摘要：多目标跟踪是计算机视觉领域被广泛研究的重要方向,但是在实际应用中,目标的快速移动、光照变化、遮挡等问题会导致跟踪性能变差,因此以多目标跟踪模型OMC为基础框架展开研究,以实现跟踪性能的进一步提升。针对多目标跟踪过程中存在的目标特征质量层次不齐的问题,对特征提取器进行优化,在主干网络集成了GAM注意力机制并在Neck网络部分更换了上采样方式;针对现有方法中存在的检测任务和重识别任务之间的“竞争问题”,构建了递归交叉相关网络,使得模型可以学习不同任务的特性和共性。此处针对两个子任务分别进行了优化,一是设计了新的通道注意力HS-CAM优化了重识别网络;二是更换了检测部分的边界回归损失函数,采用eiou损失函数。实验表明,在MOT16数据集上MOTA指标可达73.5%,IDF1可达70.4%,MLgt为11.7%,相比较OMC算法减少了1.5个百分点。

摘要：水下检测由于背景复杂、光线暗淡、目标遮挡重叠等问题导致检测精度较低,提出一种CoT-YOLO水下目标检测算法提高检测精度。使用YOLOv5s作为基础模型,构建注重上下文信息的卷积神经网络,充分利用特征信息,增强全局特征表达能力,解决模型漏检、误检问题;改用解耦头,加快收敛速度;增添新的检测层并重获先验框,增强模型对小目标的检测能力,提高水下小目标检测效果;采用eiou损失函数提高目标边界框的定位与回归。实验结果表明,改进后算法精确度达到77.9%,相较于基线提升了3.7%,mAP提升了5.2%,验证了该方法的有效性。

摘要：为解决自动售药机中药盒传统机器视觉算法检测正确率低的问题,提出一种改进的YOLOv5-CBE算法。通过Imgaug数据增强方法对现有682张自动售药机拍摄的药品图片数据集进行数据增强,训练前采用Mosaic算法,对数据集裁剪、拼接,生成新的样本图片。在YOLOv5的backbone中嵌入CA机制提升对药盒特征的提取能力;在head层中使用BIFPN结构,实现双向跨尺度连接和加权特征融合;采用eiou替代CIOU提升算法的收敛速度和检测精度。经过682张数据样本150轮的测试,改进后的YOLOv5-CBE算法平均精度达到了98.7%,相比于YOLOv5s准确率提高了3.0%,召回率提高了2.6%。

摘要：森林火灾所造成的危害是无法估量的,因此在火灾发生前及时检测,并做到防患于未然,更有利于保护森林资源。该文提出了一种基于YOLOv7算法的森林火灾检测改进方案。为了帮助模型更有效地识别火焰特征,在不损失特征信息的情况下减少冗余功能,将CA注意力机制嵌入算法的特征提取部分。同时运用eiou作为边界框损失函数,提升模型的收敛速度与回归精度。改进的烟火检测模型的平均精度提升2.0%,召回率提升1.6%,检测速度也在原来的基础上进行提升。