关键词： 麻雀搜索算法   课堂图像处理   注意力机制   高斯变异   Levy飞行  

摘要： 为提升课堂照片批量处理的效率与质量,本研究提出一种改进麻雀搜索算法(I-SSA)。针对标准麻雀搜索算法(SSA)存在的鲁棒性较弱、收敛速度慢和易陷入局部最优等缺陷,引入注意力机制、高斯变异和莱维飞行(Levy)机制进行优化。实验表明:在200张课堂照片处理任务中,I-SSA相较于标准SSA使峰值信噪比(PSNR)提升18.7%,处理时间缩短32.4%,图像质量主观评分提高26.3%。本研究不仅为教育信息化中的图像处理任务提供了高效的解决方案,还为视频流实时处理等扩展应用奠定了技术基础。

关键词： 斗殴行为   公共安全   目标检测   YOLO  

摘要： 在公共场合,异常斗殴行为对公共安全来说是极大的隐患。为了配合监控实时检测人的异常行为,提出一种基于YOLOv8n的实时精准公共场合异常行为检测算法——Swin-YOLO。首先,在主干网络将C2f模块替换为能够提高特征融合度的Swin-Conv模块,以改善主干网络的特征融合效率;其次,在主干网络中插入ParNet注意力机制,以更好地提取丰富的全局信息。由于缺少专门针对公众场合斗殴行为的公开数据集,本文通过自建数据集与公共数据集结合进行实验。实验结果表明:相比原有的基础YOLOv8n目标检测模型,改进的算法的mAP50综合指标达到了87.8%,提升了2.5%。同时,改进的算法能够保持1 ms的推理速度,在实际应用中达到了94.8%的检测率,能够符合实时检测的要求。

关键词： 人工智能   计算机视觉   神经网络   结构化剪枝  

摘要： 近年来,神经网络剪枝已成为视觉模型落地的先导性技术。本文提出一种端到端的结构化剪枝方法,基于批标准化层(Batch Normalization,BN)缩放参数及输出特征图零激活率的联合准则对输出通道的重要性进行综合评估。在剪枝训练期间,逐步移除对模型性能影响较弱的输出通道。在CIFAR-10和CIFAR-100数据集上针对ResNet-110和ResNet-56的剪枝实验证明了该方法的有效性。其中,在CIFAR-10上训练的ResNet-110浮点运算次数(Floating Point Operations,FLOPs)可减少59.1%,精度损失仅0.14%。

关键词： 自动驾驶   3D目标检测   多传感器   特征融合   注意力机制   深度学习  

摘要： 随着科技“大爆炸”时代的来临,自动驾驶迎来了快速发展时期,3D目标检测的作用也日益突出。其中以多传感器融合为基础的目标检测方式得到不断优化与改进,但是当前的融合方式仍较“粗放”,未考虑不同传感器的特性对融合效果的影响。基于以上情况,结合语义分割的方法提出了一种基于注意力机制引导的特征融合模块(AGFM),用于优化不同模态数据的融合。AGFM通过语义分割和注意力机制动态调整LiDAR和相机特征的权重,充分地融合两种模态的特征。此外,该算法还结合了鸟瞰图(BEV)特征融合方法,进一步提升了检测性能。在nuScenes数据集上对所提出的方法进行了验证,实验结果表明,该算法实现了两种模态数据的深度融合,并且使3D目标检测结果达到了SOTA水平。

关键词： 鸟类识别   目标检测   CSRA残差注意力机制   YOLOv10n  

摘要： 鸟类的种类和数量变化可体现当地生态环境状况,是反映当地生物多样性变化的重要指标.传统基于观察者的鸟类生物多样性调查存在成本高、主观随机性大等问题,高效准确的鸟类识别与分类方法对于鸟类动态和当地生态监测意义重大.为此,提出融入CSRA(Class-Specific Residual Attention)残差注意力机制的YOLOv10n鸟类识别与分类方法,提升分类精度,增强模型鲁棒性.实验表明,新方法在鸟类识别任务中准确率达85.8%,相较初始模型提高3.7%.

关键词： BiFPN   YOLOv8   皮革   缺陷识别   目标检测   多尺度特征融合   深度学习   优化策略  

摘要： 传统的图像处理方法难以有效应对复杂背景和不同尺度的缺陷,文章提出了一种融合双向特征金字塔网络(BiFPN)的YOLOv8架构优化策略,旨在提升皮革缺陷识别的精度和效率。YOLOv8作为一种高效的目标检测框架,结合BiFPN的多尺度特征融合优势,增强了模型在复杂背景下的特征提取能力。通过在YOLOv8中引入BiFPN模块,模型能够更好地捕捉不同尺度的皮革缺陷,并通过优化后的损失函数进一步提高识别的准确性和稳定性。实验结果表明,改进前的YOLOv8权重为6.3 MB,改进后降至4.3 MB,且mAP50提高了0.2%。该优化策略相较于传统方法和未融合BiFPN的YOLOv8,提升了识别精度和识别速度,优化了YOLOv8框架在皮革缺陷检测中的有效性及实际应用潜力。

关键词： 大型视觉语言模型   计算机视觉   施工安全   智能监控   提示词工程  

摘要： 针对施工安全监控过程中,传统视觉模型构建成本高、应用范围窄等问题,提出一种基于大型视觉语言模型(LVLM)的全新解决方案。基于开源预训练LVLM,提出包括文本提示、图像附加信息、图像样本提示等多类适用于施工安全监控任务的提示词策略,实现LVLM对施工监控图像的理解与推理,并设计了基于LVLM的智能监控工作流程与系统架构。研究成果被应用于管理人员离岗识别、危险区域侵入识别、以及违规施工行为识别等多项典型施工安全监控场景。实际数据验证表明,通过合适的提示词策略,LVLM无需数据标注与模型训练,便可实现接近主流深度学习模型的识别准确率,同时具有构建成本低、落地速度快、任务适应灵活等优势,在图像识别与智能监控领域具有应用潜力。

关键词： 目标检测   无人机图像   注意力机制   YOLOv7   特征表达   NWD  

摘要： 针对无人机图像中广泛分布的小目标及复杂多变的背景环境导致的识别精度低的问题,文中提出一种优化的无人机图像小目标检测方法。该方法基于YOLOv7算法,首先,设计了一种混合注意力混洗模块并将其加入到池化层以构建复杂环境下小目标的特征提取模块MP-HASM,来强化通道间的信息交互,提高全局信息的捕捉;其次,在层聚合模块处引入双级路由注意力来构建新的模块ELEN-BRA,使模型更聚焦于关键信息;然后,在颈部增加超高分辨率检测层,以此丰富网络检测尺度,获取更精细的特征信息;最后,引入NWD度量来构建CNWD损失函数,以有效处理无人机图像中多变的尺度特征。实验结果证明,改进算法在Visdrone2019数据集取得了良好的效果,精确率、召回率、mAP@0.5相比原模型分别提升了2%、3.3%、3%,同时具有较快的检测速度,该方法能够胜任复杂场景下的无人机图像检测需求。

关键词： 非合作通信信号   时频参数估计   深度学习   YOLOv8网络   MF-TDMA   增强谱图   目标检测  

摘要： 为了提高军事侦察、信号情报收集等非合作场景下对通信信号时频参数估计的准确性和鲁棒性,文中提出一种基于深度学习的时频参数估计架构。首先,选取MF-TDMA信号为研究对象,该信号模型允许多个用户共享同一频带,通过动态分配时频资源使频谱利用率达到最大化;接着,利用MF-TDMA信号的特点,生成大量的仿真样本,并使用STFT时频谱及其增强谱制作数据集;最后,构建一个以目标检测网络中的YOLOv8网络为基础的深度学习架构对自定义数据集进行训练,从而得到图像中每个突发的位置。实验结果表明,增强谱作为输入显著提升了检测精度,降低了估计偏移量,而且提出的深度学习系统架构在不同信噪比条件下均能保持较高的检测精度,与其他典型网络相比,YOLOv8网络在多种条件下均显示出更为优越的性能。

关键词： YOLOv7算法   目标检测   深度学习   无人机   松材线虫病  

摘要： 松树是世界上分布广泛的树种之一,具有重要的生态和经济价值。松材线虫病(PWD)是一种毁灭性的全球性森林疾病,致病力强、发病时间短、传播速度快,对松树生态系统构成重大威胁,造成严重的生态和经济损失。无人机航拍和基于深度学习目标检测算法的应用是目前监测PWD的一种常用手段。但为了在短时间内完成大面积的航拍,无人机往往处于较高的飞行高度,导致获取的地面影像分辨率低,疫木目标较小,因而疫木检测识别精度偏低。针对这一问题,该研究提出了一种基于YOLOv7的松材线虫病疫木检测算法DSEN-YOLOv7。该算法将YOLOv7骨干网络MP模块中的CNN替换为可变形卷积DCNv2,使网络能够适应疫木形状的变化;引入新的度量算法NWD替换原有损失函数CIoU,提高模型收敛速度和小目标检测的性能;引入注意力机制EMA,增加网络对小目标特征的提取能力;用SPPFCSPC空间金字塔池化模块代替SPPCSPC,提升模型的精度。实验结果表明,改进后得到的DSEN-YOLOv7模型在测试集上mAP@0.5、mAP@0.5∶0.95分别达到81.0%和41.4%,比原YOLOv7模型分别提高了4.0和1.9个百分点,与当前其他主流目标检测模型如YOLOv8、YOLOv5i、Faster R-CNN、SSD相比,模型的F 1和mAP也均有提升。该模型的推理速度为175帧/s,模型大小为71.89 MB。本研究提出的改进型DSEN-YOLOv7模型基本满足PWD疫情大规模实时检测的需求,为实现高效率的松林管理提供了重要的技术支持。