关键词： Java   图像处理   字符识别  

摘要： 本文详细介绍了基于Java的图像识别系统,该系统通过创建高效安全的图片转文字平台,实现了对图像中字符的智能识别,为用户带来更优质的在线字符识别体验。该系统采用FIT算法进行Java图像处理,并依托文本识别库完成图像预处理与字符分割等操作。这些技术为文字识别系统的开发创造了有利条件,显著提升了字符识别的效率与准确性。

关键词： 实时语义分割   特征融合   图像处理   图像语义分割  

摘要： 实时语义分割中特征融合需要同时关注浅层信息与深层信息,而目前特征融合方法所需的计算量和参数量庞大,难以在精度与速度上满足实时语义分割的要求。针对这一问题,从网络的实时性和性能2个方面综合考虑,本文提出基于门控融合的实时语义分割方法。该方法包含编码器、门控特征融合模块、像素级特征提取模块以及门控聚合分割头。首先,将待分割图片通过编码器进行特征提取,其次利用像素级特征提取模块对重要特征信息进行精确提取,然后通过门控特征融合模块将深层语义信息与浅层位置信息进行特征融合,最后通过门控聚合分割头完成语义分割。在数据集CamVid上,模型分割的平均交并比为87.31%,分割的帧率为75.3 fps。在数据集Cityscapes上,模型分割的平均交并比为79.19%,分割帧率为44.1 fps。实验结果表明,本文方法在准确性和实时性方面均表现出色,可有效应用于实时语义分割任务。

关键词： SiamRPN   单目标跟踪   轻量化网络   特征融合  

摘要： 针对目前多数基于孪生网络的单目标跟踪算法模型参数大,难以在嵌入式平台等移动端设备部署的问题,设计了一种基于SiamRPN改进的轻量化孪生网络单目标跟踪算法。算法使用裁剪过的MobileNetV3替换AlexNet作为特征提取网络,降低算法的参数量;融合了MobileNetV3的高低层特征,整合不同尺度的特征信息,增强算法对目标多尺度变化的适应能力;使用GhostConv替换原网络模型头部的普通卷积,使用深度可分离卷积进行相关运算,在保证特征提取能力的同时进一步减少了参数量。在OTB数据集上进行测试的结果表明:改进后的算法在准确率上提高了1.6%,成功率提高了3.8%,模型参数量为2.9 MB,减少了98.3%,证明改进后的目标跟踪算法模型具有显著的性能优势。

关键词： 车辆环境感知   毫米波雷达   深度视觉   目标检测   信息融合  

摘要： 为提高车辆环境感知系统的准确性和实时性,提出了一种融合毫米波雷达与深度视觉信息的多传感器环境感知算法。通过有效性检验算法对雷达数据进行预处理,引入SPPF_LSKA模块和轻量级网络Ghost Net,对YOLOv8n模型进行改进,采用决策级融合算法将两者的检测信息进行融合,输出检测结果。在行车道上进行了试验,结果表明,所提出的融合算法框架的目标检测准确率达到了91.2%,与单独使用毫米波雷达和单目相机检测相比,检测准确率分别提高了10.6%和15.8%,提出的信息融合环境感知算法检测速度快、准确率高以及目标跟踪稳定,可为智能驾驶系统提供一种可靠的环境感知方案。

关键词： 图像处理   遥感图像   目标检测   多尺度特征融合   上采样策略  

摘要： 为了提高遥感图像中各类目标的检测性能,提出一种基于LSKNet-S的改进算法。该算法通过融合不同层级感受野的特征,大幅提升了网络对遥感目标的检测能力。首先,设计了一个多尺度特征融合模块,通过改进多层感知器增强模型对全局上下文信息的提取能力。同时,引入轻量级局部视觉中心模块,以提高模型对局部特征的感知能力。两者结合,实现了模型对多尺度特征的有效提取和融合。其次,在检测头中引入用于尺度增强的上采样操作,通过提高特征图的分辨率,使模型能够更好地捕捉遥感图像中各类目标的细节信息。实验结果表明,所提算法在HRSC2016数据集上的平均精度均值(mAP)相比原模型提升了3.43百分点,在DIOR-R数据集上的mAP较原模型提升了1.12百分点,且均优于目前主流算法,验证了所提算法在遥感目标检测场景中的有效性。

关键词： 智能交通   复杂交通场景   目标检测   深度学习  

摘要： 在复杂道路场景下检测图像存在光照变化、遮挡、背景杂乱等问题,导致对场景里多目标的检测难度增大,尤其是在山地城市的道路场景下的检测。为解决此类问题,提出了一种基于YOLO算法的目标检测模型YOLO-MIS(YOLO for Multi-target in Infrared Scene)。在典型山地城市数据集上的实验结果表明:YOLO-MIS在满足网络模型轻量的情况下,与原模型相比其检测精度提升了57%,实现了在复杂交通场景中对目标的精确检测。

关键词： 视觉位置识别   金字塔主成分   位置聚类   图像处理  

摘要： 视觉位置识别是计算机视觉和机器人领域中重要的研究内容。自然场景中由于视点改变所带来的图像内容变化会对位置识别造成一定的难度。为了解决这一问题,提出一种基于位置聚类的特征重组方法。首先,提出一种通用的金字塔扩展方法 PyramidVLAD用于直方图特征提取。此外,为了进一步提升效率,将距离在一定阈值内的图像聚类至同一位置,然后再进行相似性计算。通过多组实验验证所提方法的有效性,使用PyramidVLAD与先进方法 APANet进行比较,在Recall@1方面,所提方法在两个数据集中分别取得了1.02和2.54百分点的提升,实验结果表明所提方法能够在两个位置识别的基准数据集中获得比现有方法更好的效果。

关键词： 目标跟踪   无监督学习   循环一致性   移动对象发现   对比学习  

摘要： 常规的深度学习跟踪方法需要使用大量人工注释的视频标签来完成对目标跟踪任务的监督学习,而无监督跟踪方法可以在未标注视频中进行模型训练,这有利于部署到实际场景中。传统的无监督跟踪方法严重依赖训练样本的空间信息探索,难以持续跟踪具有强烈运动变化的目标对象。提出一种基于循环一致性理论的无监督跟踪方法,采用无监督光流估计与动态规划发现移动目标,通过循环记忆学习方案构建内存队列来利用丰富的时间信息,并提出基于对比学习思想的方法完成对模板的更新。实验结果表明,提出的跟踪方法在VOT2016以及VOT2018数据集上的EAO分别达到了0.402和0.344,主要性能指标与一些主流监督学习方法的跟踪效果相当。

关键词： 计算机视觉   深度学习   艺术史   雕塑   切入点   理论框架   绘画  

摘要： 图像的维度——第二十届海平线·绘画雕塑联展|2024年12月25日至2025年2月26日,中华艺术宫举办第二十届海平线·绘画雕塑联展。展览以艺术史经典母题“图像”为切入点,借鉴深度学习与计算机视觉领域关于“图像维度”结构的理论框架。

关键词： 猪只行为识别   YOLO v8   特征提取网络   CARAFE   WIoUv3   目标检测  

摘要： 随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标的语义信息提取能力。其次,在特征融合网络中添加加权双向特征金字塔网络(BiFPN),强化模型特征融合能力。此外,结合上采样算子CARAFE,进一步提升模型在行为识别过程中特征提取能力。最后,使用WIoUv3作为损失函数,优化模型检测精度。经实验验证,改进后模型准确率、召回率、平均精度均值和F1值分别达到89.6%、88.0%、91.9%和88.8%,与TOOD、YOLO v7和YOLO v8模型相比,平均精度均值分别提高10.9、6.3、3.7个百分点,显著提高猪只行为识别精度。消融实验表明,各项改进均对模型的识别性能有提升效果,ConvNeXt V2主干特征提取网络对模型的提升效果最明显。综上所述,CBCW-YOLO v8模型在猪只行为识别任务中展现出优良的综合性能,为猪只健康管理和疾病预警提供有力的技术支持。