基于路径规划特点的语义目标导航方法

为了解决语义目标导航任务中存在的探索效率低、深度不精准等问题,本文构建了一个解决语义目标导航任务的框架,在语义地图构建模块中引入了深度图边缘处理以及地图纠错机制;在探索模块中引入了覆盖范围最大化算法;在路径规划模块中引入了替代点机制。本文在一个3D仿真环境下进行了实验。实验结果表明,本文提出的解决方案明显提升了语义目标导航任务的性能。此外,本文所提方法成功应用到了四足机器人上,从而验证了其在现实场景下的泛化性。

基于小目标类别注意力机制与特征融合的AF-ICNet非结构化场景语义分割方法

针对非结构化道路分割难度大、小目标检测精度较低等问题,构建基于小目标类别注意力机制与特征融合的AF-ICNet轻量级实时语义分割网络。采用空洞空间卷积池化金字塔融合不同尺度特征感受野以增强网络的全局感知能力。嵌入CA注意力机制,建立通道信息和空间位置信息以增强网络对非结构化道路小目标类别语义特征的提取能力。针对类别分布不均衡问题,改进权重交叉熵损失函数。利用AF-ICNet模型对Cityscapes与IDD数据集进行训练,在Cityscapes测试图像中分割的MIoU达到了71.5%,在IDD测试图像中分割的MIoU达到了62.5%。搭建实验测试系统进行实景测试,测试结果表明,AF-ICNet有效提升了非结构化道路及小目标类别的分割精度,并满足测试的实时性要求。

基于多任务网络的海上目标检测与区域分割

针对单任务网络理解海上场景所需要提供的视觉信息的维度局限性和计算负担的问题,提出了一种基于YOLOv5的海上目标检测和区域分割的多任务算法。首先将空洞卷积及混合注意力引入ASPP模块,扩大感受野,增强模型对船舶的定位能力和区分背景与前景的能力;采用改进的PAN+模块,提升模型对不同语义信息的融合能力;引入边缘增强模块,在不损伤检测速度的情况下,提升水面岸体的分割精度。实验结果表明,上述方法相较于YOLOv5s船舶检测精度提升了5.2个百分点,相较于YOLOP分割精度提升了3.2个百分点,能够在较小计算量的情况下很好地平衡检测和分割精度与实时性。

基于目标语义特征的图像检索系统

为克服当前基于内容的图像检索技术中低级特征无法准确全面地描述高级语义的问题,该文设计和实现了一个基于目标高级语义特征的检索系统。该系统利用了一个多级图像描述模型将语义特征结合到图像检索技术中。该图像描述模型通过在不同层次上对图像内容进行分析和描述,实现了从低级特征到高级语义的过渡。在此模型的基础上还研究了相应的检索机制和反馈技术。该系统的检索机制定位于图像中目标的语义内容,与传统的图像检索系统相比更接近人对图像内容的理解,从而使检索过程更简便,检索效率也得到很大提高。基于目标描述的自适应相关反馈可针对不同用户的不同需求给出相应的检索方案,从而使检索结果得到优化。

目标语义与位置融合的方面意见词抽取

面向方面目标的意见词抽取(Target-oriented Opinion Word Extraction,TOWE)是方面情感分析的一个子任务,旨在针对给定句子的特定方面目标识别意见词.在同一句子中,对于不同的目标,模型需要输出不同的抽取结果,TOWE可以给出每个方面目标具体的观点信息,从而帮助理解用户情感的来源,细化情感分析任务的粒度.为识别文本中给定方面目标的方面意见词,需要综合考虑上下文语境、方面目标语义信息以及位置信息,并建模候选意见词与方面目标之间的对应关系.本文提出了一个目标语义与位置融合的方面意见词抽取模型(Target-oriented Opinion Word Extraction Based on the Fusion of Aspect Target Semantics and Position model,AP-IOG),模型使用编码器-解码器框架,在方面目标融合编码器中包含3个LSTM模型:向内Inward-LSTM可以充分利用方面目标信息;向外Outward-LSTM可以将方面目标信息很好地编码到上下文中;位置注意力增强的Global-LSTM,可以帮助理解整个句子的全局含义,并且关注到整个句子中方面目标附近的局部信息.这3个LSTM很好地融合了方面目标及其上下文和位置信息,有利于定位针对方面目标的意见词.编码后,将方面目标的上、下文与位置注意力增强的全局上下文进行拼接,传入解码器中.使用TOWE中电脑和餐厅评论领域4个数据集作为实验数据集,实验结果表明,AP-IOG模型明显优于其他方法,在4个数据集上F 1值相比于TOWE的基准模型IOG分别提升了2.23%、2.10%、2.75%以及3.55%.

基于双运动模型的头-肩目标的分割

提出了一种新的头 肩目标分割方法 ,采用双运动模型 ,可以更好地描述头 肩运动 ,文章导出了该模型的参数估计算法 ,并将其运用于半自动分割系统中 .实验结果表明 :使用双运动模型的分割系统 ,可以更准确地分割头

一种高分辨率遥感图像视感知目标检测算法

针对大幅面高分辨率光学遥感图像目标检测尚存在着检测精度和效率低的问题,提出了一种高分辨率遥感图像视感知目标检测算法。该算法首先通过显著区域有选择性的引导获取场景中的子区域,将计算资源转移到可能包含目标的区域中,以降低计算复杂度;然后,利用基于单次检测器(YOLO)卷积神经网络目标检测模型获取预选目标;最后,提出目标语义关联抑制对获取的预选目标进行筛选得到有效目标,能够减少虚假目标的干扰,降低虚警率。所提算法在公开NWPU_VHR-10数据集上的平均检测精度为0.865,高于对比算法,在包含更多高分辨率的LUT_VHRVOC-2数据集上,比YOLO的检测效果更好。实验结果表明,所提算法提高了大幅面高分辨率遥感图像的目标检测精度。

基于小目标语义增强的机织物疵点检测方法

针对在机织物检测中,现有算法对于小目标的机织物疵点检测效果不佳,同时图像受噪声、类别不均影响导致算法学习困难、精度低的现状,提出使用一种可学习数据增强网络与YOLOv7直接相连,实现端到端训练,使输入图像能够在训练过程中得到转译,以提高图像的输入质量。设计了一种核选择注意力机制,并将其嵌入到YOLOv7的小目标检测头中,使网络更加关注小目标的特征。最后,将ELAN模块与一种基于像素的Transformer相结合,形成了ELAN⁃Transformer,并将其引入到YOLOv7的骨干网络中,克服ELAN模块在处理小疵点区域时的局限性,使网络对疵点区域的语义感知能力得到显著增强,提高了对疵点目标的准确性和鲁棒性。试验结果表明:在包含微小机织物疵点数据集上测试,该研究算法能更好地检出小目标机织物疵点,mAP@0.5达到95.2%,精度达到95.5%,召回率相比于原YOLOv7提升了2.8个百分点,满足纺织企业对机织物微小疵点的检测需求。

图像目标语义层级结构及其非监督学习算法

根据场景图像中某些目标的特征间具有空间关联性和几何连贯性的空间语义属性,对特定场景的图像序列进行学习,首先提取各图像的尺度不变特征变换(SIFT)特征点,分析每对图像中各匹配特征点对间的几何连贯性,然后根据图像序列特征点矢量间的空间紧密程度进行聚类获得目标对象,从而得到基于空间关联性的一种新的图像语义层级结构(SBOSH),此层级结构图是通过非监督自动学习的过程获得的.由SBOSH结构图不仅可得到各节点上的目标对象,而且能够获得各节点间的空间交互性.所得的SBOSH结构图符合人对场景的逻辑分析,可以应用于场景分析、目标及目标局部精确定位和类目标的识别中.

基于Mask R-CNN的服装搭配评分系统

在服装市场规模的日益攀升,以及女性服装消费更偏向于满足审美需求的背景下,女性群体普遍存在旧衣堆积、搭配困难、审美单一的难题。针对这种情况,创新性地结合Mask R-CNN模型提出服装搭配评分算法,定量地为服装搭配进行评分,为用户推荐最佳搭配方案。基于模型的服装识别处理算法对服装图像进行识别和特征处理,实现从图像数据到一维特征向量数据的转换。对得到的服装特征向量进行分析处理,依据搭建好的时尚搭配库计算上下装之间搭配度,实现评分。服装类别识别实验表明,服装在被穿着、正面拍摄、较少遮挡等情况下进行款式识别,准确率达85.7%,服装分割精确率则达到0.868。搭配评分实验表明,正负样本评分测试的评分结果相差较大,反映模型的搭配评分效果较接近大多数人的审美要求。

智能汽车环境感知方法综述

智能汽车是全球汽车产业的未来发展方向,是推动我国自主汽车产业高质量发展的应有之义。智能汽车依靠人工智能、泛在传感等先进技术的赋能,实现对驾驶人认知感知、决策规划及控制执行的增强或替代。对道路环境的实时、精准和鲁棒的感知是汽车智能化的基石,近十年间智能汽车感知领域的巨大飞跃多是由深度学习技术推动的。针对近年智能汽车环境感知技术的发展现状,首先梳理智能汽车环境感知系统软硬件架构,对感知、计算设备以及算法部署平台进行总体概述;其次,围绕目标检测与语义分割、多目标跟踪、目标意图识别与轨迹预测、环境建图四方面关键任务,总结近年具有里程碑意义的研究方法与技术方案;最后,分析当前智能汽车环境感知技术所面临的问题和挑战,并对未来发展趋势与关键技术进行展望。