基于CNN技术和DETR的智能汽车自动驾驶道路智能识别的研究

文章针对智能汽车自动驾驶道路智能识别的问题,提出了采用DETR模型进行道路智能识别的方法,并对DETR模型进行了改进。在DETR模型基础上,阐述了在道路智能识别复杂问题处理上的不足,针对存在问题,在DETR加入了Swin Transformer模块,提高了道路目标检测性能,同时采用基于多头自注意力机制,实现了道路多目标的高精度识别,达到了模型优化的目的,通过实验与结果分析,将改进后的DETR网络与其他常见的识别算法进行比较,结果表明改进后的DETR网络在准确率、召回率和平均精度均值优于其他模型。

基于Smooth-DETR的产品表面小尺寸缺陷检测算法

为应对实际工业产品视觉质量检测中缺陷罕见、尺寸小等挑战,提出了一种仅需要少量训练样本的小尺寸缺陷检测算法--Smooth-DETR,该算法采用基于DETR的编码-解码结构对缺陷类别和位置进行预测,该结构降低了参数量和计算复杂度。因DETR强大的全局特征学习能力,该算法可从少量训练样本中充分挖掘产品表面纹理特征,从而对打破了表面纹理连续性的缺陷检出率高;通过结合Smooth-L_(1)损失和GIoU损失的优势,进一步提升了小尺寸缺陷的回归精度。实验结果表明,所提方法检测性能优于现有先进检测模型。此外,仅用少量训练样本,该算法对11类产品表面的缺陷检测平均精确率就能够达到98%以上。

基于DETR的停车场空车位检测

针对停车场空车位检测的复杂性问题,提出基于DETR模型的空车位检测方法。首先选取CNRPark-Ext数据集的不同场景图像对模型进行混合训练,然后将训练得到的模型在晴天、阴天、雨天以及昏暗场景中进行测试。结果表明,该模型在不同场景中能够有效检测空车位。

基于残差自注意力和分离集合匹配的高效端到端航天器组件检测

随着我国航天技术的迅猛发展,各种航天器相继发射,然而航天器在运行时将受到辐射、温度变化等不可控因素的影响,这会导致地面站无法精确测量和定位航天器的位置与姿态,从而对通信和航天器之间的对接或抓捕等空间在轨服务产生影响。为了解决上述问题,首先对包含检测、分割与部件识别的航天器数据集SDDSP中的部件进行人工标注,该数据集共包含3117张航天器图片,标注后得到11001个检测目标;然后提出一种空间在轨服务中基于残差自注意力(RS)和分离集合匹配(SSM)的高效端到端航天器组件检测模型,该模型在Sparse DETR模型的基础上引入残差自注意力机制解决了稀疏标记(token)导致的收敛速度降低并影响模型预测精度的问题,引入分离集合匹配机制解决了二分匹配过程中可能出现的不稳定性现象。实验结果表明,在SDDSP数据集上,该模型的平均精确率(AP)和收敛速度相比于基线DETR模型提升了17.9个百分点和10倍,相比于Sparse DETR模型提升了3.1个百分点和20%。