关键词： 连续学习   持续学习   计算机视觉   通用人工智能(AI)   深度学习   神经网络  

摘要： 连续学习广义上指智能算法与智能体学习和适应动态变化世界的能力，这使得智能算法能够在部署周期中不断获取、更新、积累和利用知识.连续学习技术赋予了智能系统自适应发展的前景和能力.在深度学习中，连续学习具体指的是能够从非平稳数据流中学习和适应不断变化的训练目标，这一任务通常面临着灾难性遗忘的挑战，即学习新任务通常会导致旧任务性能的大幅下降.近年来，随着深度学习在语言、视觉等诸多领域的迅速发展，涌现了诸多进展，有效拓展了对连续学习的理解和应用.本工作对现有连续学习工作进行了较为广泛而深入的调研，并从连续学习基础定义、代表性方法、在视觉领域的应用等多角度分析.最后，本文也对连续学习当前的前沿发展和未来研究趋势进行探讨.基于对连续学习领域相关工作的探讨，期待本文这一综述可以有效促进该领域和后续研究工作的进一步发展和探索.

关键词： 双曲几何   计算机视觉   监督学习   无监督学习   模型适配学习  

摘要： 在机器学习领域，数据几何建模旨在探索数据集中样本的内在结构关系，这对在表征空间中编码底层数据结构至关重要。双曲几何作为一种具有恒定负截面曲率的黎曼流形，因其独特的层次化结构编码能力（例如在不规则图结构或树形数据集中的表现），已成为自然语言处理与图学习等多个领域中备受关注的嵌入空间构建方案。最新研究表明，视觉数据集同样蕴含层次化的结构特征，这推动了双曲几何在计算机视觉领域的创新应用，从经典图像分类到前沿模型适配学习均展现出显著优势。本文系统总结了双曲空间在计算机视觉中的最新研究进展：首先阐释双曲几何的数学基础，继而深入分析基于双曲空间几何先验的视觉算法（包括无监督学习、监督学习与模型适配学习方法），最后总结当前研究成果并展望未来研究方向。本文不仅清晰勾勒出双曲几何在计算机视觉应用中的技术发展脉络，更旨在为相关领域的理论创新与实践突破提供启发。

关键词： YOLOv7-tiny   目标检测   深度学习   多目标跟踪   轨迹提取  

摘要： 城市道路车辆轨迹提取对智能交通监管至关重要，但现有技术存在检测精度低、身份跳变导致的轨迹断裂等问题。本文提出融合改进YOLOv7-tiny检测、StrongSORT跟踪与Savitzky-Golay滤波优化的复合框架（IYSSG）。该框架能够利用交通监控设备采集的城市道路监控视频数据，高效提取不同车辆目标的轨迹。经过实验评估，IYSSG框架在三个主要任务中表现出色。在车辆检测方面，改进后的YOLOv7-tiny算法在保障检测速度的同时，精度、召回率和mAP@0.5相较于原始Yolov7-tiny算法分别提升了2.5、8.5和3.7个百分点。在车辆跟踪方面，StrongSORT算法相比于DeepSORT算法，MOTA和MOTP指标分别取得了4.92和2.7个百分点的提升。在车辆轨迹提取与优化方面，Savitzky-Golay滤波算法有效解决了因视频抖动和算法误差等客观因素导致的轨迹点缺失和轨迹不平滑问题，这有助于研究人员从交通监控视频中提取精确的车辆轨迹，从而更好地分析定位交通问题。

关键词： 图像处理   图像分割   船舶实例分割   注意力机制   Snake模型  

摘要： [目的]船舶的实例分割可服务于船舶监测、识别和跟踪等任务，支撑船舶智能航行。然而，受船舶形状尺度多变及环境因素的干扰，已有实例分割方法在船舶轮廓提取上表现不佳。为解决此问题，本文提出基于曲线递归的Ship Contour方法。[方法]通过改进CenterNet方法提取分层特征，融合Deep Layer Aggregation-60骨干网络，兼顾精度和速度；优化Block结构、引入ECA通道注意力机制增强特征提取的能力，使用Mish激活函数代替ReLU适应深层学习；引入平移不变的轮廓变形方法、Dynamic Matching Loss损失函数加快最终轮廓的提取。[结果]在2 300张样本的2023Ship-seg专用数据集上，所提出方法的准确率AP0.5:0.95达到64.0%，召回率AR0.5:0.95到达67.9%，优于所有主流实例分割算法。[结论]该方法能有效提升监控与智能航行场景下的视觉处理效果。

关键词： YOLO11   PCB缺陷   轻量化   BiFPN   目标检测  

摘要： 针对印刷电路板（printed circuit board， PCB）小目标缺陷检测精度低、模型复杂、计算量大，难以在边缘设备上部署运行的问题，本文基于YOLO11n提出一种轻量化的算法。首先使用BiMAFPN（bi-directional multi-branch auxiliary feature pyramid network）对模型的网络结构进行重构，再使用C3k2＿Faster模块在保证准确度的前提下进一步降低模型的复杂度，最后使用LSCD（lightweight shared convolutional detection）检测头提高检测的精度。实验表明，本文提出的模型精确率达到93.0%，召回率82.8%，模型权重大小3.8 MiB，mAP@0.5和mAP@0.5:0.95分别达到89.9%和47.1%，相较于YOLO11n，精确率提升0.6个百分点，mAP@0.5和mAP@0.5:0.95分别提升1.4和0.6个百分点，模型体积、计算量和参数量分别减少30.9%、17.5%、32.4%。改进后的算法在轻量化的同时仍具备较好的检测精度，适合于边缘设备的部署。

关键词： 香菇   采收评价   FSE-DETR   深度学习   目标检测  

摘要： [目的/意义]随着计算机视觉与自动化技术在香菇工厂化生产中的深入应用，拌料、装袋、灭菌、接种等环节已基本实现自动化，而采摘与分级仍高度依赖人工，成为制约产业效率的关键环节。为提升香菇采收阶段的智能化水平，亟需构建高精度、轻量化的目标检测模型。[方法]提出了一种基于改进RT-DETR (Real-Time DEtection TRansformer)的香菇采收评价模型——FSE-DETR。该模型在主干网络中引入FasterNet Block以降低计算复杂度，并在特征编码阶段设计了小目标特征融合网络（Small Object Feature Fusion Network, SFFN），通过空间到深度卷积（Space-to-depth Conv, SPDConv）保留细粒度空间信息，结合跨阶段全核模块（Cross Stage Partial Omni-Kernel Module, CSPOmniKernel）实现多尺度特征提取与全局上下文建模；同时采用高效交并比（Efficient IoU,EIoU）损失函数优化边界框定位精度与收敛速度。[结果和讨论] FSE-DETR在检测精度和模型效率方面均优于Faster R-CNN (Faster Region-based Convolutional Neural Network)、YOLOv7、YOLOv8m和YOLOv12m等主流模型，在小目标、密集遮挡和低光照条件下表现更加稳定。模型最终准确率达95.8%，召回率为93.1%，平均精度均值为95.3%，同时具备良好的计算效率，参数量为19.1 MB,FLOPs为53.6 G，展现出优异的实用性与部署潜力。[结论] FSE-DETR在保持高检测精度的同时实现了轻量化与高效率，能够为香菇工厂化生产中的采收评价提供可靠的技术支持。

关键词： 汉代优秀历史文化   Photoshop   图像处理   创意设计   教学案例  

摘要： 随着信息技术革命的发展，Photoshop正在以前所未有的速度和规模渗透到设计教育中。同时，中华优秀传统文化元素的重要性也愈发突出。将汉代优秀历史文化融入Photoshop课程教学中显得非常有必要。采用文献综述、教学实验和问卷调查等多种方法，将汉代历史人物、历史典故、汉代图案和色彩、汉代书法和装饰纹样等汉代文化，通过Photoshop软件融入设计学科中，不仅提高了学生设计的原创性，也增强了学生对中华优秀传统文化的认同感与传承意识。研究开发了若干基于汉代文化的设计教学资源和教学模块，为丰富Photoshop课程教学提供了新思路，对于传承汉代优秀历史文化也具有重要意义。

关键词： OKR   AI赋能   动态项目式教学   课程思政   计算机视觉  

摘要： 普通应用型本科院校专业综合类课程具有跨学科、综合性强、应用性强的特点，针对如何有效提升教学质量的问题，结合知识图谱、DeepSeek等AI技术，融合工程认证指标、课程思政元素，以“AI弥合资源鸿沟，目标牵引能力跃迁”为设计理念，构建基于OKR框架的综合类课程项目式教学模式。

关键词： 计算机视觉   语义分割   半监督学习   协同训练   伪标签  

摘要： 半监督语义分割方法通常采用不同数据增强方案来确保多分支网络输入信息的差异化,以实现分支之间相互监督.虽然该方法取了一定成效,但其存在以下问题:1)特征提取差异不足,造成推理特征信息同化; 2)监督信号差异不足,造成末端损失学习同化.以上两个问题都会促使网络中不同分支收敛到相似的解决方案,导致多分支网络功能退化,出现多个分支对错误保持相似置信度的问题,错误引导网络分支收敛.针对上述问题,提出了一种基于差异化特征提取的交叉半监督语义分割网络.首先,采用差异化特征提取策略,通过让网络分支分别关注纹理、语义和形状等不同信息,从特征提取角度使特征提取信息始终存在差异性,减少网络对数据增强的依赖;其次,提出一种交叉融合伪标签方法,使网络分支交替生成邻域像素融合伪标签,以此增强网络末端监督信号的差异性,最终促使网络分支收敛向不同的解决方案.实验结果证明,方法在Pascal VOC 2012和Cityscapes验证集上分别达到了80.2%和76.8%的优异性能,领先于最新方法 0.3%和1.3%.

关键词： 实时目标检测   无人机自主控制   边缘计算   动态路径规划   模型轻量化  

摘要： 针对复杂环境下无人机感知-决策链路的可靠性与实时性不足的问题，基于Jetson Orin NX边缘计算平台实现了改进的实时目标检测算法YOLOv8s与改进的动态路径规划算法A*的融合和加速优化。在目标检测层，改进YOLOv8s算法的颈部结构，引入了基于GSConv的轻量化颈部网络SlimNeck，结合TensorRT INT8量化加速，在保持72.0%小目标检测精度的同时，检测速度提升至57帧/s；在路径规划层，对A*动态路径规划算法融合了实时目标检测输出的障碍物置信度信息及运动学模型，重构路径代价函数，使用CUDA并行加速，使规划计算复杂度降低22%，平均延迟减少80.6%，碰撞概率降低86.3%。系统延迟降至400 ms内。在真实复杂路口处进行了无人机测试，验证了该方案在提升无人机复杂环境自主性方面的有效性与实用性。