基于差分特征注意力机制的无锚框多光谱行人检测算法

针对多光谱行人检测系统存在特征融合质量低、模型超参数多且锚框匹配算法复杂等问题,提出了一种基于差分特征注意力机制的无锚框多光谱行人检测算法。该算法首先采用差分特征感知融合方法挖掘多模态特征间的互补信息来优化通道特征;然后利用具有高效无锚框机制的CenterNet检测框架大大降低了模型计算复杂度,从而提升检测速度;最后引入差分特征注意力机制,改善特征融合质量,进一步提升检测精度。在KAIST、CVC14和FLIR这3个公开数据集上的实验结果表明,提出的算法和其他先进方法相比,能够同时有效提升检测精度和速度,具有较好的实际应用前景。

基于多重注意力机制的无锚框目标跟踪算法

针对现有孪生神经网络跟踪算法两个分支相互独立缺少信息交互,在受到目标遮挡、相似目标干扰等挑战下无法精确鲁棒跟踪目标的现状,提出了一种基于多重注意力机制的无锚框目标跟踪算法。使用多重注意力机制编码目标模板特征和搜索区域特征,通过自注意力机制提升特征显著性后,利用互注意力机制聚合目标模板与搜索区域之间的特征信息,强化了算法对目标和背景的鉴别能力。同时,引入无锚框机制,以逐像素的方式完成端到端的视觉目标跟踪任务,避免了锚框机制人为干预的弊端。实验结果表明,在OTB50、OTB100、GOT-10K公开数据集上,本文提出的基于多重注意力机制的无锚框目标跟踪算法针对目标遮挡以及相似目标干扰等挑战具有较强的鲁棒性,有效提升了跟踪算法的准确率和成功率。

基于抗干扰自适应孪生网络的运动轨迹检测方法

针对智能化工厂对于人机操作时行为轨迹检测的需求,提出一种基于抗干扰自适应孪生目标跟踪网络(Siamese Anti-Interference Adaptive Network,SiamAIAN)的人机操作行为轨迹检测方法,采用自适应无锚框机制,在主干网络的基础上提出针对遮挡等干扰因素导致目标跟丢或跟踪效果较差的判定逻辑,当跟踪目标在视野中被遮挡或部分遮挡时能够有效实现后续的跟踪。相较主流算法,SiamAIAN在OTB2015数据集上能够实现1.7%的准确率提升以及2.4%的跟踪成功率提升。

基于像素点回归的孪生网络目标跟踪算法

为了解决孪生网络目标跟踪算法中互相关操作引入过多的背景干扰容易导致跟踪漂移的问题,提出了一种包含高精度相似度匹配且基于像素点回归的孪生网络目标跟踪算法。通过对Transformer的改进,设计出一种高精度的相似度匹配模块用于取代互相关系列操作,用以减少目标的背景干扰,并提出一种基于像素点回归的边界框预测策略用于取代锚框机制,用以提升算法的泛化性能。通过在目标跟踪数据集上的测试结果表明,该算法有效地提升了在包含背景杂乱、遮挡等挑战的复杂场景下的跟踪效果,并且可以实现实时跟踪。

基于煤矿井下传送带空载检测

煤矿井下传送带在无煤或煤量较少的状态下长时间高速运转,会耗费大量的电能.为了节省井下传送带造成的电能损耗,本文提出了一种边缘结构相似算法和YOLOv3结合的传送带空载判定方法.通过边缘结构相似算法将结构特征和边缘特征相融合,每相邻10帧比较图片的相似度,连续比较3次判断传送带的运行状态.若传送带运行,则运用自适应锚框机制的YOLOv3模型,检测传送带上的煤量,最后判断传送带是否空载.实验结果表明,该方法可以有效准确的判断传送带的空载状态,检测准确率达到96.85%.

深度学习下的快速SAR图像目标检测

针对合成孔径雷达图像目标检测困难以及深度学习中锚框机制所引起的计算冗余和应用场景受限问题,提出了一种基于无锚框机制的中心点、尺度和旋转角度预测网络,将目标检测转化为中心点估计问题,并直接预测相应边框的宽度、高度以及旋转角度等要素,实现多场景、多类型目标定向检测。该算法利用ResNet-101的U型结构和注意力模块提取图像的高分辨率语义特征图,在训练过程中引入GIoU损失消除旋转角度引起的附加误差,并采用“翻转+裁剪”的数据增强技术扩增训练集,提升模型检测能力。多组实验证明,所提网络框架设定合理且检测性能优越、通用性强。