在Matlab/Simulink中应用Real-Time Windows Target模块重构状态观测器的实时仿真模型,采用该方法开发的实验系统既便于实现,又能和实际物理系统良好对接,有利于学生掌握状态观测器的相关知识和促进对Matlab的了解和应用。给出的应用实...在Matlab/Simulink中应用Real-Time Windows Target模块重构状态观测器的实时仿真模型,采用该方法开发的实验系统既便于实现,又能和实际物理系统良好对接,有利于学生掌握状态观测器的相关知识和促进对Matlab的了解和应用。给出的应用实例验证了方法的可行性。展开更多
针对无人机目标检测中目标小且密集、背景复杂、硬件条件限制等挑战,提出一种改进的RTDETR检测器。在骨干网络,设计轻量级多尺度注意力特征提取模块(Rep-FasterNet EMA block),使用RepConv改进FasterNet block,同时引入多尺度注意力模块...针对无人机目标检测中目标小且密集、背景复杂、硬件条件限制等挑战,提出一种改进的RTDETR检测器。在骨干网络,设计轻量级多尺度注意力特征提取模块(Rep-FasterNet EMA block),使用RepConv改进FasterNet block,同时引入多尺度注意力模块(EMA),增强空间特征提取能力并降低计算冗余。在Encoder部分,采用了DyASF特征融合结构替换CCFM,利用动态尺度序列特征融合(DySSFF)模块和三重特征编码器(TPE)模块,避免上下采样导致的小目标特征信息丢失,并丰富小目标检测详细信息,增强了网络尺度特征融合能力。对于损失函数,结合Focaler-IoU和Shape-IoU的优点,提出了Focaler-Shape-IoU替换原模型GIOU,注入边界框的形状和尺度信息,聚焦困难样本,增强边界框回归效果。实验结果表明,改进模型在Visdrone2019数据集上的mAP_(0.5)和mAP_(0.5:0.95)分别提升了1.6个百分点和0.7个百分点,同时权值文件大小有一定减少,验证了改进模型的有效性。展开更多
文摘针对无人机目标检测中目标小且密集、背景复杂、硬件条件限制等挑战,提出一种改进的RTDETR检测器。在骨干网络,设计轻量级多尺度注意力特征提取模块(Rep-FasterNet EMA block),使用RepConv改进FasterNet block,同时引入多尺度注意力模块(EMA),增强空间特征提取能力并降低计算冗余。在Encoder部分,采用了DyASF特征融合结构替换CCFM,利用动态尺度序列特征融合(DySSFF)模块和三重特征编码器(TPE)模块,避免上下采样导致的小目标特征信息丢失,并丰富小目标检测详细信息,增强了网络尺度特征融合能力。对于损失函数,结合Focaler-IoU和Shape-IoU的优点,提出了Focaler-Shape-IoU替换原模型GIOU,注入边界框的形状和尺度信息,聚焦困难样本,增强边界框回归效果。实验结果表明,改进模型在Visdrone2019数据集上的mAP_(0.5)和mAP_(0.5:0.95)分别提升了1.6个百分点和0.7个百分点,同时权值文件大小有一定减少,验证了改进模型的有效性。
