基于混合路径聚合网络的点云目标识别

针对目前点云目标识别通常强调提取点云数据中的语义特征,但是忽视了原始点云中的定位特征的问题,提出一种基于混合路径聚合网络的点云目标识别方法。使用改进的坐标注意力模块增强数据集的点云定位特征,设计一种混合路径聚合的残差特征金字塔提取点云语义特征,将定位特征与语义特征融合。在KITTI数据集进行实验,可视化实验结果表明,该模型可以有效解决定位错误的问题,数据结果也表明该方法在KITTI点云数据集上的cyclist类别优于现有方法。

基于改进RetinaNet-GHM算法的钢板表面缺陷检测

针对传统钢板表面缺陷检测方法效果差、缺陷定位不准确等问题,提出一种基于改进RetinaNet-GHM的深度学习检测算法。首先,引入路径聚合特征金字塔网络融合浅层和深层语义信息,提升网络对小目标的检测效果;然后,使用GHMC和GHMR损失函数对缺陷进行分类和定位;最后,引入高斯形式的软化非极大值抑制算法,提高检测精度。实验结果表明,改进的RetinaNet-GHM算法的平均精度均值为76.7%,裂纹、夹杂、斑块、麻点、压入氧化铁皮以及划痕六类缺陷的平均精度分别为45.2%、88.2%、94.2%、86.1%、65.1%和87.4%。通过与其他经典算法相比,改进的RetinaNet-GHM算法具有较好的检测效果.

三维坐标注意力路径聚合网络的目标检测算法

针对YOLO系列算法在实际工业应用中存在对目标预测框定位不够准确,难以适用于对定位要求较高的现实场景的问题,提出了三维坐标注意力路径聚合网络的目标检测算法YOLO-T。首先,采用短连接方式对路径聚合特征金字塔的跨层特征进行融合,保留其浅层语义信息;其次,基于坐标注意力机制提出了三维坐标注意力(TDCA)模型,利用该模型对路径聚合特征金字塔内的特征进行注意力加权(TPA-FPN),保留有用信息和去除冗余信息;然后,改进了标签分配策略中简单最优传输分配(SimOTA)的损失矩阵计算方法,在保证不损失效率的同时增强了性能;最后,利用Depthwise Separable Conv改进了主干特征提取网络中的卷积模块使模型轻量化。实验结果表明:该算法在PASCAL VOC2007+2012数据集上,检测准确率mAP@0.50比YOLOX-S提高了1.3个百分点,mAP@0.50:0.95提高了3.8个百分点;在COCO2017数据集上平均检测精度mAP@0.50:0.95提高了2.4个百分点。