In this work, we demonstrate that the theory of cone-beam tomography image reconstruction on chords can be modified for use with local tomography problems. Our analysis reveals that discontinuities in the profiles of ...In this work, we demonstrate that the theory of cone-beam tomography image reconstruction on chords can be modified for use with local tomography problems. Our analysis reveals that discontinuities in the profiles of the object function along chords can be reconstructed readily. By consideration of all possible chords, an image that de-scribes the location of boundaries within an object can be reconstructed. A preliminary numerical study is conducted to validate and demonstrate the reconstruction method.展开更多
道路交通锥是用于高速公路和城市道路维护的安全隔离标志,采用自动化设备对其进行收放可提高作业效率,并降低传统人工收放方式带来的作业人员安全隐患。对交通锥进行精确的目标检测是确保自动化收放设备正常工作的关键。为提高识别效率...道路交通锥是用于高速公路和城市道路维护的安全隔离标志,采用自动化设备对其进行收放可提高作业效率,并降低传统人工收放方式带来的作业人员安全隐患。对交通锥进行精确的目标检测是确保自动化收放设备正常工作的关键。为提高识别效率,同时保证模型检测准确性并降低模型计算量和内存需求,本文提出了一种轻量化道路交通锥检测的TraCone-YOLO(TraCone-You Only Look Once)算法。首先,采用基于共享深度可分离卷积的高效检测头,使模型在推理时更加高效;其次,在特征提取过程中使用RepC2f模块,增强模型提取多尺度特征信息的能力;最后,通过引入ELA(Efficient Local Attention)注意力模块,提出ELA-HSFPN(ELA-Hierarchical Scale-based Feature Pyramid Network)网络结构进行多尺度特征融合,进一步增强模型的特征表达能力。针对原有的交通锥数据集TraCon缺少不同天气和光照强度的样本,本文对TraCon交通锥数据集进行了数据增强,以模拟实际场景中的不同天气条件,有效扩充训练样本,从而提升模型的泛化能力和鲁棒性。实验结果表明,改进后的模型与原模型相比,参数量和计算量分别减少了56.2%和55.6%,均值平均精度达92.6%,与原模型相比仅下降0.4个百分点。该算法在实现模型轻量化的同时,能够保持良好的检测性能。展开更多
文摘In this work, we demonstrate that the theory of cone-beam tomography image reconstruction on chords can be modified for use with local tomography problems. Our analysis reveals that discontinuities in the profiles of the object function along chords can be reconstructed readily. By consideration of all possible chords, an image that de-scribes the location of boundaries within an object can be reconstructed. A preliminary numerical study is conducted to validate and demonstrate the reconstruction method.
文摘道路交通锥是用于高速公路和城市道路维护的安全隔离标志,采用自动化设备对其进行收放可提高作业效率,并降低传统人工收放方式带来的作业人员安全隐患。对交通锥进行精确的目标检测是确保自动化收放设备正常工作的关键。为提高识别效率,同时保证模型检测准确性并降低模型计算量和内存需求,本文提出了一种轻量化道路交通锥检测的TraCone-YOLO(TraCone-You Only Look Once)算法。首先,采用基于共享深度可分离卷积的高效检测头,使模型在推理时更加高效;其次,在特征提取过程中使用RepC2f模块,增强模型提取多尺度特征信息的能力;最后,通过引入ELA(Efficient Local Attention)注意力模块,提出ELA-HSFPN(ELA-Hierarchical Scale-based Feature Pyramid Network)网络结构进行多尺度特征融合,进一步增强模型的特征表达能力。针对原有的交通锥数据集TraCon缺少不同天气和光照强度的样本,本文对TraCon交通锥数据集进行了数据增强,以模拟实际场景中的不同天气条件,有效扩充训练样本,从而提升模型的泛化能力和鲁棒性。实验结果表明,改进后的模型与原模型相比,参数量和计算量分别减少了56.2%和55.6%,均值平均精度达92.6%,与原模型相比仅下降0.4个百分点。该算法在实现模型轻量化的同时,能够保持良好的检测性能。
