关键词： 无人机图像   SimAM   GSconv   小目标检测头  

摘要： 针对无人机图像中小目标较多的问题,基于原始YOLOv5模型,提出I-YOLOv5改进模型。首先,增加小目标检测头以提高网络对小目标的表征能力;其次,增加SimAM注意力机制使得网络注重小目标物体;再次,把YOLOv5模型中耦合检测头改为解耦检测头,加快模型训练速度并有效提高模型精度;最后,修改原模型中颈部CBS结构为GSconv结构,减少模型参数并提高精度。经验证,I-YOLOv5模型在Visdrone2019数据集上,mAP50、mAP50∶95领先原始YOLOv5模型6.6%和4.2%,证实改进后模型在小目标无人机图像检测领域具有一定的先进性。

关键词： 相关滤波   去余弦窗   目标跟踪   稀疏学习  

摘要： 针对高效卷积算子(ECO)算法在训练样本存在污染和错误响应意外波峰的问题,在该算法基础上提出了一种改进方案,旨在降低负训练样本对模型学习的污染风险和平滑意外响应波峰。首先,引入稀疏响应正则化项对响应图中的意外波峰进行约束,减少冗余参数并提高泛化能力;其次,去余弦窗,引入二值和高斯形状掩膜函数对训练样本进行处理,得到不受边界效应影响的样本;最后,验证该改进算法的可靠性。结果表明,改进后的算法较ECO算法在成功率和精确度上分别提高了1.8%和4.6%,在应对变形、光照变化、遮挡和快速运动等方面表现出较好的鲁棒性,具有应用前景。

关键词： 行为识别   计算机视觉   RGB数据   骨骼数据   特征提取   深度学习  

摘要： 人体行为识别是计算机视觉领域中的重要研究方向,在人机交互、医疗康复、自动驾驶等领域具有广泛应用和重大意义。由于其方法的重要性和前沿性,对该领域进行全面、系统地总结具有极其重要的意义。深入探讨了基于RGB和骨骼数据模态的人体行为识别方法;按照特征学习方式的不同,分为基于传统机器学习的手工特征提取方法和基于深度学习的深度特征提取方法。介绍了行为识别的基本流程,并总结了公开数据集。详述了基于RGB和骨骼数据模态的识别方法。对于RGB数据,分析了基于2D CNN、RNN和3D CNN的特征提取方法;对于骨骼数据,介绍了自上而下和自下而上的姿态评估算法,重点分析了基于RNN、CNN、GCN、Transformer和混合神经网络的分类算法。最后,展望了未来深度学习在人体行为识别中的五个研究方向。

关键词： 病变叶片检测   WeightedDetect   CBAM   GhostModule   BiFPN   目标检测  

摘要： 目的旨在解决植物叶片病害检测中目标检测技术参数量大、计算复杂度高及病害检测准确率低等问题.方法提出一种改进型轻量级YOLOv5模型.该模型通过集成CBAM(convolutional block attention module)、GhostModule以及BiFPN-Concat模块,降低了特征通道融合的计算复杂度,同时提升了特征提取性能.还创新性地设计了WeightedDetect结构,替代了传统的检测头部,以实现对不同尺度目标的自适应识别.结果与原始YOLOv5模型相比,提出的模型在病害检测准确度上提升了2.7%,同时在参数量上增加了9.5%,而在计算复杂度的指标FLOPs(floating point operations)上降低了10.5%.还在VOC数据集上进行了模型的通用性测试,与YOLOv5相比,准确度提高了3.7%.结论提出的改进型YOLOv5模型不仅提高了植物叶片病害检测的准确性,而且通过优化计算复杂度,提高了模型的实用性和效率.这一改进对于提高农业生产的智能化水平,以及更有效地预防和管理植物病害具有重要意义,并为相关领域的研究提供了新的解决方案.

关键词： 飞行员   异常行为   目标检测   人工智能  

摘要： 随着民航事业的快速发展,飞行员异常行为对航空安全的影响日益严重。为了解决这一问题,文章提出了一种基于目标检测的飞行员异常行为检测系统,该系统基于YOLOv8目标检测算法,旨在实时识别和预警飞行员在驾驶舱内吸烟、玩手机等异常行为,从而提高飞行安全性。实验结果表明,该系统在飞行员异常行为的实时检测和预警方面具有较高的实用性和准确性。

关键词： 夜间驾驶   目标检测   自适应Gamma校正   YOLOv5  

摘要： 光照条件差会对夜间行车安全构成严峻挑战。基于此,设计了一种融合自适应Gamma校正与YOLOv5的夜间驾驶辅助系统。该系统通过树莓派控制核心及多个外设,实现图像采集、图像增强、目标检测和语音提示等功能,从而有效降低驾驶风险。介绍了系统硬件组成及功能,阐述了软件自适应Gamma校正的实现过程和YOLOv5目标检测模型的训练过程,并在实验环节验证了系统的可靠性。

关键词： 目标检测   无人机   深度学习   计算机视觉   神经网络  

摘要： 无人机在军事/民用/商业领域的广泛应用促使对其识别和分类的需求。随着人工智能的不断发展,深度学习作为一种机器学习技术,在目标检测领域展现出良好的性能,也可应用于无人机识别领域。本文首先介绍了无人机识别的背景和意义,回顾了深度学习的发展历程,并分别介绍了目标检测中两种重要的算法结构:两阶段目标检测算法和单阶段目标检测算法;然后,对目标检测常用算法以及算法中的骨干网络等进行了阐述,归纳了近年来无人机识别改进算法的改进策略,总结了改进效果及其缺点和局限性;最后,针对目前无人机识别的研究现状,提出展望和挑战,有望在建立无人机数据集,提高无人机检测的准确性、实时性等方面取得更大突破,推动无人机技术在各个领域的应用。

关键词： 深度学习   卷积神经网络   人脸识别   生成对抗网络   图像处理  

摘要： 随着深度学习技术的快速发展,其在计算机视觉领域尤其在人脸识别系统中的应用优势日益显著。本文探讨了深度学习算法在人脸识别中的应用,重点分析了卷积神经网络(CNN)在特征提取中的关键作用,以及生成对抗网络(GAN)在增强训练数据和解决表情变化、遮挡等问题中的潜力。通过分析深度学习技术在人脸识别领域的实际应用,本文展示了其在安防、金融和智能设备等多个行业中的实际效益,进一步强调了深度学习算法提升识别精度和系统鲁棒性的能力。最后,文章展望了深度学习在人脸识别系统中未来的发展方向与挑战。

关键词： 仓储物流   机器人拣选   视觉引导   目标检测  

摘要： 文章提出一种基于视觉引导的机器人拣选系统,并研究其在物流自动化中的应用。该系统主要由视觉模块、机器人模块以及末端执行器模块3个模块组成,通过工业相机acA1920-40gc获取目标物体的图像,结合6轴机器人Fanuc M-710ic/45M进行精准抓取。在实验中,系统通过精确的图像识别和准确的轨迹规划,成功完成目标物体的抓取与搬运。实验结果表明,系统能够在较小的误差范围内精准抓取目标物体。

关键词： 深度学习   图像分割   工笔画   提示增强   计算机视觉  

摘要： 由于缺乏带有像素级标注的公开工笔画数据集,使得图像分割技术在工笔画领域的发展严重受阻。工笔画具有物象与背景颜色纹理相似、使用晕染渐变导致物象边界模糊等特性,给图像分割带来了挑战,SAM的出现为解决这些挑战带来新的可能性。尽管SAM在自然图像领域里展现出惊人分割能力和零样本泛化能力,但在处理工笔画图像时存在对物象不敏感、前景背景混淆等问题。针对上述问题,首先建立了一个包含403幅图像的花鸟主题工笔画数据集SegTCRP,其中包含5类前景对象。随后,采用LoRA方法对SAM进行微调,使其适应工笔画图像的特点。此外,提出了一种新的SAM边界框提示增强方法BPA-SAM,通过借助U-Net在边界框提示范围内基于一定策略辅助生成额外点提示来改善SAM前景背景混淆的问题。最终,实验验证了BPA-SAM较原始SAM在边界框提示条件下的分割性能提升了7.1%,为SAM在工笔画领域的图像分割应用奠定了基础。