关键词： 视频编码   目标检测   率失真优化   人眼视觉质量   量化  

摘要： 为了降低视频编码失真对目标检测性能的影响,提出了一种面向目标检测和人眼视觉的视频编码优化方法。首先,调整I帧的量化参数,提升率-编码失真性能;其次,将目标检测算法引入到视频编码器中提取编码帧中的目标区域信息;接着,采用深度网络模型提取当前编码单元的特征,并采用余弦距离计算特征失真;然后,通过改进的VGG网络模型预测编码单元的量化参数;最后,将特征失真引入到率失真优化问题中,通过计算码率-编码失真-特征失真代价函数选择编码单元的最优编码参数。实验结果表明,与最新视频编码标准参考软件VTM-23.0相比,对于目标检测性能,所提算法平均可取得10.5%的BD-rate节省;对于人眼视觉,所提算法平均可取得2.2%的BD-rate节省。

关键词： 航拍图像   可变形卷积   小目标检测   多尺度特征融合   目标检测层  

摘要： 为解决无人机航拍图像中小目标样本居多,但可提取特征信息少,不利于提升航拍目标检测精度问题,提出一种基于YOLOv8s改进的航拍小目标检测算法。将可变形卷积应用于主干网络特征提取模块,自适应感受目标在不同位置和尺度上的细节信息;提出包含特征收集模块和信息融合模块的多层次信息融合功能块,通过多层次信息融合功能块中的特征收集模块对主干网络不同尺度的特征信息进行提取和增强,获取精细的全局特征,利用信息融合模块将上下文丰富的语义信息注入到小目标检测层,实现局部信息和全局信息的融合,并将融合后的特征输入到检测网络中,得到检测结果。结果表明:所提算法的识别平均准确率和召回率相较于基线模型提升了6%和4.3%;相比于主流的检测算法,改进目标检测算法的小目标检测平均精度最高。

关键词： 目标检测   YOLOv8   注意力模块   遥感图像  

摘要： 尽管目标检测技术已日趋成熟,但针对遥感图像的目标检测仍面临诸多挑战,主要源于遥感图像中目标特征不明显、背景复杂、小目标占比高以及目标类别不均衡等问题导致检测精度不足.本文提出了一种遥感图像目标检测算法(remote sensing-YOLOv8,RS-YOLOv8),重点优化了瓶颈层模块,通过提出多尺度特征自注意融合结构,提升了对小尺度目标和多层级特征的敏感度与筛选能力,降低了漏检率.设计EMASlideLoss优化损失函数,增强了对复杂样本的处理能力,并引入DySample动态上采样策略提升上采样质量,并在一定程度上改善了因新增模块导致的模型参数量增加.在SIMD数据集上的实验表明,RS-YOLOv8显著改善了小目标的漏检情况,mAP达到83.7%,较YOLOv8提升3.7%,展现出优异的检测性能和广泛的应用前景.

关键词： 计算机视觉   多维数据分析   深度学习   特征融合   智能模型  

摘要： 随着大数据时代的到来,多维数据智能分析需求日益迫切。将计算机视觉技术与多维数据分析相结合,提出一种新型智能分析模型。该模型通过深度学习网络提取图像特征,结合多维数据降维和特征融合技术实现数据的多模态表示和分析。实验表明,所提出的模型在数据分类准确率、特征提取效率和可解释性等方面均优于传统方法,为多维数据分析提供了新的研究思路和技术支持。

关键词： 青橘   Transformer   深度学习   目标检测  

摘要： 青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题,本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF_Block)增强多尺寸目标特征提取,结合多尺度多头自注意力机制(MSMHSA)构建多尺度融合模块(MSMH-AIFI),自适应聚合多尺度特征,并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔,提升小目标检测精度。实验结果表明,RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%,优于其他先进模型。与RT-DETR-r18相比,RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%,在NVIDIA Jetson Orin NX上检测速度达10.3 fps。本研究在降低复杂度的同时,提升了精度和实时性,满足边缘设备需求。

关键词： 小行星探测   图像处理   人工智能(AI)   地物识别   形貌感知   物理特性分析  

摘要： 小行星是太阳系中重要的天体,保留了早期形成和演化的历史信息,可能提供地球生命与水起源的线索。自20世纪90年代以来,针对小行星的科学探测和在轨处置活动逐渐增多,成为深空探测领域的热点。在小行星抵近探测任务中,探测器在不同距离拍摄的图像数据是研究小行星表面特征和物理特性的主要来源。然而,小行星表面复杂的地貌结构、动态变化的光照条件以及探测器与目标之间不断变化的姿态,导致获取的图像数据具有高度的独特性和多样性,使传统图像处理技术在适应性上存在不足。引入图像智能技术进行自动化处理与分析,将增强小行星探测任务对深空环境的认知能力,提升科学效益和成功率。本文系统综述小行星抵近探测任务中图像智能处理技术的研究现状与发展趋势,围绕表面地物识别、三维形貌重建和物理特性反演3个关键方向,全面分析现有技术的优势与局限,结合深度学习、多源数据融合等最新技术,讨论其在小行星复杂表面环境中的适应性与应用潜力。本文还对国内外产业界和学术界的成功经验与技术路径进行总结,剖析当前技术在数据标准化、模型泛化性及实际任务应用中的不足。最后,探讨未来研究的发展趋势,为推进小行星探测任务的技术创新提供参考。

关键词： 铁路无人道口   智能视频监控   目标检测   行为识别   边缘计算  

摘要： 针对铁路无人道口安全隐患问题,文章提出一种基于深度学习的多模态视频监控分析系统。通过改进YOLOv7算法实现行人/车辆的高精度实时检测,结合光流法与时空图卷积网络(ST-GCN)进行异常行为识别,并引入边缘计算优化数据处理流程。实验表明,系统在复杂光照与天气条件下的检测准确率达到98.7%,误报率降低至1.2%,响应时间缩短至0.3s。实际应用案例验证了该系统在铁路安全防护中的有效性。

关键词： 目标检测   目标分割   施工建材   非圆形截面   实时计数   模型检测精度  

摘要： 建材管控是建筑智能施工建造的重要一环,由于型钢截面形状多样、摆放时相互堆叠遮挡且堆放背景环境复杂等因素,其智能实时计数的研究与应用相对于钢筋、钢管等圆形截面建材仍充满挑战。对此,本文提出了一种基于改进YOLOv7的非圆形截面建材的计数模型。首先拍摄大量工字钢、方钢管和木枋的现场照片,结合数据增强手段获得14950张图像,共包含1290210个端面。进而在现有YOLOv7架构中新增一阶段实例分割模块,与目标检测任务并行操作,再通过改进骨干网络和检测头、加入注意力机制、修改损失函数和训练策略等提升模型检测精度,最后采用轻量级卷积模块减少特征冗余以实现模型轻量化并提升检测时效。试验结果表明,三种经过改进的建材计数模型的检测准确率均达到90%以上,满足使用要求。最后,将上述算法集成到小程序并已成功部署,使用户通过手机拍照即可完成型钢的在线实时计数工作。

关键词： 红外小目标   目标检测   深度学习   小样本学习   多模态  

摘要： 红外小目标检测作为智能安防的核心技术,针对低信噪比、弱表征等难题,系统构建了红外小目标检测的理论框架与方法体系。首先,通过公开数据集开展多维度特性分析,结合背景杂波建模与目标辐射特性揭示成像机理。继而聚焦深度学习范式,建立分类研究体系。单阶段检测方向聚焦YOLO与SSD系列算法的效率与精度平衡机制改进。在CNN方法层面,关注多尺度特征融合、注意力协同、轻量化编解码、密集嵌套特征交互关键技术以及Transformer与小样本学习在红外小目标检测中的应用。最后指出,未来应倾向于物理模型驱动的新型网络架构设计,通过辐射特性建模与深度学习特征融合提升算法鲁棒性。发展边缘计算友好的轻量化模型,采用神经架构搜索技术实现模型参数量压缩。探索红外、可见光、雷达多模态协同检测机制。开发自监督小样本学习范式,利用生成对抗网络缓解数据稀缺问题。这些突破将检测技术向全天候、高实时、强泛化方向持续演进。

关键词： YOLOv8   手骨骨折检测   深度学习   目标检测  

摘要： 在医疗领域,手骨骨折图像检测具有极其重要的实际应用价值,尤其是在面对复杂的骨折情况时,精准识别手骨骨折目标依然是一个亟待解决的难题。针对这一问题,本文提出了一种基于YOLOv8算法的改进方法,通过引入CBAM注意力机制,有效增强了网络对不同尺度特征的关注能力,进而显著提升了在小目标以及复杂场景下的检测精度。实验结果清晰地表明,经过改进的YOLOv8模型相较于原YOLOv8模型,其平均精度均值实现了0.57个百分点的提升,展现出对手骨骨折图像更为出色的检测效果。Hand bone fracture image detection holds extremely significant practical application value in the medical field. Especially when confronted with complex fracture situations, accurately identifying hand bone fracture targets remains a pressing challenge that needs to be addressed. To tackle this issue, this paper proposes an improved method based on the YOLOv8 algorithm. By introducing the CBAM attention mechanism, the network’s ability to focus on features of different scales is effectively enhanced, thereby significantly improving the detection accuracy for small targets and complex scenes. The experimental results clearly demonstrate that the improved YOLOv8 model, compared with the original YOLOv8 model, has achieved a 0.57 percentage point increase in mean average precision (mAP), showing a more outstanding detection effect on hand bone fracture images.