基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

并发任务对驾驶员驾驶行为的影响

驾驶过程中使用手机、收听音乐等并发任务会对驾驶员驾驶行为产生不同程度的影响,进 而给周围道路环境、车辆以及行人造成安全威胁。为了系统探析不同并发任务模式对驾驶员驾驶 行为的影响程度,以四种典型并发任务模式（手机使用、乘客互动、视频播放、音频播放） 为研 究对象,引入主成分分析法,构建面向驾驶员行为表现的综合评价体系。同时,以国外学者针对 不同并发任务进行模拟实验所用的原始数据作为数据来源,对四种并发任务对于驾驶员行为的不 同影响进行了评价。结果表明,使用手机对于驾驶员的驾驶行为影响最大,与乘客互动次之;视 觉上注意力的分散相对于认知上注意力的分散更容易对驾驶员的驾驶能力产生负面影响。     

基于注意力机制的TCS-YOLO船舶检测系统

针对当前海上环境复杂、噪声干扰严重及船舶检测存在漏检和误检等问题,提出一种基于注意力机制的TCS-YOLO船舶检测系统。该算法使用K-Means++聚类算法确定目标样本的锚框以提高先验框与船舶目标的尺寸匹配度;在YOLOv7的Neck部分引入Transformer Block以捕获全局信息和丰富的上下文信息;在YOLOv7的Head部分添加CA注意力机制,有助于模型更准确地定位和识别感兴趣的对象。并在自制的船舶数据集上进行试验,结果表明,该算法的平均精度均值达到70.5%,相比原始的YOLOv7算法值提高了5.1%,能更准确地检测船舶,满足在复杂海上环境中进行船舶检测的需求。     

基于舰载雷达小样本的低慢小目标识别方法

本文针对舰载雷达低、慢、小目标探测面临的小样本识别问题,提出一种基于小样本学习的低慢小目标分类识别方法。该方法将低慢小目标雷达回波数据转换到小波变换域,利用多头注意力机制和双向长短记忆人工神经网络相结合的方式,解决了小样本目标分类识别的问题。在低慢小目标雷达回波仿真数据集上,开展模型训练和算法验证,分析任务差异性与识别准确率的关系,实验结果表明该方法对典型低慢小目标识别精度可达90%以上,在雷达目标识别领域具有较好的应用价值。     

基于Transformer的交通标志检测模型研究

【目的】为了解决在复杂环境下,对小目标特征困难以及对小目标检测效果不佳等问题,提出了一种基于Transformer的交通标志检测基干模型。【方法】通过充分利用卷积和Transformer的优势,构建了一种注意力融合的多尺度特征提取基干模型,能够使基干网络以全局上下文信息为支撑,有选择地增强有用信息的特征,并抑制不重要的特征。此外,为了在增强特征融合的同时防止网络退化,还加入了类池连接。最后,在TT100K数据集上进行实验。【结果】实验结果表明,以该模型为骨干的元体系结构取得了最高84%的mAP,与基线模型相比m AP最大提升约7%。【结论】模型在提高特征提取效果的同时,也为交通标志检测提供了一种新的思路。     

基于多指标测试的驾驶疲劳高发时段

基于前期已被验证为有效的研究方法,引入经典的评价指标,结合新的注意力测试方法,完善实验设计,绘制了模拟情况下连续驾驶的疲劳曲线并评估被试者注意力集中程度的变化情况.基于室内实验经验和结果,制定室外实时测试方案并予以实施,得到了真实驾驶情况下驾驶疲劳的高发时间段,对室内实验的结果作出进一步的修正,指出了室内、外实验的差别.     

一种特征融合的视频事故快速检测方法

交通事故快速检测对于提升交通事故应急管理水平具有重要的现实意义.目前主流的视频事故检测算法较难同时满足高精度和低算力的要求,一定程度上制约了该技术的工程应用.针对存在的问题,本文提出了一种新的基于特征融合的视频事故快速检测方法,以期在有限算力成本下同时获得较高的检测精度和较快的检测速度.模型将特征融合通过两个步骤实现:...     

基于YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型：YOLO(YouOnlyLookOnce) v5模型、 YOLOv5+坐标注意力（CA,Coordinate Attention）改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。     

交通场景中基于注意力机制神经网络的人群计数

人群计数是计算机视觉领域的重要任务。交通场景中的人群计数任务对于维护公众出行安全、实现交通智能化具有重要作用。公共交通场景中通常存在行人相互遮挡、背景复杂等现象,给人群计数带来了困难。为了实现高精度的人群计数,研究了基于注意力机制的人群密度估计网络。网络包含3个部分：特征提取模块通过生成多尺度的特征图,增强网络的特征表达能力,提高网络对行人大小变化的鲁棒性;注意力模块通过抑制背景噪声响应,强化人群特征响应,生成特征图中人群区域的概率分布,增强网络区分人群区域与背景区域的能力;密度估计模块在注意力机制的约束下指导网络回归高分辨率的人群密度图,提高网络对人群区域的敏感性。设计了基于背景感知的结构损失函数,能够降低模型的错误识别率,提高模型的计数准确率;采用多级监督机制指导网络进行学习,能够帮助梯度反向传播和减少过度拟合,进一步提高网络的人群计数精度。在公共数据集ShanghaiTech上进行了实验,实验结果表明：与目前最先进的算法相比,在ShanghaiTechA和ShanghaiTechB数据集上,平均绝对误差（mean absolute error,MAE）分别提高了2.4%和1.5%...     

基于Attenton-LSTM神经网络的船舶航行预测

航行预测是无人艇关键技术之一。航行问题复杂度较高,传统的预测算法无法满足当前需求。为此,提出一种基于注意力机制-长短期记忆(Attention-Long Short Term Memory,Attention-LSTM)的多维船舶航行预测算法,结合船舶自动识别系统(Automatic Identification Systerm,AIS),采用注意力机制突出对船舶航行起关键作用的输入特征,实现对船舶未来时刻经度、纬度、航向、航速的预测。以成山角海域真实数据为例,进行仿真对比实验,结果表明所提方法具有更好的精确性和鲁棒性。