基于空洞卷积和特征融合的单阶段目标检测算法

针对SSD多尺度目标检测过程中存在的目标漏检和错检问题,提出了一种融入多维空洞卷积和多尺度特征融合的目标检测算法。在卷积神经网络输出的多尺度特征中,浅层具有更多的细节信息,深层具有更多的语义信息,根据这一特点,对浅层网络采用了3种多维空洞卷积的浅层特征增强模块,获得具有语义信息的特征图,将增强后的特征图进行下采样,融合不同层的特征;同时在深层网络引入通道注意力模块,对通道进行权重分配,抑制无用信息,提高目标的检测性能。研究结果表明：该算法在PASCAL VOC数据集上检测精度为79.7%,比SSD算法提高了2.4%;在KITTI数据集上检测精度为68.5%,比SSD算法提高了5.1%,检测速度达到了实时性的要求,有效地改善了目标的漏检和错检。     

重型锻压设备制造企业专利战略制定的研究初探

一、研究目的任何有实际意义的专利战略研究必须是以针对特定产品(技术)的市场竞争为基本目的。济南二机床集团有限公司是重型锻压设备和大型金切机床的一类骨干制造企业,是世界上最大的机械压力机制造公司之一,是龙门刨床、机械压力机国家标准的主要制定单位。以大型机械压力机为主的重型锻压设备国内市场占有率90％,在全国同行业中位居第一,出口50多个国家和地区。     

一种时空特征融合的鲁棒视觉跟踪算法

针对视觉跟踪在复杂背景下因外观特征表征不足等原因造成的目标丢失问题,结合深度光流网络估计的运动特征,文中提出了一种基于时序信息和空间信息自适应融合的视觉跟踪算法。该算法在相关滤波跟踪框架基础上,引入递归全对场变换（RAFT）深度网络估计光流以获取目标的时序信息,提取目标的CN特征和HOG特征获取空间信息,然后融合目标时序信息和空间信息,以增强对目标时空特征的表征能力;其次,建立了一种跟踪结果质量判别机制,实时调整时序信息在融合过程中的权重, 有效提升了算法在复杂动态环境下的泛化能力。为评估算法的有效性,在OTB100和VOT2019两个数据集上进行了测试,实验结果表明,与主流视觉跟踪算法相比,所提算法的跟踪性能获得了显著提升,尤其在运动模糊、快速运动等属性的视频中,具有明显优势。     

一种长宽比自适应变化的目标尺度估计算法

针对视觉跟踪中由于尺度变化、遮挡等复杂场景造成的跟踪失败问题,提出一种尺度长宽比自适应变化的目标尺度估计算法.该算法采用35×35个尺度因子来实现对目标的长宽比估计,为了降低运算量,通过分层尺度估计对二维尺度采样因子进行选择,既确定了目标的最佳尺度,又提高了算法的运行速度;为了进一步提高跟踪算法的鲁棒性,使用相邻两帧之间响应向量的欧式距离作为评判模板是否更新的标准.将尺度估计和模板更新模块引入到目前3种性能出色的相关滤波算法DSST、HCF和OSA中,进行仿真验证.实验结果表明,与原始算法相比,引入模块的新算法在跟踪成功率和精度上均有显著提高,在OTB100数据集上,成功率与3种原始算法相比,分别提高了1.3％、1.4％ 和1.4％,精度分别提高了1.2％、1.3％ 和1.0％,尤其在尺度变化、目标遮挡等复杂场景下具有明显的优势.     

基于可见光图像和红外图像决策级融合的目标检测算法

针对目前NAND FLASH随着使用时间的增长误码率随之增高的特性,提出了一种在使用更少校验位的情况下纠错能力更强的高速并行RCRF+BCH纠错方案,初步用RCRF的思想对部分初始擦除错误进行纠正,然后级联BCH码纠正剩余的位错,很好地保证数据的准确性,显著提高存储系统的可靠性。首先详细阐述了该高速并行算法的编译码原理和执行步骤,在BCH部分中使用消耗更少硬件资源的无求逆的iBM关键方程求解算法,然后推导出错误位置多项式不同路径的几种确定形式,方便应用组合逻辑对其进行描述,避免了复杂的迭代判断过程,进一步提高了译码速度,并采用模块化的处理方式和流水线的操作模式优化了BCH的编译码结构。最终在FPGA平台硬件实现并仿真验证了此方案的有效性。     

基于二阶池化特征融合的孪生网络目标跟踪算法

为提升基于孪生网络目标跟踪算法的特征表达能力,获得更好的跟踪性能,提出了一种轻量级的基于二阶池化特征融合的孪生网络目标跟踪算法。首先,使用孪生网络结构获取目标的深度特征;然后,在孪生网络结构的末端并行添加二阶池化网络和轻量级通道注意力,以获取目标的二阶池化特征和通道注意力特征;最后,将目标的深度特征、二阶池化特征和通道注意力特征进行融合,使用融合后的特征进行互相关操作,得到地响应图能很好地区分目标和背景,提高跟踪模型的判别能力,改善目标定位的精度,从而提升跟踪性能。所提算法使用Got 10k数据集进行端到端的训练,并在数据集OTB100和VOT2018上进行验证。实验结果表明,所提算法与基准算法相比,跟踪性能取得了显著提升：在OTB100数据集上,精确度和成功率分别提高了7.5%和5.2%;在VOT2018数据集上,预期平均重叠率(EAO)提高了4.3%。