关键词： 红外弱小目标识别   Yolov8   大内核卷积   三重注意力机制   目标检测  

摘要： 为解决现有深度学习网络结构对红外弱小目标的识别针对性不足问题,提出了一种基于改进Yolov8的红外弱小目标识别算法(Yolov8n based on UniRepLK Block and Triplet Attention,UT-Yolov8)。该算法通过特征融合网络输出端的检测头引入三重注意力机制,为特征融合网络内部添加新的小目标检测层、检测头,以及在特征提取网络的空间池化金字塔内结合大内核卷积,针对红外弱小目标的成像特性进行改进。算法在真实红外图像数据上进行验证,实验结果表明,UT-Yolov8算法在保持高检测速度的同时,有效提高了网络对于红外弱小目标识别精度,平均精度均值mAP@0.5达到了95.9%。

关键词： AI技术   计算机视觉   深度学习   自然语言处理  

摘要： 随着人工智能(AI)技术的飞速发展,其在影视创作领域的应用日益广泛且深入。近年来,AI技术在自然语言处理、深度学习、计算机视觉等方面都取得了进一步的突破,为影视创作带来了更多的变革机遇。传统影视创作高度依赖编剧、导演、演员等创作者的才华和经验,而AI技术的介入为影视创作提供了全新的工具和视角。

关键词： 模版   图像匹配   计算机视觉  

摘要： 图像匹配是计算机视觉领域的一个重要研究方向,旨在从大量的图像数据中寻找和识别相似的图像或图像中的特定目标,其应用广泛,包括但不限于人脸识别、物体识别、图像检索、图像拼接、机器人导航等。探讨了基于模版的图像匹配方法,通过分析图像匹配的关键要素,介绍了相关系数法和误差法这两种模版匹配法,并通过试验实现了基于模版的图像匹配,根据试验数据对两种匹配方法进行了比较。

关键词： 火龙果   目标检测   小目标   全局特征   多尺度加权特征融合网络  

摘要： 为了解决因火龙果果实尺寸不一、数量众多而造成的重叠遮挡问题,本文提出了一种基于YOLO v8模型的多尺度加权特征融合网络(MBS-YOLO v8)。在特征提取模块中加入挤压和激励网络(Squeeze-and-excitation attention, SEAttention)机制,以增强网络捕捉关键细节能力,解决小目标检测问题。提出一种多尺度加权融合网络(Multi-scale weighted fusion network, MWConv)用于生成具有不同感受野的特征图,增强了图像中全局特征的捕获能力。试验结果表明,MBS-YOLO v8准确率为92.5%,召回率为90.1%,平均精度均值mAP50为94.7%。与YOLO v8n算法相比,MBS-YOLO v8准确率、召回率和mAP50分别提高2.1、5.9、2个百分点。本文MBS-YOLO v8模型展现出高度的鲁棒性,该方法有效地将全局特征信息与低维局部特征相结合,从而提高了模型对图像内容的理解,能够应对与重叠遮挡和小目标相关的挑战,为火龙果及其他同类型目标检测提供了改进思路。

关键词： 西红柿   复杂农业场景   YOLOv8n   目标检测   特征融合   鲁棒性   泛化能力  

摘要： 针对复杂农业场景下西红柿果实大量重叠,叶片、背景遮挡干扰严重,现有模型检测时鲁棒性、检测精度、效果欠佳等问题,提出一种基于改进YOLOv8n的西红柿目标检测模型:TOMO-YOLO。首先,提出了WAFF特征融合策略,替换YOLOv8n的多尺度特征融合方法,优化不同尺度特征的权重分配,增强特征图的表达能力。其次,为解决YOLOv8n在面对复杂农业场景时鲁棒性和泛化能力弱、精度不佳的问题,设计了AWD检测头,提升模型在复杂农业场景的鲁棒性和检测性能。最后,在公共西红柿数据集、自建西红柿数据集上进行模型对比试验。试验结果表明,TOMO-YOLO的整体性能优于YOLO系列模型:YOLOv8n、YOLOv10n、YOLOv6n、YOLOv5n,其中TOMO-YOLO在公共西红柿数据集、自建西红柿数据集上的边框精度分别为88.6%和77.2%,召回率分别为85.0%和59.1%,mAP_(0.5)分别为90.9%和66.7%,mAP_(0.5~0.95)分别为55.0%和37.9%,F1分数分别为85.0%和68.0%,相较于YOLOv8n,边框精度分别提升0.7和3.9个百分点,召回率分别提升5.8和2.6个百分点,mAP_(0.5)分别提升1.4和3.0个百分点、mAP_(0.5~0.95)分别提升1.6和1.2个百分点,F1分数分别提升2.0和4.0个百分点,证明了改进模型的有效性,为西红柿自动化检测与识别提供技术支持。

关键词： 数列极限   计算机算法   收敛性分析   数值算法   机器学习   图像处理  

摘要： 研究对数列极限在计算机算法收敛性分析中的应用情况进行了探讨,尤其强调了其在数值算法、机器学习与图像处理等领域的重要意义。借助对数列收敛性与极限计算方法的剖析,文章说明了数列极限在数学分析中的基础性地位及其与其他分支的关系。研究发现,若在算法设计中引入数列极限的概念,不仅能精准评估算法收敛态势,还能显著提升算法运行效率及稳定性。通过对具体案例进行深入分析,文章揭示了在迭代法、优化算法等数值算法的范畴中,数列极限如何有效指导算法的收敛性评估与性能优化。在机器学习领域,数列极限在模型训练收敛速率及损失函数优化中发挥了关键作用;在图像处理领域,数列极限可辅助理解向量场的收敛性和图像质量提升的相关性。文章总结了研究的重大成果,并对未来在算法收敛性分析中应用数列极限的前景与可能性展开了探讨,以期为计算机科学领域的相关研究提供全新的视角与思路。

关键词： 目标检测   深度学习   计算机视觉   单阶段   YOLO   DETR  

摘要： 近年来,目标检测算法作为计算机视觉领域中的核心任务,逐渐成为热门研究方向。它使得计算机能够识别和定位图像或视频帧中的目标物体,广泛应用于自动驾驶、生物个体检测、农业检测、医疗影像分析等领域。随着深度学习的发展,通用目标检测算法从传统的目标检测方法转变为基于深度学习下的目标检测方法。其中深度学习下的通用目标检测算法主要分为单阶段目标检测与两阶段目标检测,以单阶段目标检测为切入点,根据采用经典卷积与Transformer两种不同架构,对首个单阶段目标检测算法YOLO系列(YOLOv1~YOLOv11、YOLO主要改进版本)、SSD等和以Transformer为基础架构的DETR系列的主流单阶段检测算法进行分析总结。介绍各个算法的网络结构以及其研究进展,根据各个算法的结构归纳出其特点优势以及局限性,概括目标检测领域主要通用数据集与评价指标,分析各算法以及其改进方法的性能,讨论各算法在不同领域的应用现状,展望单阶段目标检测算法在未来的研究方向。

关键词： 激光雷达   目标检测   自动驾驶   复杂天气   深度学习  

摘要： 随着传感器、数据处理、视觉感知、控制决策、人工智能等自动驾驶相关技术的不断发展,自动驾驶成为汽车行业未来发展的重要方向之一.但是,以雨、雾、雪等复杂天气为典型代表的极端驾驶环境,对自动驾驶环境感知提出了严峻挑战.随着激光雷达(Light detection and ranging,LiDAR)在汽车上得到广泛运用,基于车载激光点云的目标检测已成为自动驾驶环境感知的重要研究方向之一,但在复杂天气条件下,LiDAR探测生成的点云存在大量噪点,对目标检测的性能产生严重负面影响.对此,本文首先归纳了点云目标检测的基本定义、任务方法和评测指标,然后分析了复杂天气对点云目标检测的影响,并从数据增强、点云去噪、域自适应以及传感器融合等四个方面,系统分析了复杂天气下基于车载激光点云的目标检测方法及其优缺点,最后探讨了当前存在的数据规模与真实性不足、模型结构复杂、数据分布不均匀、实际部署瓶颈等问题以及未来研究方向.

关键词： 多传感器融合   激光雷达   单目相机   D-S证据理论   加权框融合  

摘要： 针对单一传感器存在受环境因素影响较大,容易造成漏检,误检且不同传感器之间的数据格式不同,融合复杂度高的问题,提出一种基于激光雷达和相机的决策级融合方法。首先对激光雷达和相机进行时空对齐,然后分别使用PointPillars算法和Yolov5算法对预处理后的点云数据和图像数据进行迁移训练和目标检测得到检测框,最后使用交并比匹配、D-S证据理论和加权框融合方法对目标结果进行融合。通过实车试验,得出提出的融合方法在激光雷达和相机的决策级融合场景中能够有效结合两者的优势,实现对环境的更全面感知,有效提升目标检测精度,减小误检,漏检的概率。

关键词： 播种质量检测   计算机视觉技术   水稻  

摘要： 一、研究背景及意义水稻是我国主要的粮食作物之一,我国也是世界上最大的水稻生产国和消费国,因而水稻的生产在我国的粮食生产中占有极其重要的地位。随着时代的发展和科技的进步,工厂化育秧应运而生,通过使用育秧设备和技术,实现育秧过程的标准化和规模化。工厂化育秧的产生不仅提高了育秧效率,还保证了秧苗的质量和数量,为水稻等农作物的生产提供有力保障。