基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测

针对复杂场景下绝缘子缺陷检测存在小目标识别困难的问题,提出基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测方法。首先,算法引入动态蛇形卷积,构造出符合绝缘子特点的特征提取模块,提高对绝缘子及其缺陷的特征提取能力。然后,采用“空间-深度”的非跨步卷积,减少融合过程中的特征丢失。最后,为进一步降低模型复杂度,对模型进行通道剪枝,减少冗余部分。在绝缘子缺陷数据集上进行实验对比,与基准算法相比,绝缘子的破损、污闪以及自爆缺陷的识别率分别提升了5.7%、2.4%和0.8%,改进算法在绝缘子的检测率上提升了0.5%。同时平均精度均值较改进前提升了2.3%,模型大小降低了50.07%。实验结果表明,改进算法在提高绝缘子缺陷小目标检测精度的同时,有效降低了模型大小,对绝缘子缺陷检测的研究具有一定的参考和应用价值。

结合无跨步卷积和上下文的轻量化小目标检测方法

针对目标检测过程中小目标检测更容易出现漏检、错检等问题,提出了一种改进型的轻量化小目标检测算法NSCOT-YOLO。首先,设计了一种特征提取模块NSC-MFFM,使用无跨步卷积进行特征提取并通过多支路进行特征融合,以有效地避免小目标重要特征信息被忽略,提高模型的检测精度,并设计实验来确定放置模块的最佳位置;然后,添加一个更浅层的检测分支及检测层,同时去掉最深层的检测分支,使用含有丰富上下文信息和共享权重的C-Cot模块替代YOLOv8s的检测层,更好地分离小尺度目标和噪声背景;最后,引入轻量高效的GhostConv模块,在不显著降低模型准确度的前提下,让模型参数量大幅下降。在公开的VisDrone2019-DET数据集上评估了所提算法的有效性。实验结果表明:NSCOT-YOLO算法的mAP@0.5和mAP@0.5∶0.95分别为38.3%和22.0%,与YOLOv8s算法相比分别提高了5.5和3.2个百分点,模型参数量为6.8×10^(6),与YOLOv8s相比减少了39%。可见,提出的NSCOT-YOLO算法在保证模型轻量化的同时,大幅提高了对小目标物体的检测精度。

改进YOLOv8的路面病害检测模型

针对路面病害检测存在的病害尺度差异大、细小病害特征提取难、病害在图像中占比小等问题,提出一种基于改进YOLOv8的路面病害检测方法。以YOLOv8s网络结构为基础,通过引入通道注意力机制和无跨步卷积网络结构,构建了一种无信息丢失的下采样网络模块,在剔除背景冗余信息的同时更多地保留了病害纹理特征;通过构建基于PANet的多尺度自适应特征融合网络,增强了网络浅层特征捕获能力,实现了不同尺度特征信息的高效融合;采用Focal Loss损失函数,对各样本赋予对应的权重,缓解了正负样本不平衡问题。实验表明:所提方法在RDD2020和RDD2022数据集上的平均精度分别达到57.1%和52.8%,与YOLOv8s模型相比分别提升3.2和0.6个百分点,整体性能优于YOLOv5等其他检测网络。

基于改进Transformer的三维人体姿态估计

本文设计一种用于三维(3D)人体姿态(pose)估计的改进Transformer的多级特征编码网络。采用空间池化(pooling)算子结构来替换注意力(Attention)模块,缩减了模型参数量和运行复杂度,串联该结构得到初始特征表示,然后使用交叉注意力(CA)机制进行特征信息交互学习,并应用跨步卷积降低时间维度并合并相近的Pose到Pose序列的单个表示。在Human3.6M数据集上进行验证实验。结果表明:该方法针对3D人体Pose估计,混合使用Pooling结构和Attention机制能达到有效的估计效果,与原始Transformer的方法进行对比,模型参数量降低了30%,位置精度提升了8.6%。