基于特征融合的自适应多尺度无锚框目标检测算法

为了提高 CenterNet 无锚框目标检测网络的目标检测能力,提出一种基于注意力特征融合和多尺度特征提取网络的改 进 CenterNet 目标检测网络。 首先,为了提升网络对多尺度目标的表达能力,设计了自适应多尺度特征提取网络,利用空洞卷积 对特征图进行重采样获取多尺度特征信息,并在空间维度上进行融合;其次,为了更好地融合语义和尺度不一致的特征,提出了 一种基于通道局部注意力的特征融合模块,自适应地学习浅层特征和深层特征之间的融合权重,保留不同感受域的关键特征信 息。 最后,通过在 VOC 2007 测试集上对本文算法进行验证,实验结果表明,最终算法的检测精度达到 80. 94%,相较于基线算法 CenterNet 提升了 3. 82%,有效提升了无锚框目标检测算法的最终性能     

基于改进的Transformer细粒度图像识别算法研究

针对细粒度图像识别存在类间差异小、难以区分等问题,本文通过提升网络对图像细节特征的表达能力,来改善这一问题。为此,设计了一种基于改进的Transformer细粒度识别算法。首先,可变形卷积令牌嵌入通过自适应调整采样点的位置,来改变卷积操作范围及其卷积核的形状,从而增强网络模型对空间信息的感知能力,以获取更为精准的空间信息;其次,高效相关通道注意力机制通过对通道的自动选择,将通道注意力的计算从通道相邻转换成语义相似,来捕获语义相似的通道信息。而精准的空间信息和语义相似的通道信息将有效提升网络模型局部特征感知能力。实验结果表明,与基线算法相比,本文方法在CUB-200-2011、Stanford Cars和Stanford Dogs三个数据集上的识别结果分别提升了1.5%、2.4%、1.5%。结果表明,本文提出的方法通过提升细粒度图像细节特征的表达能力,从而有效提高了细粒度图像识别的有效性。     

注意力机制优化的全尺寸目标检测方法

针对现有目标检测算法全尺寸目标检测精度低的问题,提出了一种改进的基于YOLOv3模型的全尺寸目标检测算法。该方法设计了一种全新的通道自适应递归FPN网络架构,提出了一种基于通道注意力的递归金字塔模型,提高了YOLOv3的特征提取能力和不同尺度目标的检测能力。同时在训练过程中引入损失函数转换,解决了训练过程中动态参数不优化的问题。与其他主流目标检测算法相比,本文提出的改进模型在小尺寸目标、大尺寸目标与复杂背景多尺寸目标的检测精度分别提高了5.6%、2.6%、1.6%。实验结果表明,本文提出的方法检测精度显著提升。     

融合轮廓增强和注意力机制的改进 GaitSet步态识别方法

针对传统基于轮廓的步态识别方法受限于输入特征及模型特征提取的能力,从而导致识别准确率不高的问题,提出一种融合轮廓增强和注意力机制的改进GaitSet步态识别方法。首先通过预处理获取行人的轮廓图,求得其均值,合成步态GEI能量图,将其作为神经网络模型的输入特征,增强了人体外观的表示。其次在提取特征的过程中引入注意力机制,增强模型的特征提取能力,从而提高步态识别的精度。最后在CASIA-B和OU-MVLP数据集上进行实验,所提方法的平均Rank-1准确率分别为87.7%和88.1%。特别是在最复杂的穿大衣行走条件下,相较于GaitSetv2算法,准确率提升了6.7%,表明所提出方法具有更强的准确性。此外,所提方法几乎没有增加额外的参数量、计算复杂度和推理时间,说明其各模块的快速性。     

基于Yolo＿ES的垃圾分类目标检测模型

垃圾分类问题目前已被政府和社会广泛关注，面对分拣过程中对垃圾类别实时性和准确性判断的需求，提出了一种Yolo＿ES目标检测算法。该算法以Yolov4为基础网络，首先使用EfficientNet作为主干特征提取网络，实现算法的轻量化；其次通过注意力机制ECA对MBConv模块进行重构，筛选出高质量的信息，增强模型的特征提取能力并降低了参数量；同时针对最大池化易丢失细节信息的问题，使用SoftPool对SPP模块中的MaxPool层进行替换，保留更多细粒度特征信息。在自制的HPU＿WASTE垃圾分类数据集上进行实验，结果表明，Yolo＿ES模型相比于Yolov4基础网络mAP从91.81%提升到了96.06%,模型大小压缩了75.45%同时每张图片处理时间为58ms;与其他目标检测网络相比，该模型具有更好的鲁棒性和更佳检测性能。     

基于改进 KCF 算法和多特征融合的车辆跟踪研究

针对目前车辆跟踪研究算法中,核相关滤波算法(KCF)在复杂背景下存在特征提取单一以及尺度无法自适应的不足,本文提出一种多特征融合的尺度自适应算法。该算法以颜色直方图信息作为颜色特征,将具有更多语义信息的高层卷积特征和拥有较高分辨率的底层卷积特征作为深度特征,并与颜色特征进行自适应特征融合。然后,采用上下文图像对目标背景信息进行约束优化,并通过平均峰值相关能量检测衡量响应置信度,最后利用高置信度的跟踪结果来避免模型易受干扰的问题。通过在OTB100数据集上的实验表明,本文算法的精度分别比其他的主流跟踪算法Staple、SAMF、KCF、TLD、DSST和CSK高出4.9%, 5.7%, 10.2%, 10.3%, 23.4%, 29.7%。     

融合通道与位置信息的ResNet细粒度图像识别

在细粒度视觉识别(FGVR)领域,由于高度近似的类别之间差异细微,因此图像细微特征的精确提取对识别的准确率有着至关重要的影响。针对该问题,提出了融合通道与位置信息的残差网络(ResNet)细粒度图像识别算法。首先,通过引入超轻量化空间与位置感知注意力模块(ULSLAM)改进的ResNet细粒度图像特征提取网络,提高了细粒度图像特征尺度丰富性与多样性且有效增强了上下文特征非线性依关系;其次,使用融合通道与位置信息特征学习网络,利用权重方差度量获得特征提取网络显著特征以馈送到识别器进行最终有效识别,而后通过抑制因子抑制显著特征用于下阶段特征提取网络对细微特征进行提取。实验结果表明,该算法在数据集CUB-200-211上达到89.60%的top1准确率、98.65%的top5准确率;在数据集Stanford Cars上达到94.93%的top1准确率、98.93%的top5准确率;在FGVC-Aircraft数据集上达到93.80%的top1准确率、98.20%的top5准确率。     

融合注意力机制与逆残差结构的 轻量级钻机目标检测方法

为实现煤矿下定向钻进钻机钻孔深度的精准测量,提出一种融合注意力机制与逆残差结构的轻量级钻机目标检测网络(GCI-YOLOv4),通过自动、快速及准确检测记录钻机的运动轨迹,获取打入钻杆数量,计算出钻孔深度。针对煤矿下色域区分度低问题,采用GhostNet作为特征提取网络去除复杂背景的冗余特征,同时轻量化模型,加快推理速度。针对煤矿井下光照不均导致钻机目标显著度低的问题,引入注意力模块增强钻机在复杂背景中的显著度。针对钻机高速运动时难以被准确检测的问题,引入逆残差结构,提取更丰富语义特征的同时保持速度与精度的均衡。为保证模型的准确性和可靠性,将提出的检测算法与5种经典目标检测算法进行对比。实验结果表明,GCI-YOLOv4可以较好的解决煤矿下背景色域区分度低、钻机高速运动以及受光照不均等问题,平均检测精度达到99.49%,检测速度达到58.10 FPS,性能优于经典目标检测算法。将GCI-YOLOv4部署在工作面现场进行测试,能够准确获取钻机的运动轨迹,通过滤波处理统计上升沿计算钻杆数量,钻杆计数精度达到99.4%,精确计算出钻孔深度,验证了该方法的可行性和实用性。     

基于DFECANet的遥感图像飞机目标检测方法

针对现有的遥感图像目标检测方法中对小尺寸飞机目标的检测精度不高、特征信息传递不准确、信息交互不充分等问题,提出了一种基于可辨别特征提取和上下文感知的遥感图像飞机目标检测方法。设计了以可辨别特征提取模块为主体的主干网络,用以加强对多尺度飞机目标的特征提取;引入自适应特征增强模块,选择性关注小目标、优化特征信息的传递与信息交互;并设计了特征融合上采样模块对特征图进行上采样操作,用以提升高层语义信息的准确性。在DOTAv1数据集上的检测精度达到了95.2%,相较于YOLOv5s、SCRDet、ASSD等主流算法,飞机目标的检测精度提高了3.7%～18%。此外,该方法的检测速度以及模型参数量分别为147 fps和13.4 M,相较于当前主流算法具备较强的竞争力,满足在遥感背景下对飞机目标的实时检测需求。     

基于注意力机制和 CNN-BiLSTM 模型的 航空发动机剩余寿命预测

航空发动机作为飞机的主要动力源,其可靠性是保证飞机安全的关键。 剩余使用寿命预测对于提高航空发动机的可用 性和降低其寿命周期成本具有重要意义。 针对现有的预测算法存在对航空发动机多维数据特征提取不足的问题,提出了一种 基于注意力机制的卷积神经网络和双向长短期网络融合模型。 首先,采用卷积神经网络提取特征和双向长短期记忆网络获取 特征中的长短期依赖关系;其次,使用注意力机制来突出特征中的重要部分,提高模型预测的准确率。 为验证所提出方法的有 效性,在 C-MAPSS 数据集上进行了实验。 实验表明,模型可以准确地预测出航空发动机的剩余使用寿命,并比传统方法有着更 高的预测精度。     

基于级联网络的散乱堆叠物体分割算法

提出了一种针对处理散乱堆叠物体的改进方法。在 YOLOv5模型中采用了加权双向特征金字塔网络(BiFPN) 替代 路径聚合网络(PANet), 结合 Gfocal损失函数,使得漏检和误检问题得到有效改善,平均精度均值(mAP)mAP@0.5 达到了 90.1%。利用Mask R-CNN进行目标物体分割,使用轻量化的 Mobilenetv3替代 ResNet101 主干网络以减少参数量,同时借 用CFNet 思想加强特征融合机制,使得分割精度提高至92.1%。通过级联改进后的 YOLOv5 和改进后的 Mask R-CNN,算 法在实时性和精确性上得到了平衡,在有效感兴趣区域(region of interest,ROI)中提取准确的物体形状信息。与单独使用实 例分割算法相比,检测速度提升了1 s。实验证明所提出的算法不仅提高了推理速度,还提高了分割精度,解决了复杂堆叠场 景下物体特征提取效果差且检测速度慢的问题。     

改进YOLOv5在电力生产违规穿戴检测中的应用

为了解决现有目标检测系统在电力现场识别中存在的环境复杂、检测物体形状方差过大以及视觉特征辨识性不佳等问题，提出了一种适用于电力现场穿戴识别的目标检测模型。首先，通过在YOLOv5特征提取网络中嵌入非对称卷积模块，从而得到更加具备辨识性及鲁棒性的视觉特征。其次，为了能够在全局背景噪声的影响下自适应地关注与检测物体特征相关性更强的区域，采用全局注意力机制进行上下文信息的建模，改进了视觉信息处理的效率与准确性。最后，通过对比现有的目标检测算法，证明了所提针对YOLOv5改进算法的有效性和优越性。同时，通过消融实验证明了所改进的模块在目标检测模型中的有效性。     

基于ViT燃气表外观零件识别与定位方法研究

关键零件完整性是燃气表重要检定要求之一,经典图像特征匹配方法实现其完整性检测,存在通用性、泛化能力较低问题。本文提出一种改进Faster R-CNN多视角燃气表关键零件识别定位方法,该方法首先采用Vision Transformer(ViT)替代Faster R-CNN卷积神经网络,其自注意力机制促进学习图像块特征之间相关性,强化表征能力;其次研究ViT优化结构参数,在Transformer层数L=14、自注意头数m=12下,模型可达到相对较优准确率。实验表明,最优模型mAP达86.71%,较ResNet50提高2.48%,与ResNet101检测准确率相当,能有效降低模型复杂性,检测效率提高5.8%;燃气表关键零件单次检测耗时1.13 s,可满足燃气表外观关键零件检测的准确性、实时性要求。     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

基于 DBN-MPA-LSSVM 的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。     

改进 ORB 提取匹配算法的 SLAM 应用研究

由于传统的ORB特征点提取匹配方法在图像纹理信息不丰富或者光照变化剧烈时极易产生特征点丢失、分布不均等问题,不利于SLAM系统的定位与建图。为此本文提出了一套较为鲁棒、精度较高的提取匹配算法。首先基于ORB特征点对其提取算法进行改进,计算自适应阈值并基于网格模型提取特征点,可提高特征点提取的鲁棒性并使其分布均匀。此外还提出了G-R图像匹配算法,基于网格特征计算邻域支持估计量来区分正误匹配点,再结合引入评价函数的RANSAC算法进一步剔除误匹配点,相比ORB-SLAM2原始匹配算法提高匹配精度9.36%,并减少时间消耗约13.6%。最后将本文提出的特征点提取匹配算法加入到ORB-SLAM2算法框架,经数据集与实际场景验证本文方法能有效提高ORB-SLAM2系统定位精度36.6%以上,使系统更具鲁棒性。     

基于改进YOLOX的安全帽佩戴实时检测

在建筑行业中,因未佩戴安全帽而导致的安全事故占比较大。针对安全帽检测中存在的干扰性强、小目标准确率低等问题,提出了一种基于YOLOX的改进算法。首先,在加强特征提取网络中加入ECA-Net注意力机制,进行跨通道交互,根据生成的对应通道权重值,抑制干扰信息,加强模型对目标特征的关注度,再将重校准后的特征图进行更深度地特征融合,提高目标特征的表达能力。其次,使用CIoU来计算损失,将两框中心点距离和长宽比考虑进惩罚项,不断调整更新损失函数,加快模型收敛速度。最后,构建了一个真实施工场景下的小目标安全帽数据集。实验结果表明,改进后的算法mAP达91.7%,比原YOLOX算高出1.2%,对已佩戴安全帽的工人检测平均精度达93.9%,对未佩戴安全帽的检测平均精度达89.5%,检测速度达到71.9帧/s,保证安全帽佩戴情况实时检测的同时有较高准确率。     

面向铁路货车车号定位的 Faster R-CNN卷积神经网络

为了解决传统算法对于铁路货运列车车号识别准确率不高问题,提出了一种面向铁路货车车号定位的 Faster R-CNN 神 经网络。 通过调整特征提取网络的相关尺寸参数及连接方式增强了最后一层卷积特征图的细节特征。 并采用 k-means++聚类 算法求取车号区域长宽比改进 anchor 尺寸设计,使目标检测框与实际车号区域更加贴合。 实验过程中,采用了数据增广、 dropout 方法提升网络的鲁棒性。 结果显示,改进 Faster R-CNN 网络在铁路货车车号定位精度达到了 93. 15%,召回率 90. 76%, 综合 F1 指标 91. 94%,也说明该方法能够对铁路货车车号准确定位,并为车号识别过程提供可靠的数据支持。     

高效高精度光照自适应的 ORB 特征匹配算法

针对非均匀光照下ORB图像特征检测算法存在特征点过于聚集、匹配准确率不高等问题,提出了一种高效高精度光照自适应的ORB图像特征匹配算法。利用自适应阈值提取待测图像的oFAST特征点,通过优化的四叉树分解法均匀分配,进一步提高了低照度或高曝光区域特征点的数量,随后,根据汉明距离进行特征匹配,使用改进的RANSAC算法剔除误匹配,提高ORB算法中特征点的匹配准确率。实验结果表明,针对具有明显光照变化的数据集,相较于ORB、MA、Y-ORB及S-ORB算法,本文算法的平均特征分布均匀度提高13.1%,特征提取时间节省26.3%,综合评价指标提升18.5%,可高效完成复杂场景变化下的特征匹配,对目标识别和三维重建等领域具有较强的应用价值。