基于全景环视的端到端停车位检测方法

现有停车位检测方案大多将目标检测方案和人工设计的后处理模块进行简单结合,各阶段提取的特征存在大量冗余信息.并且,人工设计的后处理模块通常适应面窄,计算量大,最终导致停车位检测效果难以实用.针对这些问题,本文引入全景视觉,结合现有算法的优点与环视图像的特点,设计端到端的无锚框停车位检测算法.该算法对停车位进行进入线朝向建模,而非单独考虑两个入口点,省去了停车位入口点匹配和朝向判断流程,最终实现完全一体化的停车位位置、朝向和占用情况检测.考虑到实用性,在网络结构设计上进行了速度和精度的平衡、正负样本均衡,以及无后处理等多方面优化.最终,在ps2.0数据集上,本文提出的AFPSD模型以88.7的FPS（每秒帧数）达到68.7%的AP,相较VPS-Net和DMPR-PS方案精度分别提升1.2%和2.1%.由此可知,本文设计的一阶段端到端方案可以代替三阶段方案,在环视图像上实现停车位的稳定检测.     

如何实现DOS与XENIX系统下文件转换

本文阐述如何实现单用户ＤＯＳ与多用户ＸＥＮＩＸ系统下文件转换的三种方法和在ＤＯＳ与ＸＥＮＩＸ系统下含有汉字文件转换问题，再分别给出实现程序清单。     

基于改进YOLOv5的露天矿山目标检测方法

目前实地部署的商用采矿无人系统大都采用激光雷达和毫米波雷达作为感知传感器,难以准确识别障碍物的类型,尤其是较远处障碍物,不利于正确决策,从而影响无人作业的安全和整体效率.针对这些问题,本文采集了不同场景的矿山数据,并提出了一种基于YOLOv5S的图像目标检测算法.该算法主要进行了三方面改进：首先,使用不同的填充策略和空间注意模块优化采样方法,提高了模型的采样能力;其次,解耦Head预测分支,让每个分支专注自己的任务;最后,优化损失函数,耦合定位和分类,实现定位和分类任务的联合优化.试验表明,三种方法在保持实时性的前提下,可将YOLOv5S的平均精度（Average Precesion, AP）从49.9%提高至58.9%,实现白天、夜间场景下不同尺度的障碍物识别.