关键词： 输电线异物检测   目标检测算法   YOLOv3-Tiny   损失函数  

摘要： 输电线路上的异物检测对确保电力系统安全运行至关重要。为了提高输电线异物识别效率,改进了YOLOv3-Tiny模型。首先在头部网络中,采用深度可分离卷积替代标准卷积、归一化和激活函数结构,分离空间和通道相关性,降低卷积计算量,提高了识别的速度;其次,引入了考虑距离损失、高宽损失的EIoU的损失函数替代原始的损失函数,使得模型找到边界框预测与类别预测之间的最佳点,从而提升算法的检测效果。消融实验验证了这些改进的有效性,结果表明,改进后的模型在保持高精度的同时,检测速率(FPS)提高了2.02倍,减少了74.17%的参数量,大幅降低了计算资源需求。该算法在资源受限环境中表现出色,具备实际应用价值。

关键词： 遥感图像检测   DAB-DETR模型   多尺度注意力融合   高效注意力Transformer   SIoU损失  

摘要： 由于遥感图像中的目标尺寸差异大,且捕获不同尺度目标的信息非常困难,因此难以有效识别不同尺度目标。同时,传统Transformer在处理高分辨率图像时会出现计算资源不足的问题;单一的损失计算方式和匈牙利算法结合会增大代价损失的波动性,影响算法的收敛速度和精度。基于上述问题,本文提出一种基于改进DAB-DETR的多尺度遥感目标检测算法(Multi-scale dynamic anchor boxes for DETR, MSDAB-DETR)。首先,该算法通过创建一种新型的多尺度注意力融合模块,利用不同分辨率特征信息之间的差异,实现了对遥感图像的多尺度预测。其次,采用高效注意力机制对Transformer模型中的自注意力机制进行改进,降低原始模型的内存占用量。最后,利用SIoU损失函数作为边界框回归损失,与匈牙利算法相结合,削弱了二分图匹配的波动性,加快了收敛速度,并进一步改善了边界框的回归能力。实验结果表明,该方法在NWPU VHR-10和DIOR数据集上的检测精度分别高达95.3%和71.5%;在NWPU VHR-10数据集上,小、中、大3种尺度目标的平均检测精度相较于DAB-DETR模型分别提升了10.5%、1.8%和2.7%;内存占用量减少约9%。

关键词： 蚕桑产业   家蚕育种   计算机视觉技术   蚕蛹性别鉴别   智能化  

摘要： 传统的家蚕育种方法中利用人工区分雌雄蚕蛹的方式,因工作强度大、技术人员缺乏、成本高、效率低等弊端已无法满足桑蚕产业的快速发展。通过应用图像识别、目标检测和分割等先进的计算机视觉技术,提升家蚕育种的自动化和智能化水平成为桑蚕业健康发展的必然选择。梳理了计算机视觉技术的发展历程和主要研究内容、计算机视觉技术在蚕蛹性别鉴别上的研究和应用,重点阐述了计算机视觉技术在蚕蛹图像恢复、性别特征提取与分类上的研究进展,同时,探讨了计算机视觉技术在家蚕育种上的研发应用难点,并对此提出构建通用的蚕蛹性别鉴定数据集和结合前沿算法提高识别精度的建议,以提升桑蚕产业的自动化水平。

关键词： 小目标检测   检测头   特征融合   聚类算法  

摘要： 本文提出了一种针对无人机捕获图像的目标检测算法,旨在解决无人机视角下小目标检测存在漏检现象严重、检测精度低的问题。主要改进包括重新设计聚类算法生成更准确的先验框,引入自适应特征融合模块以使模型更灵活地学习上下文特征信息,更改检测头在较大的特征层上进行目标检测并解耦分类和回归任务。通过在VisDrone2019数据集上进行广泛实验,改进后的YOLOv5s模型相较于基准模型在mAP50上提高了5.8%,并且保持了较高的帧率(67 FPS)。实验结果表明该改进方法能够显著提高模型的检测性能,使其适用于复杂的无人机捕获场景。

关键词： 目标检测   主干网络   空间注意力机制   损失函数  

摘要： 针对目标检测网络中低效的特征提取和重要特征难以聚焦的问题,基于分组残差及变换特征维度,提出一种改进的目标检测网络.首先引入一个主干网络结构G-ResNet50作为特征提取网络,以充分利用卷积的通道信息核;然后提出广域感受野空间注意力机制,强化重要特征的关注和聚焦能力;最后比较不同损失函数的回归效果,并采用最佳的损失函数进一步提高网络检测目标的准确度.在PASCAL VOC数据集和COCO数据集上的实验结果表明,在相同的实验环境和设备下,所提网络分别实现了79.1%的mAP和35.7%的AP值,同时取得了34.1幅/s的检测速度;与FCOS,ATSS,PAA等网络对比,该网络具有更好的目标检测效果.

关键词： 飞行目标检测   YOLO v3   深度学习  

摘要： 飞行目标往往呈现为十几个像素点的小目标,对其准确检测是黑飞反制、管控等应用中首要解决的问题。鉴于此,提出一种基于改进YOLOv3的方法提高飞行目标的检测能力。首先为避免梯度消失,增强特征的复用,在特征检测层引入残差网络;其次为提高小目标的检测能力,增加对4倍下采样特征的检测;然后通过数据集对未改进YOLOv3和改进后YOLOv3进行训练获取模型;最后将FasterR-CNN、未改进YOLOv3和改进后YOLOv3进行实验对比,数据显示改进后YOLOv3的准确度提升14个百分点以上,能较好地检测出飞行目标。

关键词： 目标检测   深度学习   条码   轻量型网络   FCOS  

摘要： 条码检测在物流和零售等领域有广泛应用,然而,传统的检测方法在处理旋转、倾斜等场景下存在准确率低、计算量大、检测效率低等问题。针对上述问题,提出了一种改进FCOS的条码检测算法。首先,通过引入Triplet Attention空间注意力机制来增强对条码目标的检测能力;然后,在FCOS网络的回归分支中引入参数θ,将水平框转化为旋转框,用于拟合任意朝向下的条码目标的外轮廓;最后,在标注好的条码数据集上对改进后的算法进行模型训练和测试。实验结果表明,所提出的改进后的FCOS模型当阈值为0.5时,平均检测精度达到94.6%,整体性能优于其他主流算法,有效提升了条码检测能力,并达到较高的检测精度。

关键词： 视网膜病变分级   双线性模型   注意力机制   像素融合   图像处理   残差网络   特征增强和特征抑制模块  

摘要： 针对糖尿病视网膜病变(diabetic retinopathy,DR)中存在类间差异小和病变区域识别困难等问题,提出一种跨层双线性策略的视网膜病变分级算法。对输入图像进行高斯滤波等预处理方法增强图像特征的差异性,使用Res2Net-50双模型提取特征并进行特征增强;通过多分支注意力模块聚焦病变区域,减少不相关信息的关注;使用像素注意力引导融合模块对不同尺度的特征信息融合。在IDRID数据集上二次加权系数为91.82%、准确率为80.58%、敏感性为97.10%、特异性为97.05%,APTOS 2019数据集上准确率为84.28%,二次加权系数为90.05%,结果表明该算法具有一定应用价值。

关键词： 虚拟试衣系统   计算机视觉   增强现实   算法与实现   人体建模   三维建模   沉浸式   电商平台  

摘要： 随着直播带货模式的兴起,消费者对线上购物体验的需求日益提升,越来越希望能在购买前直观、真实地感受衣物的穿着效果。本文探究了应用于电商直播带货的在线虚拟试衣系统的算法与实现过程,结合增强现实、计算机视觉、三维建模及机器学习技术探讨了人体建模、服装变形与贴合、光照与材质渲染等关键技术。该系统不仅能够提升电商直播带货的互动性和转化率,还能够降低电商成衣系统的退货率,提高电商平台的购物效率与客户满意度。本文旨在通过技术创新,为用户打造一个沉浸式的购物环境,让虚拟试衣成为电商直播带货领域的新标配,进一步推动服装零售行业的数字化转型与发展。

关键词： 软件工程   自然语言处理   深度神经网络   计算机视觉   数据挖掘   图像处理   辨识技术   深度学习  

摘要： 随着数字经济的飞速跃进,深度学习技术犹如一股强劲的驱动力,正逐步塑造并引领着各行各业的科技创新格局。近年来,深度神经网络作为深度学习的核心架构,其强大的学习与泛化能力使得机器辨识技术在众多领域大放异彩,展现出独特的应用价值与巨大潜能。本文旨在深入剖析深度学习与软件工程之间的紧密联系,细致探讨深度学习在软件工程领域的多元化应用,如自然语言处理、图像处理与计算机视觉、数据挖掘与预测分析等。通过本文的深入分析,期望能够为软件工程领域带来新的视角和方法论,推动该领域在智能化、自动化和高效化方面取得更大的突破。