关键词： 人工智能   艺术体操   智能化教学   计算机视觉   生成式人工智能   人机协同  

摘要： 人工智能与艺术体操教学的深度融合为传统教学模式向智能化转型提供了新路径。本文聚焦徒手动作标准化、器械操作精准度两大核心教学场景，探讨了AI技术的创新应用模式。通过文献分析与案例研究，提出基于计算机视觉的徒手动作姿态解析技术和融合惯性传感与轨迹预测算法的器械训练系统，指出AI落地需突破复杂动作语义建模准确性、多模态数据融合有效性及人机协同教学机制合理性三大关键问题，并构建“技术适配性优化-教学场景化改造”的双向协同模式。

关键词： 多模态融合   亲和度矩阵   数据关联   3D多目标跟踪  

摘要： 自动驾驶场景的多样性以及目标交互的复杂性，使得3D多目标跟踪仍是一项艰巨的任务。现有方法在构建跟踪模型时，存在多模态特征未对齐、亲和度矩阵匹配度较低、目标信息利用不充分等问题，导致跟踪过程中存在漏检、轨迹碎片化、身份切换等现象。为解决上述问题，提出一种基于多模态特征动态融合和信息交叉关联的3D多目标跟踪方法。首先，提出多模态特征动态融合模块，将点云和图像进行充分融合，以获取更具代表性的融合特征。其次，利用检测和轨迹之间的距离以及目标自身的属性构建更具有辨别性的位置亲和度矩阵。最后，设计信息交叉关联模块，采用过滤的方式将外观和位置信息用于数据关联。KITTI数据集上的实验结果表明，与其他方法相比，提出的方法取得了先进的跟踪性能，具有更好的跟踪鲁棒性。

关键词： 无人机   航拍图像   小目标   YOLOv8   改进的可变形卷积   动态检测头   注意力机制  

摘要： 针对无人机航拍图像中目标小且密集重叠、场景多样复杂等造成检测精度不高的问题，提出一种改进YOLOv8n的航拍小目标检测算法。将改进的可变形卷积与主干网络中部分C2f进行融合，加强网络适应不同的目标尺度变化；在Neck部分引入GC注意力机制，增强网络对重要特征信息的提取；在Head部分设计了动态检测头DyHead,通过统一尺度、空间和任务三种维度的注意力来提高检测头的检测效果；对原模型的特征融合结构和检测头进行改进，有效提高网络对小目标检测精度并减少了模型参数量。实验结果表明，改进后的模型在VisDrone数据集上比基础模型的mAP50提高了6.0个百分点，且模型部署在硬件上的帧率为20帧/s。该算法检测效果得到显著提升，检测速度满足无人机航拍小目标的实时要求。

关键词： 智能交通工程   自动驾驶   点云   三维目标检测   体素   Transformer  

摘要： 【背景】传统方法因静态感受野设计较难适配城市自动驾驶场景中汽车、行人及骑行者等目标的显著尺度差异，且跨尺度特征融合易引发层级干扰。【方法】针对自动驾驶场景中多类别、多尺寸目标的3D检测中跨尺度表征一致性的关键挑战，本研究提出基于均衡化感受野的3D目标检测方法VoxTNT，通过局部-全局协同注意力机制提升检测性能。在局部层面，设计了PointSetFormer模块，引入诱导集注意力模块（Induced Set Attention Block, ISAB），通过约简的交叉注意力聚合高密度点云的细粒度几何特征，突破传统体素均值池化的信息损失瓶颈；在全局层面，设计了VoxelFormerFFN模块，将非空体素抽象为超点集并实施跨体素ISAB交互，建立长程上下文依赖关系，并将全局特征学习计算负载从O（N2）压缩至O（M2）(M<

关键词： 图像去雾   计算机视觉系统   数字图像视频   FPGA硬件  

摘要： 针对在雾霾、沙尘等不利的气候条件下，拍摄照片和视频会受到如对比度下降、色彩失真等严重影响。为了减少不利天气对视觉信息的干扰，该文将对暗通道先验算法进行改进，提出一种优化的加窗加权暗通道先验自适应阈值去雾算法，结合硬件FPGA(field programmable gate array)对图像视频进行去雾，并运用模块化设计的理念，对算法进行硬件级优化，利用FPGA的并行计算特性加速图像视频去雾。实验结果表明，该系统能够高效地还原清晰图片，硬件资源消耗及成本较低，视频帧率稳定在60帧/s，可满足实时性要求。

关键词： 同时定位与地图构建   目标检测   动态场景   光流法   几何对应神经网络  

摘要： 在传统视觉同时定位与地图构建（SLAM）算法中，通常假设环境中的物体处于静态。然而，实际应用中不可避免存在动态物体，其成像特征点参与特征匹配和位姿估计会引入误差，影响后端优化，进而削弱SLAM系统的鲁棒性，无法获得全局一致的位姿轨迹和地图。提出一种将几何对应神经网络（GCNv2）特征点提取与YOLOv8s-seg语义分割相结合的动态目标自适应分离的动态SLAM算法。首先，利用ORB-SLAM3框架提取基于GCNv2的特征点并生成相对应的描述子。然后，采用YOLOv8s-seg网络对动态物体进行分割，通过光流法对场景中的动态目标进行检测，同时，采用光流场统计目标动态程度，并基于动态程度自适应调整剔除动态特征点的阈值，剔除动态特征点以减小SLAM系统的位姿估计误差。最后，将静态特征点与ORB-SLAM3后端的非线性优化、闭环检测和局部建图进行融合。TUM数据集实验结果表明：所提算法在高动态场景下，相较于ORB-SLAM3绝对轨迹误差（ATE）的均方根误差（RMSE）平均下降77.75%，标准差（SD）平均下降69.75%；在与Dyna-SLAM和DS-SLAM的对比中也具有显著优势，有效提升ORB-SLAM3在动态场景下的定位精度与跟踪鲁棒性。

关键词： 梳棉机棉网   深度学习   目标检测   棉结   轻量化模型   YOLOv8   图像检测  

摘要： 针对基于深度学习的棉结目标检测模型占用过多计算资源、难以满足嵌入式设备及移动端的实时在线检测的问题，提出基于改进型YOLOv8的梳棉机棉网上棉结检测方法。首先，将轻量型网络MobileNetv3＿Small用作YOLOv8n骨干网络，降低计算参数量；其次，在MobileNetv3网络中使用自改进协调注意力机制(coordinate attention)模块替换原有的压缩和激励(squeeze-and-excitation)注意力机制模块，提升对棉结的检测精度；最后，使用EIoU损失函数取代原YOLOv8n中的CIoU损失函数，在处理数据时保留更多有效信息。在自制棉结图像数据集上验证改进型YOLOv8算法的检测效果，结果表明：基于改进型YOLOv8的检测方法平均准确率均值达到95.8%,相较于改进前提升了2.6%;参数量减少了34.2%。改进后算法的检测效果更好，且模型更加轻量，可满足嵌入式设备的使用。

关键词： 计算机视觉   多维数据分析   深度学习   特征融合   智能模型  

摘要： 随着大数据时代的到来，多维数据智能分析需求日益迫切。将计算机视觉技术与多维数据分析相结合，提出一种新型智能分析模型。该模型通过深度学习网络提取图像特征，结合多维数据降维和特征融合技术实现数据的多模态表示和分析。实验表明，所提出的模型在数据分类准确率、特征提取效率和可解释性等方面均优于传统方法，为多维数据分析提供了新的研究思路和技术支持。

关键词： 青橘   Transformer   深度学习   目标检测  

摘要： 青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题，本研究提出了一种轻量且高精度的青橘检测模型(RT-GCTR)。该模型采用大感受野小波卷积模块(WCLRF＿Block)增强多尺寸目标特征提取，结合多尺度多头自注意力机制(MSMHSA)构建多尺度融合模块(MSMH-AIFI),自适应聚合多尺度特征，并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔，提升小目标检测精度。实验结果表明，RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%,优于其他先进模型。与RT-DETR-r18相比，RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%,在NVIDIA Jetson Orin NX上检测速度达10.3 fps。本研究在降低复杂度的同时，提升了精度和实时性，满足边缘设备需求。