跨模态行人重识别研究的重难点主要来自于行人图像之间巨大的模态差异和模态内差异。针对这些问题,提出一种结合多尺度特征与混淆学习的网络结构。为实现高效的特征提取、缩小模态内差异,将网络设计为多尺度特征互补的形式,分别学习行...跨模态行人重识别研究的重难点主要来自于行人图像之间巨大的模态差异和模态内差异。针对这些问题,提出一种结合多尺度特征与混淆学习的网络结构。为实现高效的特征提取、缩小模态内差异,将网络设计为多尺度特征互补的形式,分别学习行人的局部细化特征与全局粗糙特征,从细粒度和粗粒度两方面来增强网络的特征表达能力。利用混淆学习策略,模糊网络的模态识别反馈,挖掘稳定且有效的模态无关属性应对模态差异,来提高特征对模态变化的鲁棒性。在大规模数据集SYSU-MM01的全搜索模式下该算法首位击中率和平均精度(mean average precision,mAP)的结果分别为76.69%和72.45%,在RegDB数据集的可见光到红外模式下该算法首位击中率和mAP的结果分别为94.62%和94.60%,优于现有的主要方法,验证了所提方法的有效性。展开更多
在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检...在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检漏机器人对真空设备进行识别和定位喷氦。在该方法中,结合轻量级Ghost Net V2网络构建C3GhostV2模块,同时使用轻量的Ghost卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加Bottleneck Transformers和ECA注意力机制,提高网络特征提取能力以及加强模型通道特征。实验结果表明,在自制数据集上,改进后的模型平均精度为93.2%,相比YOLOv5s提高了1.4%,模型参数量减少了29.5%,检测速度为92 fps,满足实时性与准确性的需求,为真空检漏机器人目标识别与定位提供了一种的解决方案。展开更多
为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进...为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标签标注,然后采用数据增强技术对训练数据进行扩充,并使用K-means++聚类方法获取先验锚定框,在计算机上进行了水果检测实验。结果表明,基于改进YOLO网络及改进NMS的水果检测方法在准确率方面有显著的提高,平均精度均值(mean average precision,MAP)在YOLOv4上达到了96.65%,较原网络提升1.70%,并且实时性也得到了保证,在测试设备上达到了39.26帧/s。展开更多
文摘为研究声发射信号在木材中的传播行为,分别对杨木、红锥、樟子松和杉木4种木材试件建立COMSOL三维仿真模型,通过给定位移的方法模拟弹性波点源,进而借助仿真过程的应力云图分析声发射(acoustic emission,AE)信号沿木材纵向传播的过程。针对AE源到达模型表面2个位置的时间差,利用时差定位法(time difference of arrival,TDOA)计算AE源的纵波波速。在木材试件上以相同条件进行AE试验并计算纵波波速,最终结果与仿真模型相符。研究结果表明,杨木、红锥、樟子松和杉木4种木材仿真与试验的纵波波速的相对误差分别为1.47%、1.04%、0.46%和2.33%,仿真模型能够客观反映AE信号在木材中的传播行为,为木材AE信号传播过程可视化提供一种新的途径。但AE信号幅值的相对误差较大,模型不能客观反映木材中幅值的变化规律。
文摘跨模态行人重识别研究的重难点主要来自于行人图像之间巨大的模态差异和模态内差异。针对这些问题,提出一种结合多尺度特征与混淆学习的网络结构。为实现高效的特征提取、缩小模态内差异,将网络设计为多尺度特征互补的形式,分别学习行人的局部细化特征与全局粗糙特征,从细粒度和粗粒度两方面来增强网络的特征表达能力。利用混淆学习策略,模糊网络的模态识别反馈,挖掘稳定且有效的模态无关属性应对模态差异,来提高特征对模态变化的鲁棒性。在大规模数据集SYSU-MM01的全搜索模式下该算法首位击中率和平均精度(mean average precision,mAP)的结果分别为76.69%和72.45%,在RegDB数据集的可见光到红外模式下该算法首位击中率和mAP的结果分别为94.62%和94.60%,优于现有的主要方法,验证了所提方法的有效性。
文摘在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。为实现聚变装置泄漏设备的快速准确检测,本文以6自由度机械臂为研究对象,提出了一种GV2-YOLOv5的真空设备检测方法用于真空检漏机器人对真空设备进行识别和定位喷氦。在该方法中,结合轻量级Ghost Net V2网络构建C3GhostV2模块,同时使用轻量的Ghost卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加Bottleneck Transformers和ECA注意力机制,提高网络特征提取能力以及加强模型通道特征。实验结果表明,在自制数据集上,改进后的模型平均精度为93.2%,相比YOLOv5s提高了1.4%,模型参数量减少了29.5%,检测速度为92 fps,满足实时性与准确性的需求,为真空检漏机器人目标识别与定位提供了一种的解决方案。
文摘为使水果采摘机器人在复杂情况下如树叶遮挡、果实目标尺度变化大等情况能准确地检测出水果,提出一种YOLO(you only look once)改进模型与NMS(non-maximum suppression)改进算法的目标检测方法。首先,对传统YOLO深度卷积神经网络架构进行改进,设计一种更细化的SPP5(spatial pyramid pooling)特征融合网络模块,强化特征图多重感受野信息的融合,并基于此模块提出一种YOLOv4-SPP2-5模型,在标准YOLOv4网络中跨层添加并改进SPP层,重新分布池化核大小,增强感受野范围,从而降低目标误检率;其次,提出一种Greedy-Confluence的NMS改进算法,通过对高度接近的检测框直接抑制和对重叠检测框综合考虑距离交并比DIOU(distance-intersection over union)和加权接近度WP(weighted proximity)的方法,均衡NMS的计算消耗并减少检测框的错误抑制,从而提高遮挡、重叠物体的检测精度;最后,分别对改进方法进行性能测试,验证方法的可行性,随后制作水果检测数据集并进行格式转换和标签标注,然后采用数据增强技术对训练数据进行扩充,并使用K-means++聚类方法获取先验锚定框,在计算机上进行了水果检测实验。结果表明,基于改进YOLO网络及改进NMS的水果检测方法在准确率方面有显著的提高,平均精度均值(mean average precision,MAP)在YOLOv4上达到了96.65%,较原网络提升1.70%,并且实时性也得到了保证,在测试设备上达到了39.26帧/s。
