HRRP及其特征(组合)的可分性和在空间目标个体识别中的应用效果进行了量化分析,分析结果可为后续基于HRRP的空间目标个体识别技术研究和工程应用提供可靠依据。

基于海天线的红外掠海小目标跟踪

针对红外掠海小目标对比度低,容易受到噪声、海面杂波、云层等干扰,导致跟踪失败的问题,提出了一种基于海天线的红外掠海小目标跟踪方法。通过对红外成像系统进行分析,利用拉普拉斯滤波抑制背景噪声,根据图像中海天线的位置信息,确定目标所在区域并进行目标检测。检测出可疑目标后,利用其灰度、尺寸、面积等特征信息,选出真实目标进行跟踪。实验结果表明,该算法对红外掠海小目标有很好的跟踪效果。

雷达信号与遥感地图融合的深度学习低慢小目标检测算法

雷达复杂环境低慢小目标检测是一项具有挑战性的任务,而利用深度学习以及数据特征融合等方法是解决这一难题的有效手段。本文在雷达地图融合检测网络(Radar Map fusion Detection Network,RMDN)的基础上进行了优化,主要优化方向为将雷达与地图信息在检测过程中进行重要性程度区分,具体优化内容为减少地图特征提取模块的网络深度,加入通道注意力机制,让神经网络自主学习雷达信息与地图信息特征的权重,使神经网能够更好地利用地图信息对雷达目标进行辅助检测。在此优化基础上,本文重新设计出了雷达地图融合检测网络RMDN-V2。算法的主要思想为利用卫星遥感地图来提供背景环境信息,作为雷达信号检测的辅助,通过将目标背景中的特征信息融入检测决策中,提高目标检测的准确性和鲁棒性,减少对强杂波和移动物体的干扰敏感性,改善目标检测算法在复杂环境下的表现。最后的无人机雷达实测数据实验结果表明,本文所做的针对性优化是有效的,RMDN-V2的检测性能优于原始的RMDN,同时本文算法检测性能远超传统的雷达检测算法,同时也优于目前主流的一些深度学习雷达目标检测算法。本文为解决当下低慢小目标检测的难题提出了新的算法。

基于快速局部对比度和目标特征的星图弱小目标检测算法

为了解决局部对比度方法在用于星图空间目标检测时存在运算量大和去除背景噪声困难的问题,提出了一种基于快速局部对比度和目标特征的方法来检测目标。在对比度计算前、对比度计算中和对比度计算后3个环节,分别提高了算法实时性、对复杂背景的抑制和去除噪声。首先,通过中值滤波去除高频噪声;然后,通过快速局部极大值滤波确定目标区域,通过局部对比度计算抑制背景,突出目标成像特征;最后,根据目标成像特征,设置目标能量分布、目标能量集中和目标能量传递3个特征函数,通过设置特征阈值去除噪声,提取真实目标。实验结果表明,本文所提方法在检测率和时间消耗上均具有优越性,对于信噪比为1.5的目标有95%的检测率,平均耗时仅为某些对比方法的1/30~1/6。本文所提方法更适用于星图复杂背景条件下的目标快速检测,满足星图空间目标检测算法鲁棒性强、实时性高的要求。