尽管基于深度学习的目标检测在交通场景的应用已经取得了一定的进展,但复杂交通场景多目标精度与速度的博弈仍然是个挑战。大多数提升精度的方法都是参数密集型的,大大增加了模型的参数量。针对这一难题,提出了基于YOLOv8的稀疏参数模型...尽管基于深度学习的目标检测在交通场景的应用已经取得了一定的进展,但复杂交通场景多目标精度与速度的博弈仍然是个挑战。大多数提升精度的方法都是参数密集型的,大大增加了模型的参数量。针对这一难题,提出了基于YOLOv8的稀疏参数模型,实现在降低参数量的同时提升模型的召回率和检测精度。首先使用简单注意力机制(Simple Attention Mechanism,SimAM)以建立更强劲的骨干网络提取特征;其次提出轻量化的内容感知特征重组模块(Lightweight Content-Aware ReAssembly of Features,L-CARAFE)代替上采样操作,在一个更大的感受野上聚合上下文信息;最后通过稀疏参数的多解耦头,在降低参数量的同时提升模型的检测精度。由于交通场景的复杂性,不仅通过KITTI数据集验证模型的有效性,还通过COCO数据集验证模型的泛化性。该模型在公开的数据集上均能大幅提升召回率和平均精度(mean Average Precision,mAP),其中,nano在KITTI数据集上以2.95的参数量使召回率和mAP分别提高了3.1%和0.9%,小模型在COCO数据集上的mAP@0.5达到60.6%。展开更多
当载机存在偏航角速度时,载机航线会偏离理想航线,对稀疏阵列下视3维合成孔径雷达(DLSLA 3D SAR)成像产生影响。该文建立了载机在飞行过程中存在偏航角速度下的DLSLA 3D SAR成像模型,通过理论推导得到了信号的多普勒调频率表达式,多普...当载机存在偏航角速度时,载机航线会偏离理想航线,对稀疏阵列下视3维合成孔径雷达(DLSLA 3D SAR)成像产生影响。该文建立了载机在飞行过程中存在偏航角速度下的DLSLA 3D SAR成像模型,通过理论推导得到了信号的多普勒调频率表达式,多普勒调频率与目标被调制后的跨航向坐标有关,而与被调制后的方位向坐标无关。进一步,完成跨航向信号处理之后,在平台的速度和偏航角速度不准的情况下,利用参数化稀疏表征方法实现了平台的速度和偏航角速度的估计,并完成了方位向稀疏场景的重构,最后提出了一种形变校正方法。仿真实验验证了该算法的有效性。展开更多
文摘尽管基于深度学习的目标检测在交通场景的应用已经取得了一定的进展,但复杂交通场景多目标精度与速度的博弈仍然是个挑战。大多数提升精度的方法都是参数密集型的,大大增加了模型的参数量。针对这一难题,提出了基于YOLOv8的稀疏参数模型,实现在降低参数量的同时提升模型的召回率和检测精度。首先使用简单注意力机制(Simple Attention Mechanism,SimAM)以建立更强劲的骨干网络提取特征;其次提出轻量化的内容感知特征重组模块(Lightweight Content-Aware ReAssembly of Features,L-CARAFE)代替上采样操作,在一个更大的感受野上聚合上下文信息;最后通过稀疏参数的多解耦头,在降低参数量的同时提升模型的检测精度。由于交通场景的复杂性,不仅通过KITTI数据集验证模型的有效性,还通过COCO数据集验证模型的泛化性。该模型在公开的数据集上均能大幅提升召回率和平均精度(mean Average Precision,mAP),其中,nano在KITTI数据集上以2.95的参数量使召回率和mAP分别提高了3.1%和0.9%,小模型在COCO数据集上的mAP@0.5达到60.6%。
文摘当载机存在偏航角速度时,载机航线会偏离理想航线,对稀疏阵列下视3维合成孔径雷达(DLSLA 3D SAR)成像产生影响。该文建立了载机在飞行过程中存在偏航角速度下的DLSLA 3D SAR成像模型,通过理论推导得到了信号的多普勒调频率表达式,多普勒调频率与目标被调制后的跨航向坐标有关,而与被调制后的方位向坐标无关。进一步,完成跨航向信号处理之后,在平台的速度和偏航角速度不准的情况下,利用参数化稀疏表征方法实现了平台的速度和偏航角速度的估计,并完成了方位向稀疏场景的重构,最后提出了一种形变校正方法。仿真实验验证了该算法的有效性。
