摘要:针对目前无人机航拍图像目标尺寸较小 , 图像背景复杂 ,导致现有的无人机目标检测算法检测精度较低的问题 ,提出 一种改进 YOLOv8s的无人机目标检测算法 。首先使用可变形卷积替换标准卷积 , 以增强网络对不规则形状目标的特征提取 能力 ;然后使用可分离大核注意力机制(LSKA) 改进快速空间金字塔池化(SPPF) 模块 ,改善因 目标尺度差异较大导致检测精 度较低的问题 。在网络颈部结合双向特征金字塔网络(Bi-FPN) 实现多尺度特征融合 ,改善网络对小目标的漏检和错检问题 。 在网络头部 ,使用自注意力机制动态检测头(DyHead) 替换原检测头 ,增强对遮挡物体和小 目标的检测能力 。最后 ,针对 数 据 集中存在大量低质量样本对训练过程产生负面影响的问题 ,使用 Wise-IOU 损失函数 , 提 升 模 型 收 敛 速 度 和 检 测 精 度 。实 验 结果表明 ,改进后的方法在 VisDrone2019数据集上获得了 41.7%的平均精度均值(mAP) ,与原 YOLOv8s算法相比 ,mAP@ 0.5 提升了 3.0% ,mAP@0.5 ∶ 0.95提升了 1.9% ,参数量下降了 17.5% ,计算量下降了 12.63% 。实现了模型轻量化和检测 精度双重提升 。

摘要:为了更全面地对睡眠脑电进行特征提取，提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡 眠脑电信号构造时域和时频域两类视图数据；然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习；接着通 过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则；最后使用 Softmax函数进行睡眠分期，并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用 Sleep-EDF 数据库中前20 名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估，睡眠分期准确率达到83.7%,宏平均 F₁ 值达到 79.0%,Cohens Kappa 系数达到0.78。与现有方法相比，算法性能提升明显，证明了所提方法的有效性。

摘要:为了解决遥感图像中小目标的误检 、漏检难 题 , 提 出 了 一 种 改 进 的 YOLOv7-tiny算 法 。首 先 , 引 入 高 效 多 尺 度 注 意 力模块(efficientmulti-scale attention, EMA) ,基于此设计了多尺度特征提取模块 ELAN-EMA,这大大增强了骨干网 络 对 于 多尺度特征的提取能力 ;其次 ,在 特 征 金 字 塔 网 络(feature pyramid network, FPN) 中 引 入 内 容 感 知 特 征 重 组(content-aware reassembly offeatures, CARAFE) 优化最近邻上采样方法 ,设计了 FPN-CARAFE结构 ,扩大了感受野 ,从而能够获取小 目标 更多的细节信息和丰富的语义信息 ;最后 ,采用归一化距离损失函数(normalized wasserstein distance, NWD) 优化 CIoU 损失 函数 ,设计了 NWD-CIoU损失函数 , 降低了 CIoU对小目标位置偏 移 的 敏 感 性 , 能 够 更 好 地 提 升 小 目 标 的 检 测 效 果 。在 公 开 的遥感数据集 RSOD和 NWPU VHR-10上进行的实验表明 ,与基准模型相比 ,在计算量和参数量略增长的情况下 ,改进的模 型在平均精度均值(mAP) mAP@0.5 上分别提升了 3.6%和 1.8% ,有 效 地 提 高 了 遥 感 图 像 中 小 目 标 的 检 测 精 度 ,综 合 性 能 优于其他算法 ,满足部署在遥感检测系统上的要求 。

摘要:针对 YOLOv8算法在应用于带钢表面缺陷检测时存在漏检和错检等问题 ,提出了一种改进 YOLOv8 算 法 。针 对 数 据集中的小目标的标签 ,在 原 损 失 CIOU 的 基 础 上 面 加 入 标 准 化 高 斯 瓦 瑟 斯 坦 距 离(normalized Gaussian Wasserstein dis- tance,NWD) ,提升模型对小目标缺 陷 的 检 测 能 力 ; 采 用 聚 焦 调 制 (focal modulation) 替 换 YOLOv8模 型 的 空 间 池 化 金 字 塔 (spatialpyramid pooling-fast,SPPF) ,在轻量化的同时 ,提高多尺度特征的表达能力 ;采用移动翻转瓶颈卷积(mobile inverted bottleneck conv,MBConv) 替换 C2f中的 Conv构建新模块 C2f-MB, 同时使用 C2f-MB替换原有的 C2f模块 ,增强特征表达能 力和多尺度特征融合能力 ;在主干部 分 加 入 卷 积 块 注 意 力 机 制 (convolutional block attention module, CBAM) 来 抑 制 背 景 干 扰 ,能更好捕获全局信息 ,提升了主干部分的特 征 提 取 能 力 。 实 验 结 果 表 明 , 改 进 后 的 YOLOv8 算 法 在 计 算 量 下 降 的 同 时 , mAP@0.5 提高了 3% ,对漏检和错检等问题有明显改善 。

摘要:车辆检测是智能交通、无人驾驶等系统得以实现的重要支撑性技术。低精度或低速度的车辆检测器应用受限，因此提出了一种快速准确的车辆检测器。首先，前端特征提取网络VGG16由MobileNetV3＿Large替代，减少了参数量和计算量，并增加了对高维特征的提取能力；其次，利用特征金字塔思想构建双向加权融合网络，有效融合不同尺度的特征，获取多维度的车辆特征；最后在特征提取层引入高效通道注意力，重新标定不同特征通道的重要性，进一步提高模型性能。与SSD相比，所提出的模型在KITTI数据集和BDD 100 K数据集上分别将平均精度提高了7.50%和3.50%,并具有实时检测能力(超过40 fps),在检测精度和速度方面有更好的平衡，说明了方法的有效性。

摘要:当前基于卷积神经网络的立体匹配方法未充分利用图像中各个层级的特征图信息，造成图像在不适定区域的特征提取能力较差，因此，提出了一种基于PSMNet改进的优化立体匹配算法。在特征提取阶段，全新的特征金字塔模块(SPP)能更好的聚合不同尺度和不同位置的环境信息构建代价体，从而充分利用全局环境信息；在构建匹配代价体时，提出组相关的策略来充分地利用特征中的全局和局部信息；在代价聚合阶段，优化沙漏结构并引入通道注意力机制以便网络来提取具有高表示能力和高质量通道注意力向量的信息特征；为了进一步优化视差图，设计视差优化网络来改善初始的视差估计。在Scene Flow、KITTI 2012和KITTI 2015立体数据集上评估，所提模型在Scene Flow数据集上平均预测误差EPE降低到0.71 pixels,在KITTI 2012和KITTI 2015立体数据集上的误匹配率分别下降到1.20%和1.86%,在实验结果表明，方法取得了较优越的性能。