摘要：近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的。针对此,该文提出一种引入全局上下文特征模块的densenet孪生网络目标跟踪算法。该文创新性地将densenet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度。在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求。

摘要：为精准且快速地实现对服装廓形的判断,以秀场连衣裙为研究对象,提出了基于关键点检测的服装廓形分类算法。使用YOLO v8-Pose模型对秀场连衣裙进行关键点检测,提取服装的肩部、胸部、腰部、臀部和底摆两侧共10个关键点,并生成服装廓形图。通过加入Sobel边缘提取算法改进的densenet网络深度提取服装廓形特征,采用余弦相似度算法将其与标准的廓形库中提取的特征相比较,最终实现服装廓形的判别与分类。结果表明,该方法能够快速且准确地实现服装廓形的分类,廓形分类准确率达到了95.9%。

摘要：高光谱图像分类是高光谱遥感的一项重要内容。然而,由于高光谱数据光谱波段信息丰富,且仅对材质信息敏感等特性,导致高光谱分类中易出现“维度灾难”、对高度信息不敏感等问题,这使得高光谱图像分类面临巨大的挑战。为解决上述问题,论文设计了一种双路densenet网络(Double-Branch densenet,DBD)。该网络其中一路对高光谱数据进行特征处理,压缩光谱维度,降低“维度灾难”的影响,并同步提取高光谱数据的光谱特征和空间特征;另一路通过密集连接提取雷达数据的高程特征。两路特征进行特征级融合,得到具有高程信息的高光谱特征,从而进行分类。通过实验证明,将富含高程信息的雷达数据与富含光谱信息的高光谱数据融合后进行分类的分类结果要优于单纯使用高光谱数据进行分类。

摘要：针对我国竹垫人工组装劳动强度大、效率低的问题,提出一种基于改进YOLOv3深度卷积网络的竹垫智能装配方法,通过智能识别、定位、摆放和组装实现卡扣式竹垫的装配生产模式。YOLOv3深度卷积网络的改进包括:首先通过在原YOLOv3的特征提取网络Darknet-53中加入densenet密集型连接网络结构,提高特征提取能力;再根据实际检测需求减少网络预测尺度,提升检测精度;最后采用K-means聚类算法对YOLOv3中的初始锚点框参数进行优化,以加快识别速度。笔者还设计了试验机进行装配生产试验。该试验机使用CCD相机采集不同图案的竹垫样品图像,对竹垫样品图像进行识别定位处理,获得目标竹垫零件的位置和颜色信息,然后控制摆放系统对目标竹垫零件进行吸取摆放,再启动传送机构输送竹垫零件,最后通过组装系统实现对目标竹垫零件的组装,实现了竹垫检测、摆放、传送、组装自动化。试验结果表明,视觉系统在GPU和CPU下识别定位竹垫零件的平均时间为16.7和105.3 ms,识别均值平均精度M_(AP)为99.86%,平均组装一行竹垫零件的时间为24.63 s,验证了本方法的可行性。