关键词： 目标检测   小样本   铸件   特征加权融合   相对位置编码  

摘要： 为实现铸件飞边自动化检测,针对检测过程中铸件飞边样本量少,模型特征融合不充分的问题,基于DETR网络提出一种基于注意力加权特征融合的小样本目标检测算法。首先,设计坐标注意力加权的金字塔特征融合网络,以提高模型特征信息交互融合能力和感兴趣区域专注力;然后引入二维图像相对位置编码,增强对平移不变性的模式识别能力;后处理阶段引入Smooth-L1优化损失函数,提高模型检测精度。结果表明,改进算法在试验实例为3、5、10和30个时,检测精度分别为47.50%、54.06%、66.00%和79.32%,改进算法在自制铸件飞边数据集上的检测精确度更高。

关键词： 图像超分辨   Swin Transformer   深度学习   条件先验   人脸超分辨   注意力机制   Transformer   图像处理   超分重建  

摘要： 针对现有基于Swin Transformer图像超分辨模型未对人脸图像进行预处理导致最终超分辨结果不佳的问题,文中提出了基于条件先验Swin Transformer的人脸图像超分辨重建方法。该方法利用人脸解析图融合Swin Transformer模型对人脸图像进行预处理,使用条件先验对人脸超分问题进行优化,采用人脸解析图Parsing Map进行约束从而得到更有价值的先验信息。在深层特征提取阶段,将通道空间注意力机制融合Swin Transformer模块对特征组调整进行速度与精度的平衡。实验结果表明,所提方法在测试集上的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)为32.21 dB,相较于现有模型具有一定提升。实验证明改进模型更适用于人脸,所生成结果更清晰、更真实,能够还原出更多人脸图像纹理细节。

关键词： 阳性细胞   目标检测   YOLOv5s   免疫组织化学   生存预测  

摘要： 目的:提出一种基于改进YOLOv5s的免疫组化阳性细胞计数方法。方法:首先,针对阳性细胞的小目标特征,增加小目标检测层细化特征提取;其次,在颈部网络中使用双向加权特征金字塔网络替换PANet结构,实现多尺度特征融合;再次,增加坐标注意力机制CA模块,使模型更加关注小目标特征;最后,用EIoU损失函数替换原有的GIoU,增强模型检测性能。结果:在自建的免疫组化图像数据集上进行训练,改进后的模型平均精确率为89.3%,较原模型提升4.0%,且优于其他主流目标检测模型。同时,基于该方法构建的5年生存预测模型平均准确率为76.8%,平均AUC为0.81,表明模型具有较好的预测能力。结论:本研究模型能够快速检测免疫组化阳性细胞数量并有效地辅助医生进行生存预测工作。

关键词： 辣椒病害   YOLOv8n模型   目标检测   Adown下采样模块   SlimNeck模块   Aux Head检测头  

摘要： 为了解决辣椒病害检测速度慢,漏检率和误检率高的问题,本研究以YOLOv8n为基线模型,引入Adown下采样模块替代原模型骨干网络(Backbone)的卷积下采样层,引入SlimNeck模块将原模型颈部网络中的卷积层和特征聚合模块(C2f)替换为混合卷积模块(GSConv)和跨阶段部分网络(VoVGSCSP)模块,并利用辅助训练头Aux Head(Auxiliary head)融合原有的检测头,构建改进的YOLOv8n模型(YOLOv8n-ATA模型)。最后利用辣椒炭疽病、褐斑病、脐腐病和细菌性叶斑病等4种病害影像数据集对改进后的模型性能进行分析。结果表明,改进后模型的浮点计算量和模型大小比原YOLOv8n模型增加19.5%和10.2%,但模型对辣椒病害的识别精确率、平均精度均值mAP_(50)和mAP_(50∶95)分别提升2.6个百分点、2.9个百分点和2.9个百分点,同时每1 s传输帧数增加15.1%。因此,改进后的模型能够对辣椒病害进行有效识别,较好实现模型识别准确度与效率的平衡。

关键词： 小粒咖啡   生豆   YOLOv8-FasterBlock模型   目标检测   分级  

摘要： 建立基于轻量化YOLOv8-FasterBlock模型的小粒咖啡生豆分级方法。实验主要收集来自云南的一级、二级、三级以及缺陷小粒咖啡生豆共500 g作为研究对象,混合后采集相应RGB图像作为咖啡生豆分级的数据集。随后对YOLOv8n模型进行改进,重点将YOLOv8n模型中C2f模块的BottleneckBlock替换为FasterNet中的FasterBlock模块,改进后形成新的轻量化YOLOv8-FasterBlock模型。将该模型应用于实验中不同等级咖啡豆分级检测,结果显示,提出的YOLOv8-FasterBlock模型精确率、召回率和平均精度均值分别达到了98.4%、94.3%、97.4%,其检测平均时间为2.4 ms。在后续进行的一系列对比实验、消融实验、轻量化实验以及粘连豆实验,证明了YOLOv8-FasterBlock模型的优越性和结构有效性。YOLOv8-FasterBlock模型在降低模型复杂度的同时,提升了对小粒咖啡生豆的特征提取能力和推理速度,可实现咖啡豆分级快速检测。研究结果可为后续小粒咖啡生豆分级设备的视觉模块部署提供参考,也可以为其他农产品的分级提供理论支持。

关键词： 合成孔径雷达   地面目标检测   自动目标识别   Transformer网络  

摘要： 在合成孔径雷达地面目标检测任务中,传统检测方法因为在处理过程中采用固定模型假设而导致性能严重下降。卷积神经网络作为一种基于数据驱动的方法,在拥有足够的训练集时可以显著提高目标检测的准确性,但在检测陆地背景下的微小目标时性能仍不稳定。为了应对这些挑战,提出了一种先增强后检测的地面目标检测框架。其中包括以Transformer为骨干网络的增强网络、增强目标特征区分度的跨特征空间注意力模块以及具有多尺度特征的检测网络。形成一个级联的目标检测网络架构,以实现更好的推理性能。使用MSTAR基准数据集对提出的网络进行实验,证明提出的级联网络在各项指标上超过其他现有方法,其精度最高可以达到93.6%。

关键词： 高职院校   Photoshop   图像处理   课程思政  

摘要： 文章通过分析高职院校传统Photoshop图像处理课程教学状况,分析了在该课程中融入思政的必要性,阐述了Photoshop图像处理课程思政建设的改革思路和教学实践案例。此外,通过构建多元化的课程考核评价体系,确保评价结果的客观性和全面性,为课程思政的持续改进提供了有力支持。

关键词： 目标检测   YOLOv8   注意力机制   鱼眼图像  

摘要： 针对现有目标检测算法在鱼眼图像下行人检测中存在定位不准确、检测精度不足等问题,提出了一种面向鱼眼图像检测的YOLOv8改进算法。该方法通过加入角度参数,设计了ProbIoU-r算法,利用缩放因子调整角度差异对损失的影响,增强模型在梯度计算中对边界框角度偏移的关注,解决了原始IoU在旋转目标检测定位不精确、边界框拟合效果差等问题,使YOLOv8网络模型具有更好感知旋转目标的能力。为提高模型对鱼眼图像失真目标的特征提取能力同时提升检测精度,提出以多尺度卷积和注意力机制为分支的Parnet-gcs模块,通过不同卷积核的DWConv提取不同尺度的特征信息,并结合CA和SA模块以增强模型特征表达能力。实验采用公开的鱼眼图像数据集WEPDTOF,改进后算法相比原始YOLOv8s检测精度mAP0.50:0.95增加了2.3个百分点;相比YOLOv8m算法参数量减少了38.8%,同时精度mAP0.50:0.95也高出0.5个百分点,说明基于YOLOv8s改进后的算法能够更好适用于鱼眼图像下行人检测任务。

关键词： 智能交通   抛洒风险检测   目标检测   车辆检测   跨层特征融合  

摘要： 面对货运车辆抛洒风险检测的难题,针对现有方法存在的抛洒风险关键特征提取能力不足、特征跨层融合不充分的问题,提出面向货运车辆的抛洒风险检测方法(SRVDNet).骨干网络引入大核可选择性感受野机制,增强网络对货运车辆抛洒风险特征的学习能力.颈部网络引入聚集-分发特征融合机制,实现特征跨层融合,为检测头提供丰富的车厢类型、篷布边缘细节纹理、货物轮廓形状等信息.采用真实的高速公路货运车辆数据集,验证所提方法的效果.实验结果表明,SRVDNet表现出更优的性能,检测精度达到81.5%,与YOLOv5、 YOLOv6、YOLOv8、RT-DETR、PP-YOLOE、YOLOv9等车辆检测SOTA方法相比,mAP@0.5分别提升了3.70%、3.09%、2.86%、1.37%、1.41%、2.00%,且模型参数量相对较小,检测速度较高,有效提升了在货物装载不规则、少量货物和满载货物等场景下的抛洒风险识别能力,有助于抛洒物的源头治理,增强高速公路安全风险的识别预警能力.

关键词： 对抗攻击   对抗防御   深度学习   计算机视觉   可信人工智能  

摘要： 深度学习技术已广泛应用于图像分类和目标检测等计算机视觉核心任务,并取得了瞩目的进展。然而,深度学习模型因其高度的复杂性与内在的不确定性,极易成为对抗样本攻击的靶标。攻击者巧妙地利用数据中细微的、精心设计的扰动,诱导模型以极高的置信度输出错误结果,此类对抗样本对实际应用场景中模型的可靠性及安全性构成了严峻的挑战与潜在威胁。例如,攻击者可利用对抗眼镜误导人脸识别系统,导致身份误判,进而实施非法入侵、身份冒用等威胁公共安全和个人隐私的行为;也可对自动驾驶系统的监控数据添加对抗噪声,虽不破坏交通工具本身特征,却可能导致漏检重要交通工具,引发交通混乱甚至事故,造成严重后果。本文旨在梳理当前对抗攻击与对抗防御技术的研究现状。具体而言,内容涵盖以下三个方面:1)在概述对抗样本基本概念和分类的基础上,剖析了多种对抗攻击的形式和策略,并举例介绍了具有代表性的经典对抗样本生成方法;2)阐述对抗样本的防御方法,从模型优化、数据优化和附加网络三个方向系统梳理了当前提高模型对抗鲁棒性的各类算法,分析了各类防御方法的创新性和有效性;3)介绍对抗攻击和对抗防御的应用实例,阐述了大模型时代对抗攻击和防御的发展现状,分析了在实际应用中遇到的挑战及解决方案。最后本文对当前对抗攻击与防御方法进行了总结分析,并展望了该领域内未来的研究方向。