关键词： 深度学习   显著性目标检测   目标检测  

摘要： 显著性目标检测(SOD)作为计算机视觉的关键任务,旨在模拟人类视觉注意力机制,自动识别图像中最吸引注意的区域或对象,提高数据处理的效率和准确性。从传统方法开始分析,强调基于深度的SOD算法的重要性,详细探讨了多尺度特征融合、注意力机制及Transformer方法等方法的原理及经典网络结构,并分析了基于深度学习的SOD算法的现有挑战及发展趋势。旨在推动计算机视觉技术的智能化进程,为其实际应用提供更为精准高效的视觉理解支持。

关键词： 形变监测   无人机影像   摄影测量   编码标志点   图像处理  

摘要： 地表形变监测对于深入探究地质灾害的成因机制、演化特征以及构建综合风险预警系统具有重要意义。针对传统摄影测量技术面临的人工识别地面控制点效率低下和精度不足的问题,提出一种基于无人机影像的高精度地表形变提取方法。首先根据环形编码标志点的图像特征开发了一套精密的自动识别算法,高效捕捉无人机影像中编码标志点的像平面坐标;然后利用编码标志点在形变前后两期无人机影像中的像平面坐标及地面控制点的物方空间坐标,通过地表形变提取算法快速、准确地解算出地表形变信息;最后设计了无人机航测实验,并将所得结果与全站仪监测结果进行对照分析,验证所提方法的可行性。实验结果显示,所提方法可达到亚厘米级精度,精度明显高于点云直接比对算法及多尺度模型到模型点云比对算法,能够提取准确的地表形变信息,具有较高的实用价值和良好的应用前景。

关键词： 直升机防撞雷达   毫米波雷达   电力线识别   电力塔识别   机器学习   霍夫直线检测  

摘要： 针对直升机载毫米波雷达在复杂环境下新老类型障碍物(群目标、孤立目标及电力线)检测与识别困难的问题,提出了一种环境适应性强的目标检测识别算法,通过将电力塔目标与电力线目标检测识别处理相结合来提高电力线的检测概率。该方法首先对雷达图像去噪,提取无噪声图像划分连通域,然后应用恒虚警(Constant False Alarm Rate,CFAR)检测雷达图像得到疑似目标点,并基于图像连通域对疑似目标点进行凝聚。基于凝聚目标提取并计算目标的图像特征,利用离线机器学习得到特征知识库,利用特征知识库完成目标分类,识别出集群目标、电力塔及其他孤立目标。最后根据电力线布拉格散射特性识别电力线目标,并利用霍夫(Hough)直线检测对电力塔及电力线进行确认。该毫米波防撞雷达目标检测识别算法在复杂背景环境下具有良好的适应性,能够对新老类型障碍物完成检测识别,即使是电力线目标淹没在背景环境时,也能利用电力塔目标联合处理完成电力线提取,识别概率达98%。

关键词： 机器视觉   智能机械臂   目标检测   位姿估计   抓取控制   强化学习  

摘要： 针对传统机械臂抓取任务中依赖人工示教、灵活性差等问题,文章设计了一种基于机器视觉的智能机械臂抓取系统。系统通过深度相机获取目标物体的三维信息,利用深度学习算法进行目标检测与位姿估计,再结合运动学模型实现机械臂的精准抓取控制。实验结果表明,该系统在复杂场景下的抓取成功率达到92.3%,较传统方法提升35%,且对未知物体的泛化能力显著增强。

关键词： 图像去雾技术   全局直方图去雾处理法   多尺度Retinex(MSR)去雾处理  

摘要： 文章介绍了图像去雾技术这一当前图片处理领域的最先进技术。针对交通视频监控系统在恶劣雾霾天气下获取的图片质量受损、无法正确识别车辆信息的问题,文章首先总结已有图像去雾技术的研究成果,阐述图像去雾的重要性和基本原理,对比分析了全局直方图去雾处理法、同态滤波去雾处理法及多尺度Retinex(MSR)去雾处理法3种算法的去雾效果,最后对处理后的图像效果进行客观评价,得出结论:多尺度Retinex(MSR)去雾处理法的图像去雾效果最佳。

关键词： 遥感图像   卷积神经网络(CNN)   YOLOv8   目标检测  

摘要： 针对遥感图像背景复杂、小目标分布密集、目标尺度多样、易受环境因素影响等问题,本文提出一种改进YOLOv8的遥感目标检测算法:YOLOv8-LGA。首先,在主干网中引入LSK(large selective kernel)注意力模块,通过捕获和突出显示各种空间信息来增强特征选择。其次,使用GhostConv重构空间金字塔池化模块,利用其冗余特性来弥补最大池化层丢失细节信息的问题。然后,提出ABFPN(asymptotic bifurcated feature pyramid network)结构,巧妙地合并来自多个层级的特征,同时减少原网络在双向路径传播和交互过程中造成的信息丢失情况。最后,在DOTAv1.0数据集上进行了实验验证。实验结果表明,YOLOv8-LGA模型的识别准确率为81.6%,召回率为68.8%,平均精度均值(mean average precision,mAP)为73.6%,比YOLOv8高出2.3%、0.3%和1.6%。

关键词： 深度学习   多目标跟踪   目标检测   重识别分支   注意力机制   扩张卷积   在线实例匹配损失  

摘要： 针对拥挤场景下多目标跟踪中的漏检和频繁目标切换问题,提出一种改进的FairMOT算法,即AM-FairMOT。在重识别分支中融合空间和通道注意力机制,使模型能够动态地关注对任务有用的输入部分,提高外观信息的作用;引入特征组合模块,通过扩张卷积获得不同的感受野,以适应目标的变形;结合三重损失和在线实例匹配损失,以区分类似实例并缓解目标遮挡。实验结果表明,该算法在3个公开数据集的多对象跟踪精度(MOTA)、识别F1评分(IDF1)和身份开关数(IDs)等指标上优于多种主流的多目标跟踪算法。

关键词： 人体姿态估计   轻量化网络   特征融合   注意力机制   HRNet   计算机视觉   关键点   卷积神经网络  

摘要： 针对人体姿态估计网络存在参数量大、复杂度高以及难以部署到移动设备和嵌入式平台的问题,文中基于高分辨率网络提出了一种结合了注意力机制与改进的特征融合方法的多尺度轻量化人体姿态估计网络。采用轻量化ShuffleNetV2基础模块构建网络,并进行多尺度特征提取。采用双向特征金字塔融合模块取代原始特征融合方法,优化信息交互方式。在基础模块上融合全局上下文注意力模块,将全局空间信息聚合到通道上,进一步提升网络的特征提取能力。在COCO和MPII数据集上进行测试的结果表明,所提模型在性能、参数量和计算复杂度方面均优于其他主流轻量化网络。所提方法在保持较小参数量与运算复杂度的同时实现了与大型深度人体姿态估计网络相同的准确率。

关键词： 图像超分辨率   图像多曝光融合   稠密连接   极度曝光   注意力机制   图像处理   深度学习  

摘要： 针对传统的超分辨率图像算法无法处理工业领域中极度曝光的问题,提出一种图像超分辨率和图像多曝光融合算法。在网络耦合阶段引入稠密连接的方法,通过上下采样的方式最大限度保留住极度曝光图像的原有特征,在超分阶段引入多种注意力机制进行特征提取;通过叠加不同曝光程度的超分图像得到融合后兼具高分辨率和高动态范围的图像。基于自制工程数据集实验,其结果表明,该算法在多种指标下均优于比较模型。

关键词： 智慧课堂   教师教学行为   深度学习   目标检测   Transformer  

摘要： 区别于传统的教学分析模式,人工智能技术为智能化教学分析评价提供了有力支撑。文章基于最新的人工智能技术提出一种新颖的R-YOLOv8s模型,融合ResT(resnet-like vision transformer)架构和极化注意力模型到YOLOv8s模型中,用于对智慧课堂下教师的教学行为进行检测识别。该模型利用Transformer建模图像的全局依赖关系信息,在图像特征提取阶段增强模型对输入图像的特征提取与表达能力,同时在特征采样与融合阶段中以C2PSA模块实现不同尺度特征图的细粒度融合与表征,实现高精度的教师课堂教学行为检测。通过实验表明,相较于基准YOLOv8s模型,R-YOLOv8s在自建教师课堂行为检测数据集上的Precision、Recall、mAP50和mAP50-95指标分别提升了6.0%、4.7%、3.8%和3.0%。