基于目标尺度的自适应高斯滤波

将具有形态学意义的目标尺度与传统的线性高斯滤波相结合提出了一种自适应高斯滤波,它的主要思想是:利用求出的目标尺度来控制各像素点高斯滤波的方差和模板大小。针对原有的目标尺度求解算法不能适应可见光图像去噪的问题,一方面,引入中值滤波以去除对目标尺度求解影响较大的强噪声点,另一方面,又调整了求解目标尺度算法中的参数。仿真实验证明,该算法可以在去除噪声的同时保护图像的细节,而且不论从主观上还是客观上都优于传统的几类图像平滑算法,且不需要迭代求解,计算简单。

短时互谱法目标尺度识别技术研究

讨论了基于水下高频 ( 2 0～ 3 5 k Hz)目标回波亮点的分裂波束目标尺度识别方法。提出了利用分裂波束双通道短时互谱算法提取水下目标亮点回波方位特征的算法 ,给出了目标回波方位走向的线性拟合估计及目标视在空间张角的估计方法 ,推导了目标视在张角估计方差 ,并进行了计算机仿真。仿真结果表明 :对于目标长度为1 0 0 m、发射信号 ( CW)的脉宽为 40～ 5 0 ms、舷角为 2 0～ 40°、信噪比为 1 0 d B时 。

基于小数目标尺度的图像混合滤波算法

为了在有效去除可见光图像噪声的同时最大限度地保持图像的边缘、纹理等细节,将已有的目标尺度改进为小数目标尺度以便更精确地反映局部目标结构的大小,提出了基于小数目标尺度的自适应高斯滤波和基于小数目标尺度的自适应中值滤波的混合滤波算法。前者通过小数目标尺度来自适应地控制高斯核的尺度和滤波的模板大小,后者利用小数目标尺度自适应地筛选出脉冲噪声点并进行中值滤波,并弥补前者在抑制脉冲噪声方面的不足。理论分析和仿真实验结果均表明,所提出的算法不仅可以去除各种类型的点状噪声,而且在图像细节的保护和信噪比方面优于其他几类传统算法。

我们的化学工程:关于目标尺度微细化的讨论

探讨了化学工程的发展趋势,认为目标尺度不断微细化是化学工程发展的必然趋势。阐述了微结构调控是产品工程的核心内容,而多尺度方法则是联系性能-结构-过程关系的重要途径。说明产品工程是对工业而言的,而多尺度方法则具有学科的内涵,实际上二者之间有相互贯穿相互统一的一面。

适用于遮挡和目标尺度变化的改进Camshift算法

目前,复杂场景下的目标跟踪仍然是智能视频监控领域的一个难点问题,论文针对遮挡和目标尺度变化这两种复杂场景,提出了一种改进的Camshift算法,该算法采用分块跟踪来处理遮挡问题,同时,考虑到遮挡时不应更新模板,目标尺度变化时应该更新模板,采用自适应模板更新机制来局部更新模板,避免错误的模板更新,最后,引入了对目标尺寸变化具有鲁棒性的几何关系直方图来辅助描述运动目标。实验结果表明,该算法既能很好地适应目标的尺度变化,又具有较好的抗遮挡能力,能够保持良好的跟踪效果。

一种长宽比自适应变化的目标尺度估计算法

针对视觉跟踪中由于尺度变化、遮挡等复杂场景造成的跟踪失败问题,提出一种尺度长宽比自适应变化的目标尺度估计算法。该算法采用35×35个尺度因子来实现对目标的长宽比估计,为了降低运算量,通过分层尺度估计对二维尺度采样因子进行选择,既确定了目标的最佳尺度,又提高了算法的运行速度;为了进一步提高跟踪算法的鲁棒性,使用相邻两帧之间响应向量的欧式距离作为评判模板是否更新的标准。将尺度估计和模板更新模块引入到目前3种性能出色的相关滤波算法DSST、HCF和OSA中,进行仿真验证。实验结果表明,与原始算法相比,引入模块的新算法在跟踪成功率和精度上均有显著提高,在OTB100数据集上,成功率与3种原始算法相比,分别提高了1.3%、1.4%和1.4%,精度分别提高了1.2%、1.3%和1.0%,尤其在尺度变化、目标遮挡等复杂场景下具有明显的优势。

基于Canny-Harris特征点的图像目标尺度方向跟踪算法

传统图像目标尺度方向跟踪算法无法实时更新所跟踪目标外观模型,导致在光照等外界因素影响下跟踪误差较大。提出一种基于Canny-Harris特征点的图像目标尺度方向跟踪算法。计算各个图像块属于目标的实际概率,构建目标外观模型;建立当前帧中目标关于位置的对应置信度图,分析该置信度图获取当前帧中目标的最优状态;基于Canny-Harris特征点设计更新目标外观模型策略,在线实时更新目标外观。实验结果证明了该算法在图像噪声比为50dB~110dB的范围内跟踪误差较小,实现了算法性能的提升。

搜索区域和目标尺度自适应的无人艇海面目标跟踪

海面目标跟踪任务是实现水面无人艇自主化航行、智能化作业的重要基础。相比于普通场景的目标跟踪,海面目标跟踪需要面对目标抖动剧烈及目标尺度变化大等问题。针对海面目标在图像画面中抖动剧烈的问题,本文提出了搜索区域自适应算法,该方法通过对海面场景的分割完成了海天线位置的提取,然后通过海天线运动模型自适应地确定了每帧图像中目标搜索的区域;针对跟踪过程中海面目标尺度变化较大的问题,本文通过分割搜索区域的方法实现了目标尺度变化的自适应跟踪。基于相关滤波跟踪框架并结合上述两种改进策略,在真实的海面目标图像测试序列中,本文算法相比传统的相关滤波算法在跟踪精度上至少提升了26%,有效地解决了目标抖动剧烈和尺度自适应问题,提高了海面目标跟踪任务的精度。

潜艇目标尺度模拟方法与技术研究

潜艇目标尺度模拟研究是水中目标特性研究的一个重要课题。本文结合潜艇目标回波特性及探（反）潜设备目标尺度识别方法，提出了潜艇目标尺度模拟特征模型，并建立硬件系统予以实现。

面向火灾的多尺度目标检测算法

传统的火灾检测依靠各种传感器或者一些传统算法,只适用于特定场景,鲁棒性差,检测精度低,定位不准,并且检测时间长,不能满足实时性的要求。针对以上问题,提出一种基于YOLO V3的多尺度目标检测算法,自动提取火焰特征并实现多尺度的火焰检测。首先对YOLO V3的结构进行改进,将YOLO V3原先的特征提取网络Darknet-53替换为DenseNet,削弱网络加深带来的梯度消失问题,并且能够增强特征复用,提高网络对低层特征的学习,接着,为了消除感受野内像素作用的高斯分布,将DenseNet中的下采样改为空洞卷积。最后,优化锚框的定位方式,并根据新的定位方式修改损失函数,使网络对目标的定位更加准确。实验结果表明,改进的算法准确率和召回率为90%,85%。检测速度可以达到31帧/s,能够满足火灾检测对准确率和实时性的要求。

融合超分辨率重建技术的多尺度目标检测算法

目前大多数目标检测算法,由于尺度跨度较大而导致模型整体精确率和召回率不高,容易出现错检、漏检等现象。针对上述问题,提出一种融合超分辨率重建技术的多尺度目标检测算法。首先,算法以单阶段目标检测算法YOLO框架为基础,在颈部网络实现多尺度特征融合时加入超分辨率重建模块,避免进一步丢失较深层特征图中的细节特征。其次,使用通道注意力模块将较浅层特征图中的无关特征进行抑制,重点关注含有目标轮廓特征的通道信息,进一步增强浅层特征的表达能力。最后,在PASCAL VOC 2007和MS COCO 2017公开数据集上进行了消融实验和对比实验。实验结果表明,所提模块对检测性能有不同程度的提升,相比当前其他多尺度目标检测算法,所提算法在大、中、小三种尺度下目标平均精确率分别提升约1.20%、1.20%和1.30%,平均召回率分别提升约4.20%、3.50%和4.20%,算法整体检测性能得到进一步改善。

士兵和装甲车目标多尺度检测方法

针对士兵和装甲车目标的尺度差异大以及目标距离远近造成的目标多尺度问题,以YOLOv4深度学习算法为基础,提出了一种多尺度目标检测方法.通过针对性的数据增强方法丰富小目标样本的多样性,对输入图像进行分割预处理以提高网络输入小目标的分辨率,并基于特征金字塔网络实现大、中、小目标的分离检测,最后匹配检测结果并进行NMS处理去除冗余检测框,从而实现多尺度目标检测.实验结果表明,本文方法在保持大目标检测效果的情况下,中、小目标的平均检测精度分别提升了1.20%和5.54%,有效提高了中、小目标的检测效果.

多元特征提取与表征优化的遥感多尺度目标检测

遥感目标具有较大的尺度差异性,针对其在复杂背景干扰下易导致细粒度级别多尺度特征提取困难、预测部分有效表征较弱的问题,本文基于无锚框思想,提出一种多元特征提取与表征优化的遥感多尺度目标检测方法(Multivariate Feature extraction and Characterization optimization,MFC)。在特征提取部分,设计多元特征提取模块(Multivariate Fea⁃ture Extraction,MFE)挖掘细粒度级别的多尺度特征,通过分组操作及跨组连接的方式扩大感受野、增强多个特征尺度的组合效应,并联合上下文信息进一步加强对小目标的关注;采用深层聚合结构对深浅层特征进行充分融合,以获得更全面的特征表达。在预测部分,提出一种表征优化策略(Characterization Optimization Strategy,COS),利用椭圆型映射进行标签优化以适应具有较大纵横比的遥感目标,设计坐标像素注意力组合关注多尺度目标通道、位置及像素信息,减少复杂背景干扰,使有效信息得以突出表征。在DIOR,HRRSD,RSOD数据集上进行消融及对比实验,实验结果表明:MFC模型的mAP分别达到了70.9%,90.2%和96.9%,优于大多现有方法,有效改善了误检、漏检问题,适应性和鲁棒性较强。

改进YOLOv6的遥感图像目标检测算法

针对遥感图像背景复杂、目标普遍比较小且呈多尺度分布所导致的目标检测精度较低的问题,提出了一种改进YOLOv6的遥感图像目标检测算法。在骨干网络引入一种坐标注意力模块,以提高复杂背景下模型的特征提取能力和目标定位能力。提出一种上下文增强模块,使模型获取丰富的上下文信息,从而提升模型提取多尺度目标细节信息的能力。为了实现不同尺度特征的自适应融合,通过在颈网络引入一种自适应空间特征融合,提升了多尺度目标尤其是小目标的检测精度。将所提改进算法在遥感图像公开数据集DOTA-v1.0上进行训练并测试,实验结果表明,改进算法的收敛速度与收敛精度均优于原算法,其中AP值达到了54.6%,相比原算法提高了1.4个百分点,同时相比于一些其他目前先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性。

基于鸟瞰图的多任务端到端3D目标检测方法

由于在自动驾驶过程中激光雷达扫描过程中受到空间限制,采集到的点云数据损失了过多的信息。在聚合表示方法的基础上,提出了基于鸟瞰图的多任务端到端3D目标检测方法。首先,利用纹理特征提取器与语义特征提取器对特征金字塔的高级特征层与低级特征层进行特征融合,获得扩展的特征金字塔层,使得自动驾驶过程中的中等目标(骑自行车的人)与小目标(行人)不再耦合在同一级别的特征金字塔层,提高了点云拓扑信息的区域细节性。其次,在损失函数中引入用于分类的Focal loss与用于回归的CIOU loss,改善了正负样本比例,对目标检测框进行了约束,使得目标框在回归过程中能够以更高精度收敛。实验结果表明,提出的方法在自动驾驶中小目标检测中具有更强的检测能力与更高的检测精度。

一种改进YOLOv5s的多尺度目标检测算法

针对多尺度目标检测准确率偏低的问题,提出了一种基于YOLOv5s改进的多尺度目标检测算法。在YOLOv5s主干网络与Neck网络之间融合CBAM模块,增强模型对多尺度目标重要特征信息的提取能力;同时,在模型的Head部分增加多尺度目标检测结构,提高不同尺度目标检测精度;训练时采用CIoU替代GIoU损失函数,以提高模型收敛能力,实现高精度目标定位。数据集来源于实际场景中采集并增强的4万余张图像。实验结果表明,改进后的模型对行人、车辆和人脸的多尺度目标检测平均精度达92.1%,相比未改进YOLOv5s算法提升了3.4%。模型的收敛性好,对密集场景的目标,小尺度目标检测准确度更加突出。

基于非局部融合的多尺度目标检测研究

针对现有的多尺度目标检测模型在面对尺度变换和遮挡场景时所使用的融合方法融合不充分,且没有捕捉长距离依赖关系的问题,本文设计了通道融合增强模块和非局部特征交互模块,用于学习不同通道特征之间的相关性和捕捉特征图之间的长距离依赖关系。此外,针对当前检测架构都是基于单金字塔检测结构,存在信息丢失的情况,设计了双金字塔结构,并将提出的融合方法与双金字塔结构结合,在保留原始特征信息的基础上,补充融合后的特征信息。实验结果表明,提出的方法在公共数据集KITTI与PASCAL VOC上与其他先进工作相比具有更高的检测精度,证明了该方法在目标检测任务中的有效性。

基于区域感知的多尺度目标检测算法

针对目标检测网络主分支层的特征信息易丢失、不同尺度的特征表达能力不平衡等问题,提出一种基于区域感知的多尺度目标检测算法。在YOLOv5的基础上采用数据增强、改进的边框损失和非极大值抑制方法,构建1个更强健的基线模型,沿着通道方向使用全局最大池化、全局平均池化、卷积等操作设计通道信息增强模块,并分别作用于骨干网络的每个主分支层,使得各个检测头在特征融合过程中也不会丢失主分支层的关键特征,以强化模型对重点区域的感知能力。利用加权特征融合方法融合不同尺度的特征信息,平衡不同尺度的输入特征对输出特征的表达能力,进而提高模型对多尺度目标的感知能力,通过调整模型的通道和深度,设计4种不同规模的网络结构。实验结果表明,相比YOLOv5s,该算法在Pascal VOC、MS COCO、Global Wheat、Wider Face、Motor Defect 5个数据集上的平均精度均值分别提高5.48、3.00、1.94、0.70和1.95个百分点。同时,该算法的平均精度均值最高为50.7%,分别比YOLOv4和Dynamic Head的最大模型提高7.2和3.0个百分点。

用于多尺度道路目标检测的优化定位置信度改进算法

为了提高多尺度道路目标的检测性能,本文针对目标检测算法在非极大值抑制阶段的检测质量表征不合理问题,提出了一种优化定位置信度改进算法.首先基于RepPoints构建研究框架,研究定位置信度对多尺度道路目标的敏感性.在敏感性研究结果的基础上,本文提出了混合定位置信度.然后针对IoU定位置信度无法区分重叠程度相同的包围框的缺陷,提出了CIoU定位置信度.最后将这两种定位置信度结合得到优化定位置信度改进算法,解决了检测质量表征不合理问题.在道路场景数据集Cityscapes上的实验结果表明,混合定位置信度和CIoU定位置信度单一作用时均有效,共同作用时精度提高2.4%,多尺度目标检测精度均有显著提升,且实时性没有下降.相较于主流道路场景检测算法如Cascade-RCNN、FCOS等,本文算法取得了最高的mAP、AP M和AP L.

线列阵声诱饵模拟尺度目标回波方位特性

针对声自导鱼雷目标识别和分类过程中的目标回波特征提取方法,论文基于目标回波的空间域特征,分析了在线列阵声诱饵中应用分裂波束双通道短时互谱方位提取方法模拟尺度目标回波方位的延展特性和起伏特性,通过仿真验证了线列阵声诱饵可以有效模拟尺度目标的方位特征。