保持高分辨率信息的无锚点框检测算法

目标检测逐渐成为视觉研究社区的关键领域,而其挑战之一是检测器难以准确地定位不同尺度的物体.面向图像中的目标检测应用,提出了高分辨率-无锚点框(HOAR)检测策略来应对物体尺度多变的挑战.HOAR将待测图像输入多条通路(对应不同尺度)并行的高分辨率网络,并提取每条通路上的输出特征图作为图像在每种尺度下的深度特征表示;然后...     

基于无锚框分割网络改进的实例分割方法

在无人驾驶应用场景中,现有无锚框实例分割方法存在大目标特征覆盖小目标特征、缺少两阶段检测器中的感兴趣区域对齐操作、忽略类别分支对掩膜分支提供的位置和空间信息等问题,导致特征提取不充分且无法准确获取目标区域。提出一种改进的无锚框实例分割方法。结合可变形卷积,设计编码-解码特征提取网络提取高分辨率特征,以增强对小目标特征的提取能力,并采用空洞卷积和合并连接的方式,在不增加计算量的前提下有效融合多种分辨率的特征。在此基础上,将注意力机制引入到类别分支中,同时设计结合空间信息和通道信息的信息增强模块,以提高目标检测能力。实验结果表明,该方法在COCO 2017和Cityscapes数据集上平均精度和平均交并比分别为41.1%和83.3%,相比Mask R-CNN、SOLO、Yolact等方法,能够有效改进实例分割效果并具有较优的鲁棒性。     

无线传感器网络中锚节点无关定位算法研究

关于无线传感器网络节点自身定位问题的研究,目前主要的研究工作集中在基于锚节点的定位方法.考虑到锚节点配置限制和配置成本因素,提出了锚节点无关定位方法.对锚节点无关的3种定位算法AFL算法、KPS算法和ABC算法进行了分析和比较,提出了锚节点无关定位算法需进一步解决的问题.     

基于单线程的无锚点目标检测模型

为避免锚点对目标检测模型的鲁棒性造成负面影响，并保证在无锚点情况下模型具有较高的准确度，提出一种单线程无锚点全卷积网络模型。通过取消预设锚点参数以及像素级别预测，使得模型在无锚点情况下检测目标时具有更高的鲁棒性。使用沙漏骨干网络取代特征金字塔模块，从而降低锚点与特征金字塔模块的冗余以及计算量，使整体模型结构更加精简。实验结果表明，与经典锚点Retinanet模型相比，该模型利用正例区域原则与中心偏离支路显著提高了预测能力，并且具有更高的正负标签比例和更快的推理速度。     

水下声传感器网络节点自定位研究

以无线传感器网络（WSN）水下应用为背景,针对水下环境的特殊性,提出了一种基于聚类的分布式无锚点网络节点自定位算法：采用分布式坐标计算,有利于网络节点能量的合理使用;同时,不需位置已知的锚节点,方便了水下环境的应用。仿真论证了影响算法精度的因素,并对比了LAR和MET两种坐标确定方法。对水下WSN应用研究具有重要的参考价值。     

基于无锚框目标检测算法的多样性感受野注意力特征补偿

作为目标检测的研究热点之一,无锚框算法摒弃大量预定义框的设置而采取逐像素的方式进行预测。即便如此,它仍不能够很好地处理重叠目标。此外,该算法获取图像的全局信息能力较弱且易出现感受野不匹配。因此,提出2种改进方法：多样性感受野注意力机制和全局信息指导特征融合。PASCAL VOC和MS COCO数据集上广泛的实验证实了改进方法的有效性。与基线FCOS相比,本文方法的检测精度在PASCAL VOC上提升了1.4%,在MS COCO上的精确度为42.8%,检测性能明显优于许多先进算法。     

Anchor-free的尺度自适应行人检测算法

Anchor作为行人检测算法中的初始框,可以解决行人平移问题和缓解行人尺度变化问题,目前的行人检测算法通常都基于anchor.然而,使用anchor就需要精心调整对检测性能影响非常大的anchor超参数,如anchor的尺度和高宽比等.为避免这一问题,提出一种基于anchor-free损失函数的行人检测算法,并通过融合...     

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     

用于无线传感器网络的节点间协同定位算法的设计

给出一种无线传感器网络中无锚节点情况下的节点间相互协同定位的算法。它首先将节点进行分簇,把角度测量和距离测量结合起来,通过方位协同,逐步对同步中的节点进行方位调整和坐标调整,从而计算出所有节点的相对坐标。仿真结果表明,在节点随机分布的情况下,该算法比起业界公认的聚类SPA算法在网络覆盖率、定位误差率和通信开销3个方面都有更好的表现。     

自适应置信度阈值的非限制场景车牌检测算法

针对车牌检测模型泛化性低,在智慧交通的不同应用场景中复用困难的问题,提出一种自适应置信度阈值的非限制场景车牌检测算法。首先,构建多预测头网络模型,利用分割预测头减少模型复用的预处理工作,利用自适应置信度阈值预测头提升模型的检测能力,并利用多尺度融合机制及边框回归预测头来提升模型的泛化能力;其次,采用可微分二值网络训练方法,利用可微分二值变换联合训练分类置信度及置信度阈值来学习模型参数;最后,利用连通感知非极大值抑制（CANMS）方法提升车牌检测的后处理速度,并引入轻量级网络ResNet18作为特征提取骨干网络,以减少模型参数量,进一步地提高检测速度。实验结果表明,在中国城市停车场数据集（CCPD）的6个不同限制条件特点的场景中,所提算法可获得平均99.5%的准确率与99.8%的召回率,并达到每秒70帧的高效检测速率,优于Faster R-CNN、SSD等锚框类算法的性能;在3个补充场景测试集上,所提算法对不同分辨率、不同拍摄距离、不同拍摄俯仰角等非限制场景下的车牌检测精度均高于90%。可见,所提算法在非限制场景下具备良好的检测性能及泛化能力,可以满足模型复用的要求。