摘要：实现复杂场景下地块级苹果园的精准制图,是中国苹果产业精细化管理面临的迫切需求。然而,传统的地块级分类制图框架在处理小农经营区内的大量细碎地块时,可靠性大幅度降低。本文提出一种适用于复杂场景下小农经营区的地块级苹果园模块化制图方法框架。①基于模拟人类对目标场景视觉感知的分层策略,从深秋季的单幅超高空间分辨率(Very High Resolution,VHR)影像中提取冗余的候选地块;②利用非对称瓶颈网络(Depth-wise Asymmetric Bottleneck Network,DABNet)模型与长短期记忆(Long Short-Term Memory,LSTM)模型,分别从VHR影像与时间序列影像中提取苹果园的空间特征像素与时序特征像素。然后,构建元特征描述特征像素在候选地块中的分布情况,与地块的内在特征共同组成苹果园地块的分类特征;③使用随机森林(Random Forest,RF)将候选地块分类为苹果园地块和非苹果园地块。以山东省栖霞市西城镇为研究区,从43238个候选地块中提取出30292个苹果园地块,分类总体精度达到92.7%。利用RF算法自带的平均精度减少指标(Mean Decrease in Accuracy,MDA)对17种分类子特征进行特征重要性分析,证明本文提出的元特征比传统人工设计特征具有更强的信息抽象与特征表达能力。该框架成功实现场景复杂的小农经营区地块级苹果园制图,可推进精准果园农业的发展。

摘要：为解决复杂场景保护层分析中采用最大值法或加和法存在的问题,将Bow-Tie融入LOPA分析中,建立复杂场景的Bow-Tie计算模型。通过采用事故树分析方法,计算Bow-Tie模型中顶上事件发生的概率,确定预防类保护层及减缓类保护层的失效概率,给出了复杂场景事故发生概率合理的计算方法;通过计算Bow-Tie模型中事故树底事件的概率重要度和临界重要度,提出了判断复杂场景保护层重要度的方法。运用上述方法对某LNG储罐超压损坏的复杂场景进行了计算。研究表明,本方法能实现包含多重初始事件的复杂事故场景后果风险更合理的计算及保护层重要度的判定,从而为提高系统安全性及风险决策提供依据。

摘要：针对复杂环境下,现有的车牌检测算法存在漏检及模型参数量过大等问题,提出一种改进YOLOv7的中文车牌检测方法。首先,YOLOv7的骨干网络Backbone使用轻量级卷积GhostConv减少模型训练参数。其次,引入CBAM注意力机制,提升小目标车牌的特征提取能力。然后,Head部分使用可感知特征图的空间信息的CoordConv替换部分卷积,提升模型在背景干扰较大场景下的检测性能。最后,将损失函数CIoU更换为NWD,提高算法在训练过程中的收敛速度。实验结果表明,改进算法提高了模型检测精度的同时可大幅减少模型参数和计算量,实现了复杂场景下中文车牌检测的高精度检测性能。

摘要：牛面部检测与识别是牛场智能化养殖的关键,但由于牧场养殖环境的复杂性,牛脸检测会受到模糊、逆光和遮挡3种常见环境因素的严重干扰。针对此问题,该研究提出一种复杂场景下基于自适应注意力机制的牛脸检测算法,该算法首先针对3种干扰因素分别设计了评价指标,并将3种不同类型的评价指标通过模糊隶属度函数进行归一化,并确定自适应权重系数,真实反映目标所处场景的复杂性;之后,基于YOLOV7-tiny在主干特征提取网络引入一种注意力机制CDAA(composite dual-branch adaptive attention),设计通道和空间注意力并行结构,并融合自适应权重系数,有效加强相应注意力分支的权重,提高网络在复杂场景下的特征提取能力,解决复杂场景下网络检测精度差的问题;最后,将图像场景评价指标引入损失函数,对大尺度网格损失函数的权重进行自适应调整,使网络在训练过程中更专注于数量较多的小型目标,从而提升网络整体的检测精度。为检测算法的有效性和实时性,在特定数据集上进行消融试验,并与多种经典检测算法进行对比,并移植至Jetson Xavier NX平台测试。测试结果表明,该算法检测精度达到89.58%,相较于原YOLOV7-tiny网络,牛脸检测精度提高了7.34个百分点。检测速度达到62帧/s,在检测速度几乎不损失的条件下,检测效果优于原网络与对比网络。研究结果可为复杂场景下的牛脸高效检测提供参考。

摘要：相关滤波跟踪器近几年在许多视觉跟踪任务中都取得了优异的性能,显示出了较高的精度和帧率。但限制其跟踪性能的问题仍有很多,例如图像表征方式单一,传统尺度估计的方式计算复杂度高,对快速运动、背景杂乱等复杂场景跟踪效果不佳。针对这些问题,提出了一个跟踪框架来分别估计目标位置和尺度的变化,通过相关滤波和颜色直方图模型相结合的方式评估目标位置,再从最可信帧中训练核尺度相关器来预测目标的尺度变化。同时,对模型采用保守的方式进行自适应在线更新,以防止误差累加破坏模型。在跟踪数据集(OTB-2015)中该算法在运动模糊、尺度变化、背景杂乱、快速运动等挑战性场景中表现出良好的优越性。

摘要：交通标志检测在智能交通领域的安全保障上具有重要作用。对于部分外观相似的交通标志在尺度变化下,现有模型难以提取它们之间的细微差异,导致标志被错误分类。此外,在复杂场景下,其他相似物体容易被误检为交通标志。为此,提出一种逐层特征细化检测模型。根据交通标志特点提出分层聚类锚框和分组损失,分层聚类锚框根据目标尺度对数据集分层并通过K-means聚类算法获取各层锚框,更好地适应交通标志灵活的尺度变化,分组损失对外观相似的类别分组并设计损失函数,指导模型学习相似交通标志间的细微差距,从而降低错误分类。在Neck层加入弱语义分割模块和特征细化模块,通过弱语义分割模块学习浅层特征上下文信息,从而分割出可信区域和非可信区域,利用特征细化模块挖掘非可信区域的上下文信息,主动学习并消除造成误检的干扰,从而降低对其他相似物体的误检。弱语义分割模块和特征细化模块结合通道注意力构建逐层细化特征金字塔,实现对多尺度特征的整体优化并提高模型精确率。实验结果表明,该方法在TT100K和GTSDB交通标志数据集上的AP_(50)指标分别达到97.0%和98.6%。

摘要：针对复杂场景下道路病害检测模型占用内存空间大、计算复杂度高和检测速度难以满足实时目标检测要求等问题,提出一种面向复杂自然场景的轻量级道路病害检测模型DGE-YOLO-P。将网络中的C2f融合可变形卷积设计C2f_DCNv3模块增强对物体形变的建模能力,并对输入特征信息进行降维处理,有效降低模型参数量和计算复杂度。设计GS-Decoupled head检测模块,降低检测头参数的同时实现全局信息的有效聚合。同时,设计E-Slide Loss权重函数,为困难样本分配更高权重,充分学习道路病害中的难样本数据,进一步提高模型检测精度。采用通道剪枝减少模型冗余通道,有效压缩模型体积并提高检测速度。实验结果表明,DGE-YOLO-P模型相较于YOLOv8n模型mAP提高2.4个百分点,而模型参数量、计算量和模型大小分别降低58.1%、66.7%和55.5%。检测速度FPS由34帧/s提高到51帧/s。

摘要：遥感图像船舶识别是目标识别的一个重要领域,在海防和救援方面具有重大应用价值.但遥感图像中的船舶普遍存在云雾遮挡、陆地背景干扰和体积小等因素所造成的识别难的问题.为了能准确识别复杂场景下船舶目标,在网络的特征提取部分加入了视觉注意机制,增强网络提取船舶特征信息的能力;并采用多级特征提取和去量化操作的学习方法来解决船舶体积小的问题;采用难样本重学习的学习策略来弱化云雾遮挡和陆地背景的干扰.通过上述方法,船舶识别的综合准确率达到了92.56%,召回率达到了89.26%,与相同实验环境(PyTorch)下其他常见目标检测算法相比,精确率和召回率都有明显提升.实验结果表明,文中方法在一定程度上解决了复杂场景下船舶分割和识别难的问题.实验中所使用代码和部分结果详见https://***/curioyang/First_paper.

摘要：在目前的高校教育制度下,我国的教育事业蓬勃发展,但是在学生课堂早退违纪问题的处理中仍存在不足之处,由于早退学生的过多遮挡以及背景环境较高的复杂程度,因此在识别学生的身份时很难同时兼顾速度和准确性。针对该问题,基于显著性目标检测U2Net网络和多重损失的GaitSet模型,结合步态识别相关技术,设计和实现了针对于高校课堂早退学生身份识别的系统DGRSML,为有效解决高校学生课堂早退违纪现象的身份识别问题提供了帮助。

摘要：针对复杂场景下的车辆、行人检测困难的问题,提出一种融合卷积和注意力机制的车辆行人检测算法ATDWYOLOX(ATtention DepthWise YOLOX)。在主干网络中采用CSPNeXt,并设计融合卷积和注意力机制的模块ACMBottleneck(Attention Convolution Mix Bottleneck);在特征融合网络中,设计融合深度可分离卷积和注意力机制的网络ATDW-PAFPN(ATtention DepthWise Progressive Asymmetric Feature Pyramid Network);在损失函数中,使用完全交并比(CIoU)和Varifocal Loss。在公开数据集BDD100K上的实验结果表明,所提算法平均检测准确率(mAP)相较于YOLOX提升了2.52个百分点,能较好地完成复杂场景下车辆行人的检测任务。