关键词： 自动驾驶   深度学习   目标检测   图像融合   YOLOv7tiny  

摘要： 为了实现在自动驾驶过程中目标密集和背景复杂场景中的道路目标检测,提出了一种改进YOLOv7tiny的检测算法。首先,使用SiLU激活函数代替原网络中的Leaky ReLU来增强模型特征提取能力;其次,增加小目标检测层以提高检测精度,并通过引入感受野增强模块来捕捉多尺度信息;最后,将主干网络改进为基于密集通道压缩的特征凝聚结构,提高正向传播特征的纯度,同时增强了反向传播中的梯度流。结合不同成像方式的优点,在红外和可见光图像融合数据集上进行实验,结果显示:改进算法的F1分数为80.6、m AP@50为84%、m AP@50-95为51.2%,相对基线模型分别提升了3%、4.6%和3.6%。改进算法能够有效地提高道路目标检测精度,改善漏检和误检问题。

关键词： 大语言模型   语音识别   树莓派   视觉感知   目标检测  

摘要： 支持视觉感知与大语言模型驱动的树莓派智能小车控制系统,提供了一种面向开放环境的智能交互控制方案。系统设计为三层架构形式,最底层的执行层以树莓派5作为其核心,最上层的感知层借助摄像头和麦克风构建而成,系统的处理层则部署在云端,集成了微调的MiniCPM模型、SenseVoice语音识别模型、GroundingDINO零样本目标检测模型和Depth-Anything单目深度估计模型等处理模块。通过边缘与云端协同机制,系统能将自然语言指令拆解为语音识别、语义解析和环境感知3个子任务,最终生成具体的运动控制指令。测试结果表明,系统在语音识别和指令解析方面均达到了较高的准确率,能有效识别复杂多变的自然语言命令,成功突破了传统嵌入式智能系统依赖固定指令集的限制。

关键词： 目标问题导向式   计算机视觉   课程教学探索  

摘要： 针对计算机视觉课程教学中存在的内容复杂抽象难以直观理解的问题,提出目标问题导向式课程教学理念,探讨如何围绕课程目标核心,依据课前、课中、课后3个教学环节设计知识点问题,利用启发式、层次递进式以及融合思考式目标问题对学生进行“引导”学、“沉浸”学、“互动”学、“深思”学,最后说明教学效果。

关键词： 多源目标   架构设计   目标跟踪   数据同步  

摘要： 随着信息技术的飞速发展,微服务架构和多源目标融合技术在许多复杂系统中得到广泛应用,尤其在军事领域中,对于实时态势感知、目标跟踪与情报分析具有重要意义。本文研究基于微服务的多源目标融合技术。首先,文章分析多源目标融合系统的架构需求,提出基于微服务的架构设计模型,并探讨微服务架构的关键组件与模块设计,同时研究如何通过合理的数据流与通信机制优化系统性能。其次,文章重点讨论多源目标融合中的四项关键技术:多源数据预处理技术、目标跟踪与融合算法、数据同步与协调机制以及实时性与计算性能优化。最后,本文通过分析智能交通系统、无人机集群、军事领域的战场态势感知等应用场景,展示了基于微服务的多源目标融合技术的实际应用效果,探索其在不同领域中的应用前景和挑战,为相关技术的进一步发展提供理论支持和实践指导。

关键词： 视频检索   弹性搜索   目标检测   视频剪辑   特征比对   关键帧提取   图像检索  

摘要： 为解决传统视频检索在特征比对、片段定位等技术遇到的速率慢、准确性差、片段检索困难等问题,针对以目标图像进行视频定位的视频检索平台,提出了一种基于弹性搜索(ES)的视频检索算法。算法使用目标检测将视频数据结构化预处理,基于ES构建视频结构化数据库,ES通过将目标图像的特征数据与数据库比对定位关键视频帧,通过关键片段定位算法将ES定位的关键视频帧处理。仿真平台测试结果表明,所提算法在检索准确性、系统实时性、计算资源占用等方面取得了较好的性能。

关键词： 弱光照条件   水下图像   图像处理   深度学习  

摘要： 由于复杂水下光学环境影响,水下机器人所获图像普遍存在弱光照引发的对比度衰减、细节模糊及色彩失真等退化现象,严重制约海洋环境的分析。为了深入分析国内外学者在弱光照条件下水下图像处理的研究进展,对近年来相关文献进行了分析总结。分析了水下弱光照条件成因并提出所需处理的主要问题,并根据各类算法的原理特点将水下图像处理方法进行分类;从弱光照条件下水下图像的主要问题切入,详细分析和归纳各类算法的主要特征与不足;通过设计实验在弱光条件下,将传统算法和基于深度学习的水下图像处理方法进行对比分析。最后,总结了一些弱光照条件下水下图像处理领域尚未解决的问题,并对未来研究方向进行了展望。

关键词： SLAM   目标检测   语义地图  

摘要： 语义信息是机器人理解环境内容和完成复杂任务的关键,将融合视觉SLAM(simultaneous localization and mapping)技术和目标检测算法,以构建室内环境的精确稠密点云语义地图。利用YOLOv5s的对象检测框架,结合对象正则化技术,实现对场景中物体的二维标记提取。并借助ORB-SLAM2系统,构建出室内环境的初始稀疏点云地图。与传统的YOLOv5s相比,mAP提高1.5%,参数量降低0.61×10^(6),GFLOPs降低0.9,FPS提高16 f/s。实现算法模型轻量化同时,准确率等其他参数指标均有明显提升。

关键词： 可变形卷积   目标检测   YOLO   注意力机制  

摘要： 人工智能技术的发展,使得基于深度学习的医疗图像检测在临床实践中具有广泛的应用前景。然而,针对一些如肿瘤、斑块等医疗图像的目标检测,存在待标面积小、目标可提取特征少、提取难度大等问题。针对上述问题,提出了一种基于多分支注意力和深度下采样的医疗图像目标检测方法(MD-Det)。该方法引入特征提取模块(C2f-DWR),对多尺度特征进行提取,增强目标的特征表示。为了能够更有效地捕捉图像中的上下文信息,增强特征的提取能力,设计了一种深度下采样模块(D-down),其核心思想是通过融合多种采样方式,结合平均池化和最大池化的操作,充分利用它们各自的优势来提高特征提取的效果。在保持计算效率的同时,提高了目标检测精度。随后,提出了一种多分支注意力机制(Multi-branch Attention,MA),用于提取和加权融合不同维度的特征,每个分支提取输入张量的不同维度特征,包括空间和通道特征。通过生成注意力权重,强调重要特征并进行加权融合,增强了网络的特征提取能力,提升了模型的检测性能。最后,提出了一种新的联合优化策略,将Wise-IoU损失和NWD损失进行加权,形成一个联合回归损失函数,进一步提高了目标识别的准确率。实验表明,所提方法可以有效提高医疗图像目标的检测精度,在医疗数据集Tumor和Liver上的mAP 0.5相较于基准模型YOLOv8n,分别提高了2.5个百分点和1.1个百分点。

关键词： 图像处理   识别技术   系统监控   异常检测  

摘要： 各领域系统监控与异常检测的应用日益广泛,信息技术日新月异。作为现代科技的重要组成部分,图像处理与模式识别技术不仅可以增强监控系统的性能,还可以实现精确检测异常状况。这些技术的应用尤其在安全、生产、医疗等领域成为关键手段,确保了系统稳定运行。本文就图像处理与模式识别技术在系统监控和异常检测方面的具体应用以及它们所带来的显著优势进行了深入地探讨。

关键词： 卷积神经网络   智能变电站   变电站巡检   目标跟踪   多目标跟踪  

摘要： 由于传统智能变电站巡检主要依靠人工方式,存在工作效率低、安全隐患大等问题,研究基于卷积神经网络的智能变电站巡检多目标跟踪。对智能变电站巡检图像做增强与去噪处理。将预处理后智能变电站巡检图像输入到卷积神经网络中,通过卷积层与池化层提取出图像特征,利用分类器对特征进行分类识别,得到目标类别和位置信息,采用卡尔曼滤波算法实现多个目标的连续跟踪。实验结果表明,设计方法下智能变电站巡检多目标跟踪结果的MOTA为0.9683且MOTP为0.9752,验证了该方法的优越性。