如果想成为中心，那么就到中心去吧。

目标跟踪是遥感领域空间地球观测的重要研究方向。虽然现有的基于相关滤波器和基于深度学习（DL）的目标跟踪算法取得了很大的成功，但对于目标遮挡问题仍然不能令人满意。由于背景的复杂变化而造成的遮挡和跟踪镜头的偏差，导致物体信息丢失，从而导致检测的遗漏。传统上，被遮挡下的目标跟踪方法大多采用复杂的网络模型，对被遮挡对象进行重新检测。为了解决这个问题，我们提出了一种新的目标跟踪方法。首先，建立了一个基于深度强化学习（DRL）的动作决策-遮挡处理网络（AD-OHNet），以实现遮挡下目标跟踪的低计算复杂度。

基于改进权重映射的高分辨率遥感影像建筑实例分割HA U-Net: Improved Model for Building Extraction From High Resolution Remote Sensing Imagery (SCI)地块尺度的山区耕地精准提取方法 （EI）基于深度学习的中国边境地区城市发展与安防研究基于Openpose改进的苹果生长方向检测Extraction of cropland field parcels with high resolution remote sensing

近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。

分段任意事物模型（SAM）的成功证明了以数据为中心的机器学习的重要性。然而，由于标注遥感（RS）图像的困难和高成本，大量有价值的RS数据仍未被标记，特别是在像素级。在本研究中，我们利用SAM和现有的RS目标检测数据集，开发了一个有效的管道来生成一个大规模的RS分割数据集，称为SAMRS。SAMRS在大小上比现有的高分辨率RS分割数据集多出几个数量级，并提供了对象类别、位置和实例信息，可以用于语义分割、实例分割和对象检测，可以单独或组合。我们还从各个方面对SAMRS进行了全面的分析。

我们介绍了FruitNeRF，一个统一的新的水果计数框架，利用最先进的视图合成方法直接在3D中计数任何水果类型。我们的框架采用一组由单眼相机捕获的无序姿态图像，并在每张图像中分割水果。为了使我们的系统独立于水果类型，我们使用了一个基础模型，为任何水果生成二进制分割掩模。利用RGB和语义这两种模式，我们训练了一个语义神经辐射场。通过对隐式果场的均匀体积采样，得到了纯果点云。通过对提取的点云进行级联聚类，实现了精确的果实计数。

本文提出了一种结合照相机和激光雷达数据的自动驾驶汽车多模态多目标跟踪（MOT）算法。相机帧使用最先进的三维物体探测器进行处理，而经典的聚类技术被用于处理激光雷达的观测结果。所提出的MOT算法包括一个三步进关联过程、一个用于估计每个被检测到的动态障碍的运动的扩展卡尔曼滤波器和一个轨迹管理阶段。EKF运动模型需要当前测量的被观测物体的相对位置和方向，以及自我车辆的纵向和角速度作为输入。与大多数最先进的多模态MOT方法不同，所提出的算法不依赖于地图或自我全局姿态的知识。

SuperPointDISKALIKEDXFeatLightGlue

自动地头转弯是农业作业中的重要组成部分。最小化时间和行驶距离，最大限度地提高车辆的运行效率是当前关注的问题。本研究试图提出一种基于非对称开关回转法的四轮车辆动态转弯路径规划方法。当农用车辆在现场滑动时，该算法将根据车辆的实时位置动态重新规划路线，以提高运行效率，减少频繁调整方向盘造成的机械磨损。仿真结果表明，当行宽为2m，并添加一些噪声时，该算法规划的轨迹长度减少了31.42 %，横向偏差降低了95.65 %。

随着速度方向的变化，我们引入了置信度和高度状态作为潜在的弱线索。此外，通过强线索和弱线索，我们的方法Hybrid-SORT在不同的基准上取得了优越的性能，包括MOT17、MOT20、MOT20，特别是在舞蹈跟踪中，在复杂的运动中经常发生交互和严重的阻塞。在本文中，我们提出了一种新的鲁棒的最先进的跟踪器，它可以结合运动和外观信息的优点，以及相机运动补偿，和一个更精确的卡尔曼滤波状态向量。尽管只使用了一个熟悉的技术的基本组合，如卡尔曼滤波器和匈牙利算法的跟踪组件，这种方法实现了与最先进的在线跟踪器相当的精度。

野外动态障碍物的多目标跟踪（MOT）是农业机器人实现动态避障的重要前提。农村地区复杂、不可预测的道路环境会对机器人造成严重的振动，影响摄像机的姿势，从而导致物体匹配错误。因此，我们提出了一种改进的方法，即深度感知观测中心简单在线实时跟踪（DA-OCSORT），其中包括两个新模块，即基于惯性测量单元（IMU）的相机运动补偿（ICMC）和深度感知（DA）。该方法可以利用IMU信息对摄像机的自我运动进行补偿，并通过物体深度信息进行多维匹配，从而最大限度地减少摄像机运动对跟踪过程的影响。

在本文中，我们提出了一个简单而有效的框架，称为光跟踪，用于在线人体姿态跟踪。现有的方法通常在顺序阶段进行人工检测、姿态估计和跟踪，其中姿态跟踪视为离线二部匹配问题。我们提出的框架被设计为通用的、高效的和真正的在线的方法。为了提高效率，单人姿态跟踪（SPT）和视觉对象跟踪（VOT）被合并为一个统一的在线功能实体，很容易由一个可替换的单人姿态估计器实现。为了降低离线优化成本，该框架还将SPT与在线身份关联联系起来，并首次阐明了多人关键点跟踪与多目标对象跟踪（MOT）的桥梁。

虽然这种假设对于非常短的闭塞时间是可以接受的，但对长时间运动的线性估计可能是非常不准确的。在这项工作中，我们证明了一个基本的卡尔曼滤波器仍然可以获得最先进的跟踪性能，如果采取适当的注意来修复在遮挡期间积累的噪声。我们不仅仅依赖于线性状态估计（即以估计为中心的方法），而是使用目标观测（即目标检测器的测量）来计算遮挡周期内的虚拟轨迹，以确定遮挡期间滤波器参数的误差积累。我们将我们的方法命名为以观察为中心的SORT（OC-SORT）。它仍然是简单的、在线和实时的，但提高了在遮挡和非线性运动时的鲁棒性。

局部规划是移动机器人实现完全自主的关键技术之一，已得到广泛的研究。为了统一、全面的评价移动机器人局部规划方法，本文提出了一种移动机器人局部规划基准MRPB 1.0。基准促进运动规划研究人员想要比较新的性能本地规划师相对于许多其他先进的方法以及终端用户在移动机器人行业想要选择一个本地规划表现最好的一些感兴趣的问题。我们精心设计了各种模拟场景，以挑战本地规划者的适用性，包括大规模、部分未知和动态的复杂环境。

现有的基于三维点的动态点检测和去除方法具有显著的时间开销，使其难以适应激光雷达-惯性测程系统。本文提出了一种基于标签一致性的动态点检测和去除方法，用于处理自动驾驶场景中的移动车辆和行人，并将所提出的动态点检测和去除方法嵌入到一个自设计的激光雷达-惯性测程系统中。在三个公共数据集上的实验结果表明，我们的方法可以在LIO系统中以极低的计算开销（即1∼9ms）完成动态点检测和去除，同时实现与最先进的方法相当的保存率和拒绝率，显著提高了姿态估计的精度。我们已经发布了这项工作的源代码。

多传感器的融合可解决传感器的非线性和不确定性问题，针对 GPS 和 SLAM在复杂环境下无法单独为无人车提供准确定位的问题，提出一种基于点云地图匹配的重定位算法，通过融合地图匹配定位及 GPS 定位结果获取无人车的准确位姿信息。本文主要分为 4 个部分：(1) 根据无人驾驶平台，构建基于激光雷达重定位硬件与软件系统。研究了三维激光雷达数据处理和多传感器同步算法，具体包括激光传感器位置标定、点云数据噪点滤除、点云畸变校正、多传感器数据同步，最后实现了多个传感器在时间和空间维度上的同步。

在农业场景下，SLAM（Simultaneous Localization and Mapping）应用通常用于农业机器人、自主车辆或者无人机等设备的导航和场地监测。这些设备需要能够在未知的或者变化的农田环境中准确定位自身位置，并且构建地图以便执行任务，例如喷洒农药、种植作物或者检测土壤质量等。以下是在农业场景下SLAM应用的简单描述：定位与导航： 农业机器人或者无人机需要准确的定位信息来执行任务，例如在指定的区域喷洒农药或者施肥。

自主导航是野外机器人执行精确农业任务的先决条件。通常情况下，机器人必须在一个季节内在整个农田中导航几次，以监测植物、施用农用化学品或执行有针对性的干预行动。在本文中，我们提出了一个利用常规的作物行结构进行行作物田导航的框架。我们的方法只使用来自车载摄像机的图像，而不需要执行显式定位或维护现场地图，因此可以在没有农业自动化系统中经常使用的昂贵的RTK-GPS解决方案的情况下运行。我们的导航方法允许机器人准确地跟随裁剪行，并在同一框架内无缝地处理到下一行的开关。

目前我国农业技术的不断进步，智慧农业和精准农业成为未来农业发展的主要趋势，近年来，随着光学成像系统和图像处理技术不断更新和发展，从图像层面对作物生长发育情况进行分析的表型获取方式已逐渐得到育种学家的认可。小麦作为一种重要的粮食作物，是世界上分布最广泛的粮食作物之一，在我国农业生产中占有非常重要的地位，如何打破其传统表型获取瓶颈，通过高通量作物表型平台实现高通量、无损、精准动态解析，进一步挖掘其与遗传机制存在的潜在联系，在小麦遗传育种研究中具有重要意义。

摘要：此存储库是UrbanNav数据集的使用页面。在城市峡谷中，由于高楼林立，GNSS的精度受到严重挑战，导致大量的非视距(NLOS)接收和多路径效应。UrbanNav数据集希望为社区提供一个具有挑战性的数据来源，以进一步加快在具有挑战性的城市峡谷中进行准确和稳健定位的研究。数据集包括来自GNSS接收机、激光雷达、相机和IMU的传感器测量数据，以及来自SPAN-CPT系统的准确地面事实。简而言之，UrbanNav数据集特别关注改善GNSS在城市峡谷中的定位，但也提供来自激光雷达、相机和IMU的传感器测量。

我们专注于检测有意义的线结构的基本任务，也就是自然场景中的语义线。以往的许多方法都将此问题视为目标检测的一种特殊情况，并调整现有的目标检测器以进行语义线检测。然而，这些方法忽略了线路的固有特性，导致了性能的次优。线具有比复杂对象的更简单的几何性质，因此可以通过一些参数紧凑地参数化。为了更好地利用线的性质，本文将经典的霍夫变换技术整合到深度学习表示中，并提出了一种用于线检测的一次性端到端学习框架。通过参数化具有斜率和偏差的线，我们执行霍夫th将深度表示转换为参数域，其中我们执行线检测。

我们提出了一种实时的里程测量和映射的方法，使用距离测量从一个2轴激光雷达移动在6-DOF中。这个问题很困难，因为距离测量接收在不同的时间，和运动估计的误差会导致产生的点云的错误配准结果。到目前为止，连贯的3D地图可以通过离线批处理方法建立，通常使用循环闭包来纠正随时间变化的漂移。我们的方法实现了低漂移和低计算复杂度，而不需要高精度的测距或惯性测量。获得这种性能水平的关键思想是将复杂的同时定位和映射问题进行划分，该问题寻求通过两种算法同时优化大量的变量。

随着传感器技术的不断发展和计算机对环境的感知能力的增强，以及深度学习、强化学习等科学技术的突破，无人驾驶技术成为了一个备受关注的领域。在这种大环境下，无人驾驶技术已经被推向了新的高潮。当前无人驾驶主要分为两大阵营，一是依靠传感器、计算平台不断提高车辆自身的识别检测能力，称为单车智能驾驶，另一类是依靠高带宽低延时的通信技术和增加路测的辅助设备来实现，称为网联车智能驾驶。前者的主要问题是单车能耗和成本高，观测不充分，后者的问题是通信延时高。同时二者都存在地图精度低、定位精度低频率慢等缺点。

近年来，随着移动机器人的不断发展，室外巡检机器人逐渐应用于日常生活中。传统的室外移动机器人是基于全球卫星定位系统（Global Positioning System，GPS）或者惯性导航系统（Inertial Navigation System，INS）进行定位，然而当 GPS 信号受到非视距与多路径等因素影响时，传统依靠 GPS 定位的方法出现较大偏差，此外当移动机器人行驶到 GPS 拒止环境中时，会出现无法获取 GPS 定位数据的情况。

采用现有无人车导航系统进行农作物育种表型信息的监测与采集时，存在因育种小区数量较多导致的导航目标点人工测量工作量大的问题，且育种田块不同于大田作物以A-B 线为基线的路径规划方法，无人车需要根据育种材料编号自动行进到某一指定位置进行作物表型信息采集。因此，为提高导航效率和降低人工劳动强度，本文基于无人机遥感对无人车的导航系统进行了研究。通过无人机获取玉米育种田的遥感影像并进行拼接和位置矫正，生成正射影像和数字地表模型（Digital Surface Model，DSM）。

基于激光雷达的SLAM在不利天气（如雨、雪、烟雾、雾）中很容易失效，而mmWave雷达则不受影响。然而，目前的研究主要集中在2D（x、y）或3D（x、y、多普勒）雷达和3D激光雷达上，而4D雷达（x、y、z、多普勒）的工作有限。4D雷达作为具有独特特征的市场新入口，输出三维点云，而不是2D点云；与3D激光雷达相比，四维雷达具有噪声更稀疏的点云，使得提取几何特征（边缘和平面）更具挑战性。在本文中，我们提出了一个由三个模块组成的四维雷达测距系统： 1)前端模块进行扫描到扫描匹配计算测程，考虑每个点的概率分布；

果园中基于GPS的导航可能是不稳定的，因为树木可能会阻塞GPS信号或引入多路径错误。关于没有GPS的机器人导航的研究大多集中在果园行内部的引导上；行端检测还没有得到足够的重视。此外，行之间的导航依赖于参考地图或人工地标。本文提出了一种新的行端检测方法，它可以检测到当机器人靠近行端时，感知点云的统计分布的急剧变化。还实现了一种行输入方法，它构建了一个由响应路径跟踪器使用的本地映射。该系统在一个葡萄园的一个24排进行了评估。

一个有效的人重识别（re-ID）模型应该学习特征表示，这些特征表示既可以区分长相相似的人，又可以在不进行任何调整的情况下跨数据集进行部署。在本文中，我们开发了新的CNN体系结构来解决这两个挑战。首先，我们提出了一种被称为全尺度网络（OSNet）的重构CNN，以学习不仅捕获不同空间尺度的特征，而且还封装了多个尺度的协同组合，即全尺度特征。基本的构建块由多个卷积流组成，每个流都在一定的尺度上检测特征。在全尺度特征学习中，引入了一个统一的聚合门来动态融合多尺度特征与信道权值。

语义地图使用一组语义上有意义的对象来表示环境。这种表示具有存储效率、更模糊、信息更丰富，从而促进了在高度非结构化、被gps拒绝的环境中大规模自主和获取可操作信息。在这封信中，我们提出了一个集成的系统，它可以在具有挑战性的冠层下环境中执行大规模的自主飞行和实时语义映射。我们从激光雷达数据中检测和建模树干和地面平面，这些数据通过扫描相关联，并用于约束机器人的姿态和树干模型。自主导航模块利用多层规划和映射框架，并计算动态可行的轨迹，引导无人机以计算和存储高效的方式构建用户定义的感兴趣区域的语义地图。

在视觉惯性导航系统（VINS）中，对视觉地标的精确和长距离深度估计具有挑战性。在具有光照变化、移动物体或弱纹理的视觉退化场景中，深度估计可能更加困难，导致鲁棒性和准确性较差。对于低速机器人导航，我们提出了一种固态-lidar增强型VINS（LE-VINS），以提高系统在具有挑战性的环境下的鲁棒性和准确性。来自固态激光雷达的点云被投影到具有惯性导航系统（INS）姿态的视觉关键帧上，以进行深度关联，同时补偿运动失真。提出了一种具有有效平面检查算法的鲁棒深度关联方法来估计地标深度。

目的：准确、可靠地分割医学图像对疾病的诊断和治疗具有重要意义。这是一项具有挑战性的任务，因为物体的大小，形状，和扫描形式的广泛变化。近年来，许多卷积神经网络（CNN）被设计用于分割任务，并取得了巨大的成功。然而，很少有研究充分考虑了物体的大小，因此大多数研究表明，小物体的分割性能较差。这可能对早期发现疾病产生重大影响。方法：本文提出了一种上下文轴向反向注意网络（CaraNet），与最近几种常用的模型相比，可以提高对小物体的分割性能。

主流的人群计数方法通常利用卷积神经网络（CNN）来回归密度图，需要点级的注释。然而，用一个点来注释每个人是一个昂贵而费力的过程。在测试阶段，不考虑点级注释来评估计数的准确性，这意味着点级注释是冗余的。因此，我们希望开发仅依赖于计数级注释的弱监督计数方法，这是一种更经济的标记方法。目前的弱监督计数方法采用CNN通过图像计数范式回归人群总数。然而，对于上下文建模的接受域有限是这些基于弱监督的基于cnn的方法的内在局限性。因此，这些方法不能达到令人满意的性能，在实际字的应用有限。

水稻植株计数在产量估算、生长诊断、灾害损失评估等方面至关重要。目前，水稻计数仍然严重依赖于繁琐和耗时的人工操作。为了减轻水稻计数的工作量，我们采用无人机（无人机）采集了稻田的RGB图像。在此基础上，我们提出了一种新的水稻植株计数、定位和大小调整方法（RiceNet），该方法由一个特征提取器前端和3个特征解码器模块组成，即密度图估计器、植物位置检测器和植物大小估计器。在RiceNet中，水稻植株注意机制和正负损失旨在提高植物与背景的区分能力和估计密度图的质量。

Meta AI最近发布了“分段任何东西模型”（SAM），该模型因其在类不可知分割方面令人印象深刻的表现而获得了关注。在本研究中，我们探讨了使用SAM进行具有挑战性的少镜头对象计数任务，即通过提供几个边界框来计数一个看不见类别的对象。我们将SAM的性能与其他少量的镜头计数方法进行了比较，发现目前没有进一步的微调，它并不令人满意，特别是对于小的和拥挤的对象。

实例分割任务是众所周知的目标检测任务的扩展，在许多领域都有很大的帮助，如精确农业：能够自动识别植物器官及其可能相关的疾病，可以有效地扩大规模和自动化作物监测及其疾病控制。为了解决与葡萄藤植物早期疾病检测和诊断相关的问题，我们建立了一个新的数据集，目的是通过实例分割方法推进疾病识别的技术水平。这是通过收集在自然环境中受疾病影响的叶子和葡萄簇的图像来实现的。该数据集包含10种物体类型的照片，其中包括有或没有葡萄八种常见葡萄疾病症状的叶子和葡萄，共计1092张图片中的17706个标记实例。

文章目录一区四区一区COMPUTERS AND ELECTRONICS IN AGRICULTURE（2022， IF=6.757 ）Plant Phenomics(2022, IF=6.961)四区Physical Communication(2022, IF=2.379)

摘要：我们提出了使用安装在无人机（UAV）上的3D光探测和测距（激光雷达）传感器来测量作物高度的技术。了解植物的高度对于监测其整体健康和生长周期至关重要，特别是对于高通量植物表型。我们提出了一种从三维激光雷达点云中提取植物高的方法，特别关注基于绘图的表型环境。该工具创建了一个随机的3D工厂和地形模型。我们在控制和自然环境下进行了一系列的模拟和硬件实验。我们的算法能够估计112个地块的株高，均方根误差（RMSE）为6.1 cm。所开发的模拟工具链、算法实现和数据集可以在我们的GitHub存储库中找到。

作物幼苗计数是一项需要时间的活动，涉及多种农业实践，如植物种植、实验试验、植物育种程序和杂草控制。携带RGB摄像机的无人机（uav）是一种新的现场自动作图工具，利用深度学习方法对无人机图像进行分析，可以提供相关的农艺信息。本研究实现了基于无人机的摄像机系统和深度学习图像分析管道，用于甜菜、玉米和草莓田的全自动植物计数。在不同的生长阶段监测了5个地点，并利用全卷积网络（FCN）管道自动预测每个小区的作物数量。

主动学习的目的是通过在数据集上只选择信息最丰富的样本来降低标记成本。现有的工作很少涉及目标检测的主动学习。这些方法大多基于多个模型或是分类方法的直接扩展，因此仅使用分类头来估计图像的信息量。在本文中，我们提出了一种新的深度主动学习的目标检测方法。我们的方法依赖于混合密度网络，它估计每个定位和分类头的输出的概率分布。我们明确地估计了单一模型的单一正向传递的任意性和认知的不确定性。我们的方法使用一个评分函数，将这两种类型的不确定性聚合为两个头部，以获得每幅图像的信息性得分。

中国是世界上荔枝产量最大的国家。但目前，荔枝以人工采摘为主，水果农户劳动强度高，生产效率低。这意味着智能无人采摘系统具有广阔的应用前景。荔枝主采干点的精确位置对无人系统的路径规划非常重要。一些研究人员已经鉴定了荔枝的果实和枝条，但对荔枝主要茎采摘点位置的研究相对较少。因此，本文提出了一种新的开放获取的工作流程，用于检测主茎上的准确采摘位置，并提出了在案例研究中使用的数据。同时，本文还比较了几种不同的主干检测和分割网络架构，并分别选择YOLOv5和PSPNet作为最有前途的主干检测和分割任务的模型。

研制的初代机器人能够实现无障碍的果实采摘,而对于复杂的柑橘果园情况,果实被枝干障碍物遮挡普遍存在,因此如何获得果树枝干信息以指导机械臂进行避障采摘具有重要研究意义。介绍了卷积神经网络的各结构模块,分析了基于神经网络的主要目标检测算法,包括YOLO算法和Mask RCNN算法等,针对各算法识别效果和本文研究目的,确定了以Mask RCNN算法为基础的算法模型。基于这一点,本文对mask进行了最小外接矩处理,获得的外接矩边框能够更容易获得枝干的偏转信息,同时外接矩处理后的结果也为后续研究做好了铺垫。