【摘 要】
：
针对复杂交通场景中交通警察目标检测与定位准确率低的问题，提出一种优化YOLOv4模型的交通警察目标检测方法。首先，采用4种随机转换方式对自建的交通警察数据集进行扩充，解决了模型过拟合问题并提高模型的泛化能力；其次，将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构，有效的减少了参数总量并加深了网络层数；然后，使用K-means++聚类算法对自建数据集进行
论文部分内容阅读
针对复杂交通场景中交通警察目标检测与定位准确率低的问题，提出一种优化YOLOv4模型的交通警察目标检测方法。首先，采用4种随机转换方式对自建的交通警察数据集进行扩充，解决了模型过拟合问题并提高模型的泛化能力；其次，将YOLOv4主干网络替换为MobileNet并引入Inception-Resnet-v1结构，有效的减少了参数总量并加深了网络层数；然后，使用K-means++聚类算法对自建数据集进行聚类分析以重新定义网络的初始候选框，提高了交通警察目标深度特征的学习效率；最后，引入焦点损失函数以优化分
其他文献
继2013年SARS以来，新型冠状病毒肺炎疫情再次引起了全社会对于公共卫生和传染病防治的高度关注。新冠肺炎是一个需要多学科、多行业、多部门协同努力才能有效应对的重大公共健康挑战，城市规划学科在此过程中应该有所贡献。其中，通过合理设计和优化城市形态以促进城市通风就是重要的途径之一。
在常规的城市综合防灾减灾专项规划中，主要考虑“地震、火灾、洪水、风灾、地质破坏”五大类灾害，这也是在城市总体规划中要求必须纳入考虑的内容，另外还有我国特色的人防规划。传染病疫情在防灾减灾规划和医疗卫生专项规划中都少有涉及，因为传统的经验认为这部分内容似乎不能称之为灾害，并且与城市规划建设关系不太紧密。
新型冠状病毒肺炎疫情正在肆虐广大人民的健康生活，大规模破坏的代价显而易见且就在眼前，规划工作者一方面要积极参与应急行动，为疫情缓解出谋划策，另一方面要预为谋划，思考如何将惨痛的代价创造性地转化为城市长远的进步与繁荣。规划重建疫后新家园新生活，既是物质建设也是经济建设与社会建设。如何从病疫的破坏中创生新的经济形态，提升就业改善生活，寻求从破坏到繁荣与复兴之路？
当前，全国正处于新型冠状病毒肺炎疫情一级响应期间。规划是一个预测性、前瞻性的专业，面对突发性公共事件我们要总结和思考，为将来的工作做好理论与技术的储备。笔者参与了南京市三版城市总体规划的编制工作，长期从事城市规划管理实践，尤其是参与了2003年非典疫情应急医院选址建设等具体工作，拟以公共卫生事件应对为例，从规划实务操作角度，谈谈特大城市应对公共卫生事件的几点体会。
正确的行动，源自于正确的认识。我们首先要以对立统一的思维，辩证认识突发公共卫生事件的影响。我国作为14亿人口的大国，突发公共卫生事件既具有偶然性也具有必然性。我们既不能因轻视而导致疫情来临时手忙脚乱，也不能因恐惧而致平时都寸步难行。换言之，我们不能仅仅依据单一方面来决定所有的规划应对，而应把矛盾的普遍性和特殊性有机地结合起来。开放是城市的常态，只有促进要素自由流动、增进人与人的交流接触，才能提高经
对于城乡规划学科与行业而言，新型冠状病毒肺炎的爆发全面检验了我国改革开放40余年以来形成的城乡规划与地方发展模式，并提出了一个重大的亟需研究的新议题：“三高”(高流动、高密度、高强度)背景下兼容极端条件的社区空间治理。“上面千条线，下面一根针”，社区是城乡空间治理的基础单元，是居民日常生活的主要空间，良好的社区空间设计及功能配置是建设健康城乡的基础。在此次全民“抗疫战争”中，社区是肺炎病毒跟踪及控
骨干网络特征提取不充分以及浅层卷积层缺乏语义信息等往往导致了对于小目标检测的效果不佳，为提高小目标检测的精确性与鲁棒性，本文提出一种融合注意力机制的深层次小目标检测算法。首先针对骨干网络特征提取能力不足的问题，选用Darknet-53作为特征提取网络，通过构建新的分组残差连接来替换原Darknet-53中的残差连接结构，形成新的I-Darknet53骨干增强网络，该分组残差结构可通过交织不同通道的
土壤湿度为陆地生态系统水循环和能量收支的关键参数，陆面数据同化系统可获得时空连续的土壤湿度数据，但由于空间分辨率较低限制了进一步应用。以华北地区作为研究区，基于单一模型（梯度提升机、深度前馈神经网络和随机森林）以及Stacking集成学习方法，对中国气象局陆面数据同化系统(CLDAS-V2.0) 0～10 cm土层土壤湿度产品开展了降尺度研究，2019年4—10月降尺度模型的估算结果表明，0～10
3D目标检测是计算机视觉和自动驾驶中一项重要的场景理解任务。LiDAR可以提供准确的3D信息但价格昂贵，单目相机价格便宜却缺乏可靠的深度信息。因此，基于立体图像的3D目标检测方法成为当前研究的热点。当前基于立体图像的3D目标检测方法大多没有充分考虑多个目标之间的尺度存在较大差异，从而尺度小的物体容易被忽略，导致检测精度低。针对这一问题，提出了一种基于立体图像的多路径特征金字塔网络（Multipat
基于可见光、红外双模态数据的场景语义分割在多种复杂环境下较单模态显示出了更好的性能。然而，好的性能是在可见光相机和红外热像仪成像均清晰的基础上取得的。而真实场景中存在着诸多不利的环境条件，如恶劣光照和恶劣天气会对可见光或红外具有不同程度的干扰，限制了这些基于双模态方法的性能发挥。为了解决这个问题，提出了一种新型的双模态语义分割模型，以可见光和红外热图像为基础，在像素级、特征级上融合双模态信息来使得