关键词： 目标检测   特征提取   注意力机制   插值函数  

摘要： 针对Deformable DETR仅采用ResNet进行简单特征提取限制了后续模块检测效果的问题， 提出一种基于特征增强与多项式差值的目标检测网络. 首先引入特征提取模块同时提取图像局部和全局信息， 帮助网络更精确地捕捉图像关键特征; 然后设计双注意力模块根据需求动态地调整特征通道和空间位置的权重， 使网络能够聚焦于对当前任务更为重要的图像区域; 最后提出一种多项式插值方法拟合目标点周围更多的特征向量， 计算生成更高质量的特征向量. 在COCO数据集上采用一致的实验条件进行实验， 相比Deformable DETR， 所提网络平均检测精度提升至44.8%， 大目标检测精度提升1.9个百分点， 各项检测精度均得到提升， 并且优于对比的其他系列网络.

关键词： 滑坡体监测   变动识别   图像处理   Python   大尺度粒子图像测速(LSPIV)  

摘要： 针对传统滑坡体形变位移监测方法在点状测量、设备安装及维护上的局限性，提出了一种基于图像差分技术的滑坡体形变监测新方法。首先对监控相机拍摄的图像进行预处理，包括计算参数设定、位移噪声过滤与差值计算；随后，采用大尺度粒子图像测速（Large Scale Particle Image Velocimetry，LSPIV）技术分析图像序列，精准测量物体表面的位移或速度矢量场；最后，结合自编Python算法实现滑坡体变动的自动识别与移动区域的精确测速。试验结果表明：该方法相对误差平均为5.35%，验证了LSPIV技术在滑坡体形变监测中的高精度与可靠性。通过对室内滑坡模型及实际滑坡视频数据的处理，实现了滑坡体形变与移动的准确识别与测量。该方法不仅能够实现大范围区域的面状监测，还在满足高精度要求的同时具有较低的实施成本，为滑坡体变动监测提供了一种创新性的解决方案。

关键词： 目标跟踪   交互多模型(IMM)   自适应   无迹卡尔曼(UKF)  

摘要： 针对跟踪复杂机动目标过程中由于目标运动状态发生变化导致的跟踪误差较大的问题，提出了一种自适应交互多模型无迹卡尔曼滤波算法（ATPM-UKF），使用模型概率后验信息和模型似然函数自适应修正马尔可夫转移概率矩阵（TPM）。设计了模型概率校正方法和模型转移加速方法，两种方法分别作用于模型稳定阶段和模型转移阶段，提高了模型概率准确度和模型转移响应速度，减小了状态估计误差。最后通过两种场景下的实验验证了所提算法在目标具有复杂运动状态下的性能，并与传统方法进行了对比分析，在目标做机动运动时，位置精度和速度精度分别提高了15%和26%，验证了算法的有效性和可行性。

关键词： 小样本目标检测   元学习   注意力机制   知识蒸馏  

摘要： 针对小样本目标检测中存在的模型收敛速度慢和知识类别遗忘的问题，提出了一种新的基于加权注意力机制和知识蒸馏的改进Meta-DETR小样本目标检测方法。首先，设计了一种新的加权注意力机制，通过在Transformer解码器中引入待检测物体的高斯分布权重并与其原始注意力图融合，使其能更快更准确地在全局特征中定位待检测的物体特征，加快模型的收敛速度。为了进一步缓解模型训练过程中存在知识类别遗忘的问题，引入了一种改进的知识蒸馏方法，采用渐进蒸馏的方法缓解知识灾难性遗忘。最后，设计了一个新的损失函数，能够根据样本的难易程度和边界框的形状尺寸动态计算损失值。实验结果表明，提出的方法在MS COCO 2017基准数据集中10-shot设置下mAP0.5比Meta-DETR方法提升了2.1%，在PASCAL VOC 07+12基准数据集中10-shot设置下mAP0.5比Meta-DETR方法提升了1.5%。

关键词： YOLOv5   目标检测   架空线路   EMA   GhostConv   SENetV2  

摘要： 架空线路中的关键部件长期暴露在自然环境下,会出现损坏、脱落等现象,造成缺陷。用人力检测并修复这种缺陷比较困难。为了解决上述问题,本文提出一种轻量的、适用于边缘计算设备的、基于改进的YOLOv5的检测方法。首先,在骨干网络末端添加EMA模块,增强网络对特征的捕捉能力;其次,将颈部的CBS模块替换为GhostConv,且将颈部的C3模块与SENetV2相结合,使网络在更加轻量化的同时增强网络的表征能力。实验结果表明,改进方法与YOLOv5相比,提高了类平均精度,同时在保持检测实时性的前提下仅损失了少许帧数;与SSD、Faster R-CNN算法相比,在检测精度和速度上都具有一定的优势。

关键词： 新文科   视觉传达设计   专业基础课程   教学策略  

摘要： 新文科背景下,随着艺术教育的不断发展,视觉传达设计专业基础课程教学面临着新的挑战和机遇。文章以图形图像处理(PS+Ai)这门专业基础课程为例,通过分析新文科背景下艺术教育发展趋势以及视觉传达设计专业基础课程教学的现状,阐述该课程在专业基础课程教学中的应用方法和教学痛点,并从教师授课和学生学习两个角度提出相应的教学策略,包括课程内容、教学方法、教学资源等方面的创新。

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： 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： 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： 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。