关键词： 合成孔径雷达   目标检测   小波变换   轻量化   注意力尺度融合  

摘要： 针对SAR图像中小尺度舰船目标检测困难以及目标尺度差异大导致的漏检、误检和置信度偏低问题，同时考虑到模型参数量过大对边缘部署适应性的限制，本文提出了基于小波变换与多尺度增强的轻量化检测算法LWMS-YOLOv10n。首先，在骨干网络的特征融合过程中融入小波变换，并设计AIFI＿RepBN优化PSA模块，从而提升特征提取能力；其次，在颈部结构中加入注意力尺度序列融合模块ASF-P2（Attentional Scale Sequence Fusion），并结合深度可分离卷积，以增强多尺度特征图的融合效果，提升网络的轻量化表现；最后，自研设计ParamLiteHead检测头大幅了减少参数量。改进后的模型相较于YOLOv10n模型参数减少了43.54%，通过在公开数据集HRSID和MSAR-1.0上验证，准确率提升了0.45%和1.17%，召回率提升了1.87%和4.38%，mAP50提升了1.25%和1.16%；实验结果证明，该算法在实现轻量化设计的同时，有效改善了漏检、误检和置信度偏低的问题。

关键词： 单目深度估计   计算机视觉   代数视觉   深度学习  

摘要： 针对单目图像在深度估计时面临的尺度模糊和边界细节失真问题,提出了一种融合变分与多尺度信息的深度估计算法(DLNet)。该算法利用拉普拉斯算子来突出图像中的高频部分,同时引入拉普拉斯金字塔帮助网络在不同尺度上分析图像的细节和结构;同时对场景中不变性规律进行探索,通过引入一阶变分约束驱使网络注意到场景空间中相邻像素的深度梯度,学习相邻像素的深度差得到粗粒度深度图;最后,利用拉普拉斯金字塔得到的多尺度信息来避免上采样带来的边界信息损失,逐步组合相应的输出得到细粒度的深度图。在KITTI和NYU Depth V2基准数据集上进行广泛的评估和消融实验,证明了所提出方法的有效性。实验结果表明,所提出方法在大多数指标上的结果都表现突出。

关键词： RGB-D显著性目标检测   多尺度模态增强   注意力机制   并行多层解码  

摘要： 显著性目标检测任务旨在自动定位场景中最吸引人的物体。针对显著性目标检测算法中跨模态互补特征难以充分利用和层级特征融合易丢失有用信息的问题，提出一种基于多尺度模态融合的RGB-D显著性目标检测网络(MMFNet)。该模型主要由多尺度模态增强模块和并行多层解码结构组成。多尺度模态增强模块以空洞卷积细化多模态特征，通过注意力机制融合不同感受野特征减少冗余信息。并行多层解码结构采用级联的双解码器设计，以通道注意力机制实现层级特征的自适应校准，进一步优化预测的显著图，以学习到更多的跨层级信息。在四个基准数据集上的实验表明，该网络模型在四种评价指标上优于近年来的九种先进方法，获得了优异的性能。

关键词： 目标检测   图像处理   朝天椒   YOLOv5   轻量化网络   损失函数   自然环境   小目标  

摘要： 针对朝天椒检测深度学习网络模型体积大、参数多以及在计算资源有限的移动设备中难以部署等问题，文中提出一种基于YOLOv5s(You Only Look Once version 5s)的轻量级朝天椒检测模型。利用GhostNet中Ghost模块和Ghost瓶颈(Ghost BottleNeck)结构重新构建特征提取网络，减少模型的参数量和计算复杂度。在特征融合部分采用GSConv(Ghost-Shuffle Convolution)轻量级卷积和VoV-GSCSP(VoVNet-Ghost Shuffle-Cross Stage Partial)结构分别替换原始卷积和CSP(Cross Stage Partial)模块，在保证精度的同时使模型轻量化效果最佳。采用角度惩罚度量的SIoU(SCYLLA-IoU)损失优化边界框损失函数，提升了轻量化后的模型精度和泛化能力。实验结果表明，改进YOLOv5s-GGS(YOLOv5s-GhostNet GSConv SIoU)模型相较于原始网络模型的精确度、召回率和平均精度均值(mean Average Precision，mAP)分别提高了7.0个百分点、3.5个百分点和3.8个百分点，参数量、计算复杂度和权重降低了42%以上。相较于主流目标检测模型，所提模型具有更高的检测精度以及更少的模型体积，实现了模型的轻量化，精度提升大，推理速度快，更适合部署于移动设备。

关键词： 遥感图像   目标检测   复杂背景   卷积神经网络   Swin Transformer  

摘要： 针对遥感图像背景的复杂性致使现有方法在特征提取和信息保留方面存在不足的问题，基于Faster R-CNN模型，提出了一种新的目标检测架构ST-FRCNN。该方法采用Swin Transformer作为主干网络（backbone），有效提取全局特征并丰富上下文信息，使用特征金字塔（FPN）网络进行特征融合，得到多尺度特征图，结合区域建议网络（RPN）在多尺度特征图上滑动生成候选区域。最后，通过检测网络实现目标的精确分类与定位。在NWPU VHR-10数据集上的实验结果表明，与主流目标检测方法相比，ST-FRCNN的平均精度（mAP）达到93.7%，取得了显著的性能提升。

关键词： 概率Hough变换   边缘检测   图像处理   弹簧  

摘要： 针对传统手工测量螺旋弹簧线径存在的精度低、耗时长、稳定性差等一系列问题，设计了一种基于概率Hough变换的螺旋弹簧线径测量方法。首先对图像进行ROI提取，缩短后续处理的计算时间，然后使用图像滤波、二值化处理和边缘检测等图像处理技术对弹簧图像优化，再使用改进的概率Hough变换拟合弹簧边缘直线轮廓，最后设计算法排除干扰点影响，计算弹簧线径。经过实验测试，该方法能够快速地测量出螺旋弹簧线径，测量精度为±0.01mm，将概率Hough变换的效率提高了46.75%。

摘要： 计算机视觉在机械艺术动态捕捉中的应用探索机械艺术的动态表达依赖于精准的运动捕捉,而计算机视觉技术在该领域的应用为艺术装置的动态优化、交互增强、自主行为生成及多机协同提供了新的可能性。本文围绕计算机视觉在机械艺术动态捕捉中的应用展开深入分析,探讨基于实时姿态分析的动态优化策略,研究视觉反馈如何构建高效的交互机制,解析智能识别赋能艺术装置自主行为的生成方式,并探究多机协同在机械艺术中的组织模式。分析表明,计算机视觉技术不仅能够提升机械艺术的动态表现力,还能推动其在多维感知、自适应调整及集群协同等方面的发展。

关键词： 图像处理   位姿估计   RGB-D   特征提取   残差网络   轻量级  

摘要： 针对RGB-D位姿估计中特征提取网络参数量过大的问题，提出轻量子网络——轻质网(light weight net，LWNet)替代XYZNet中的ResNet18主干。首先，设计了改进的C2f模块与部分卷积（partial convolution，PConv）模块结合形成特征提取结构用于网络浅层的特征提取，提高了特征重用性。接着，设计了特征融合的高效层聚合网络（feature fusion efficient layer aggregation networks，FF-ELAN）模块用于网络深层的特征提取，以轻量的方式整合了全局特征。最后，为了适应网络深度的变化，采用了3个与ResNet18不同的下采样结构，使得参数量降低的同时获得更强大的性能。实验结果表明：优化网络实现浮点计算量(floating point operations，FLOPs)压缩58.1%、参数量削减57.3%、推理速度提升10.2%，同时在LineMOD与YCB-Video数据集分别获得1.3%和0.8%的精度增益。该架构显著提升了边缘计算场景的部署潜力。

关键词： AIGC   扩散模型   图像处理   超分重构   教学场景  

摘要： 随着人工智能生成内容（Artificial Intelligence Generated Content，AIGC）技术的发展，教学场景下的图像应用成为新的研究热点。图像作为知识传递的核心载体，其清晰度、纹理细节、色彩鲜艳度、主题色彩等直接影响教学效果。本文旨在改造扩散模型（Diffusion Model）结构以对存在不同问题的图像进行超分重构（Super-Resolution，SR），并将SR图应用于不同教学场景后进行效果评估。首先，通过改造扩散模型解决图像质量与教学场景不适配的问题；然后，分别开展主观和客观实验，将SR图应用于实际教学场景；最后，构建基于主客观实验结果的综合评估框架，以验证SR图的应用效果。研究结果表明，由改造模型所生成的SR图应用在教学活动时，对比使用传统方法生成的图像，在知识传递效率方面平均提升约22.9%，在教师讲课时间节省方面平均减少约15.6%。本文可为人工智能赋能教学改革提供一定的理论依据与实践参考?。

关键词： 雾天环境   图像去雾   目标检测   YOLOv8   损失函数  

摘要： 雾天天气对自动驾驶系统性能影响较大，导致基于深度学习的目标检测模型在雾天条件下的漏检率和误检率偏高。基于该问题，提出一种雾天环境下的目标检测算法——PF-YOLOv8-AL。首先，通过借鉴AOD-Net轻量网络思想、改变网络结构、融合快速空间金字塔池化结构SPPF和使用SSIM损失函数构建了PF-Net去雾网络，再着重对YOLOv8检测网络进行改进，从而构建了YOLOv8-AL网络。对YOLOv8进行的改进包括融合全局平均池化及LSKA注意力的SPPF-AL模块，用MPDIoU损失函数替代CIoU损失函数及增加P2检测头，再将PF-Net与YOLOv8-AL整合成PF-YOLOv8-AL网络。模型在Foggy Cityscapes数据集上进行训练，在真实雾天RTTS数据集上进行测试。实验结果表明，该算法在雾天环境场景中具有较高检测精度，平均精度值达82.2%，比YOLOv8提升5.4%，平均精度均值达61.6%，比YOLOv8提升8.1%。