关键词： 创新能力   医学图像处理   混合式教学  

摘要： 随着国家创新驱动发展战略的深入推进,教育领域正迎来前所未有的改革机遇。本文针对医学图像处理课程中存在的教学内容与应用需求脱节、实践项目缺乏创新性、课程评价方法单一等问题,进行了基于创新能力培养的混合式教学改革实践。通过重新组织和优化课程资源,完成课程内容重构,构建“学堂云+雨课堂”的混合式教学模式;设计“三阶四层”的实践教学系统,增强学生的实践操作能力和创新意识;设计注重“过程+效果+创新”的考核评价体系,将临床实践创新案例引入考核过程,明显提升了学生参与创新创业活动的积极性。课程实践证明,医学图像处理课程教学改革切实有效地促进了学生创新实践能力的培养。

关键词： 计算机视觉   增强现实   数字空间   虚拟现实   云计算   沉浸式   空间数据处理   空间计算  

摘要： 空间计算(Spatial Computing)是一项基于空间数据处理以及增强现实、虚拟现实和混合现实技术的前沿技术,能够通过感知、处理和理解真实世界的空间数据来构建虚实融合的数字空间。近年来,随着5G网络的普及、物联网(IOT)技术的快速发展以及硬件设备的不断进步,空间计算技术在多个行业中得到了广泛应用,包括游戏、医疗、制造等领域。这一技术还得益于计算机视觉、人工智能(AI)、云计算与边缘计算的协同发展,使得计算系统能够实时感知并理解三维空间的动态变化,为各行业提供更加沉浸式、智能化的解决方案。

关键词： 露天矿   路面障碍物   目标检测   RepViT网络   无人驾驶   智慧矿山  

摘要： 露天矿无人驾驶是智慧矿山建设的重要组成部分。露天矿无人驾驶的核心在于保障车辆安全行驶,然而现阶段矿区道路上存在的落石、水坑和车辙等障碍物严重影响了矿车的行驶安全。针对现有算法检测这类密集障碍物精度受限的问题,提出了一种基于RT-DETR的露天矿区路面障碍物检测算法。RTDETR算法通过在编码器阶段引入RepViT网络,提升了模型的特征提取效率,在解码器中通过通道压缩剪枝操作提升了模型的检测速度。此外,还提出融合注意力机制的RepAttC3模块,加强了模型的特征提取能力。通过采集不同矿区数据,构建了露天矿区路面障碍物数据集,并进行了障碍物检测试验。结果表明:本文所提出的RT-DETR算法的平均检测精度可达92.7%,综合检测精度可达96.6%,检测速度可达12.3 ms。相较于其他路面障碍物检测算法,本文算法对露天矿区多尺度与小目标障碍物具有良好的检测效果,能够为露天矿区车辆提供准确且高效的障碍物检测,保障车辆安全行驶。

关键词： 计算机视觉   状态监测   自动化控制  

摘要： 阐述计算机视觉技术对于电力系统自动化建设的影响,分析其在电力系统自动化中的具体应用,包括设备状态监测与故障诊断、输电线路监测与异常检测、安防监控与入侵检测、智能巡检与维护。

关键词： 基于姿态估计   扶梯危险行为识别   YOLOv5   目标检测   跨通道信息   轻量化识别   模型过大   识别速度低  

摘要： 基于人体关键点的姿态估计算法目前已被广泛应用,该算法主要分为关键点提取和关键点分类两个步骤。在关键点提取时,常用的多人实时关键点提取算法OpenPose,其主干网络VGG19过于复杂,导致模型过大、识别速度低等问题,针对这些问题,本文使用了轻量化后的OpenPose提取关键点,并在关键点提取之前加入YOLOv5进行目标检测,解决了轻量化识别准确率较低的问题。在关键点分类时,现有的方法没有充分考虑关键点之间的相对位置和连接信息,因此本文提出一种基于改进后的时空图卷积网络的关键点分类方法,能够更好地捕获跨通道信息能力,并提升关键点分类的准确率。

关键词： 伪装技术   伪装目标检测   深度学习   零样本学习  

摘要： 伪装主要包括隐蔽、形变、干扰和降低显著性等。随着伪装技术的发展与进步,对隐蔽伪装目标检测的技术要求也逐步提高。针对隐蔽伪装,梳理了伪装技术的研究现状;论述了传统隐蔽伪装目标检测方法,特别是近年来基于深度学习的隐蔽伪装目标检测方法;进一步分析了隐蔽伪装目标检测常用的动物伪装数据集和军事迷彩数据集,并归纳了4个常用的评价指标;总结了隐蔽伪装目标检测在重叠遮挡、尺度变化、动态变化和设备资源受限等方面面临的挑战,并从3个不同角度探讨了隐蔽伪装目标检测在军事领域中的发展前景。

关键词： 智能交通   车辆检测   轻量化   YOLOv7-tiny   深度学习  

摘要： 在复杂道路环境下进行多目标检测时,现有算法存在识别效果差、参数量大、计算复杂度高等问题,不适合在资源有限的移动端设备部署。对此,基于YOLOv7-tiny提出一种结合非相邻特征的轻量化道路多目标检测算法。首先,设计轻量级非相邻特征金字塔网络Tiny-AFPN对不同尺度的非相邻特征进行融合,减少因尺度差异造成的特征损失,实现更丰富的跨尺度信息交互,提升模型的泛化能力。其次,通过引入分布偏移卷积DSConv,重新设计了高效层聚合网络ELAN,并命名为ELAN-DS,在优化高效层聚合网络、降低模型复杂度的同时提升特征表达能力。最后,采用MPDIoU损失函数,增强网络对目标的检测能力,提高了边界框回归的准确性。在SODA10M的实验中,改进后的YOLOv7-tiny算法相较于原模型的准确率、mAP@0.5和召回率分别提升了1.4%、1.4%、5.9%,参数量和计算量分别减少了8.2%和41.5%,有效降低了模型的参数量和计算复杂度,大幅度提升了模型的检测速度,为在边缘设备上的部署提供了可能性。

关键词： 无人机视频图像   小目标检测   YOLOv4   多尺度融合   ASPP  

摘要： 针对无人机视频图像背景复杂、小目标数量多、漏检错检率高的问题,提出一种基于改进YOLOv4的小目标检测算法。加入改进的注意力机制来加强关注小目标信息的能力;增加一个检测头并与主干网络的特征图进行融合来获取小目标的语义信息;使用改进的ASPP网络代替普通卷积块进行下采样以增大感受野,减少信息丢失。在VisDrone2019数据集上的实验结果表明,ASPP-YOLOv4的mAP较YOLOv4提升3.82百分点,显著地提升了小目标的检测精度。

关键词： 航拍图像   小目标检测   注意力机制   Wasserstein距离  

摘要： 针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look Once v5)。该模型以YOLOv5模型为基础,在头部网络添加了多尺度检测层以提取小目标特征,同时在骨干网络加入了CA注意力机制,避免模型忽略目标的位置信息。最后,使用归一化Wasserstein距离损失函数代替基于交并比的损失函数,加强了模型对微小目标的敏感程度。在VisDrone2019数据集上的实验表明,相比改进前的YOLOv5模型,CA-NWD-YOLOv5模型可有效提升无人机航拍图像中小目标的检测精度,改进后算法的mAP_0.5达到了50%,可以有效应用于航拍小目标的检测。

关键词： 目标跟踪   外观融合模型   正则化   通道可靠性   目标恢复  

摘要： 针对无人机跟踪地面运动目标过程中目标场景发生遮挡、光照变化等复杂情况下,相关滤波模型易退化进而导致跟踪精度降低等问题,提出了一种针对无人机对地面目标的稳定实时跟踪算法.首先,利用FHOG,CN和灰度等特征构建外观融合模型,提高对复杂场景的适应性;然后,在相关滤波跟踪的基础上,设计自适应局部时空正则化策略,在跟踪器中引入空间正则化来实现像素级的滤波器限制,同时设计时间正则化来优化滤波器的更新;其次,对滤波器进行通道可靠性融合,设计了自适应模型更新策略,防止滤波器退化,提高目标定位的精确度;最后,设计目标恢复模块来提高跟踪器强度,能更好地应对复杂环境.实验结果表明,提出的算法与同类文献算法相比,能更好地适应无人机对地面目标复杂场景的跟踪任务并满足实时性.