关键词： 计算机视觉技术   新闻传播研究   数据获取与处理  

摘要： 本文深入探讨了计算机视觉技术在新闻传播研究中的广泛应用与潜在价值。随着信息技术的迅猛发展,计算机视觉技术作为人工智能的重要分支,在新闻内容生产、分析,社交媒体视觉内容解析,舆情监测以及视觉传播效果研究等领域展现出强大的应用潜力。文章首先概述了计算机视觉技术的定义、发展历程及其在人工智能领域的重要性,随后分析了新闻传播研究现状及其与新兴技术的结合需求。通过具体案例,展示了计算机视觉技术在新闻图片和视频分析中的实际应用效果,揭示了其在提高新闻生产效率、精准把握受众反应等方面的显著优势。然而,文章也指出了当前应用过程中面临的数据获取与处理难度大、技术局限性及跨学科研究方法论问题等挑战。最后,文章展望了计算机视觉技术在新闻传播研究中的未来发展趋势,强调了其在推动新闻传播行业数字化转型和智能化升级中的重要作用,并提出了进一步的研究方向与建议。

关键词： 目标检测   遥感图像   带旋转的候选框算法   卷积通道注意力模块   DIoU-NMS   特征金字塔   DOTA   HRSC2016数据集  

摘要： 针对遥感目标背景复杂、易受外界环境干扰,传统方法无法满足复杂场景下的检测高精度与实时性要求的问题,提出基于改进RRPN模型的遥感图像目标检测方法。首先,将特征金字塔(FPN)架构引入到了模型的残差网络中,使得遥感图像的高、低层特征得到了有效融合;其次,在特征提取网络中添加了通道和空间相融合的注意力机制(CBAM),提升了模型在遥感图像目标特征提取方面的跨通道和空间处理能力;此外,将剔除重叠建议框时的原始NMS算法优化为DIoUNMS算法,综合考虑遥感图像候选框之间的重叠度、距离、尺度大小等因素,使目标框的回归过程更加稳定。对比实验与消融实验显示,所提方法在公共数据集DOTA和HRSC2016上获得的平均精度均值mAP分别可高达77.30%、90.24%,较原始RRPN模型分别提高了8.29%、11.16%,且优于其他几种较新的经典模型,表明所提方法对于复杂环境下的遥感图像目标检测是合理且有效的。

关键词： 深度学习   玉米叶片病害   迁移学习   可解释性   图像处理  

摘要： 为加强农作物病害的识别,减少病害发生的频率与强度,提高农作物产量与品质,基于迁移学习构建5种深度学习网络,对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网络,GoogLeNet的识别准确率最高,达到96.3%,模型收敛效果最好。通过进一步优化GoogLeNet模型架构,在inception模块中插入卷积注意力模块CBAM,使用LeakyReLU激活函数替换ReLU函数,改进后网络通道注意力增强,测试集的识别准确率达到99.0%,识别准确率提高2.7%。采用CAM和LIME算法对模型的可解释性分析,改进后网络的可解释性增强,更好地关注叶片病害部分。

关键词： 结构化建模   计算机视觉   姿态估计   数据增强   图像裁剪  

摘要： 本研究聚焦于计算机视觉领域的遮挡姿态估计问题,采用结构化建模方法,深入分析遮挡条件下的姿态特征。通过构建遮挡鲁棒性模型,优化姿态估计算法,有效提升了在复杂遮挡环境下的姿态估计精度与鲁棒性,为计算机视觉技术的发展与应用提供了有力支持。

关键词： 次声波   火山爆发   人工智能   计算机视觉   树莓派   换能器   物联网   放大器  

摘要： Circuit Cellar 2024.09物联网的趋势将会是《计算机视觉补充人工智能》。次声波存在于环境中,大风吹过不平的地形、海浪冲击海岸线、火山爆发等都是次声波的来源,如何《探索次声波》?当然是构建一个次声波探测器,文章利用MicroPython编程和树莓派,加上DIY的声音换能器、放大器组成了一个次声波探测器。

关键词： 多任务学习   目标检测   无人机图像   复杂天气   提示学习   去噪模型  

摘要： 针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。

关键词： 甘蔗   缺苗率   目标检测   作物行识别   YOLOv8模型  

摘要： 【目的】提高蔗田缺苗信息自动获取的自动化程度及精准度,为实现地块单元的蔗田缺苗位置信息自动化获取提供借鉴。【方法】通过无人机采集研究区蔗田影像并建立数据集,利用YOLOv8模型对蔗苗进行检测识别,识别结果经矢量化、旋转变换及聚类处理,获取精确的作物行数和株距信息,并通过制作田间无缺苗理想情形下的蔗苗分布图和实际缺苗位置点矢量点分布图,以评估蔗田的整体缺苗情况。【结果】YOLOv8模型识别蔗苗的准确率为98.84%,召回率为90.76%,平均精度为97.05%。即使在杂草分布较多的环境中,杂草遮挡会混淆蔗苗的视觉特征而增加检测难度,YOLOv8模型也能较准确地识别出蔗苗。将蔗苗识别结果进行矢量化,采用空间分析的后处理方法实现作物行自动旋转至竖直方向,再通过聚类处理、交叉点计算、坐标转换等手段实现作物行数量、方向、行距及起点和终点的准确获取,有效解决了不同地块间及同一地块内部的作物行状况差异问题。在研究区的2个大面积地块中随机划定形态、方位和面积各异的8个样方(A~H),基于无缺苗情形的蔗苗标准分布模板分别计算8个样方的缺苗率,结果显示缺苗检测模型的误差分别为4.35%、2.98%、4.28%、2.91%、1.88%、0.51%、1.10%和1.51%。此外,根据缺苗检测模型结果可获取各样方的缺苗位置坐标。【结论】基于YOLOv8模型的自动化蔗苗检测与缺苗率计算方法可快速、高效地处理大量图像数据,具有较高的自动化程度与精度,适用于大范围的蔗田缺苗检测,且能提供具体的缺苗坐标。后续研究建议通过多尺度检测提升模型召回率,采用滑动窗口裁剪图像进行数据标注而降低漏检问题,并扩充数据集以提高模型的泛化能力和鲁棒性,有效提升蔗田缺苗检测结果的稳定性和准确性。

关键词： 草莓   深度学习   YOLOv5   损失函数   目标检测  

摘要： 草莓检测对草莓的自动化采摘具有重要的意义和价值,针对目前草莓模型检测精度较低、模型占用较大等问题,基于深度学习技术,提出一种改进YOLOv5的目标检测方法。首先,使用Ghost模块对YOLOv5主干网络进行优化,降低模型参数量和复杂度;其次,使用坐标注意力模块CA,提升模型对草莓关键特征的关注;然后将YOLOv5中的定位损失替换为SIoU,考虑边界框回归之间的向量角度。结果表明,该模型的平均精度均值为94.8%,相较于目前经典的目标检测模型,检测能力提升显著,一张图片的预测时间为25.2 ms,模型大小仅为10.4 MB,具有较快的推理速度且模型尺寸较小。为草莓检测提供更加准确快捷的检测方法,更为容易地应用到移动式和嵌入式设备中。

关键词： 目标跟踪   孪生网络   计算机应用   多层特征融合   模板更新  

摘要： 针对现有孪生网络跟踪算法仅使用主干网络最后一层的特征进行相似度匹配,以及缺少有效模板更新策略的问题,提出基于多尺度特征融合和自适应模板更新的孪生网络跟踪算法。首先,结合深度过参数化卷积设计非填充单元,提取更深层的前景特征和语义背景;然后,设计新的全局-局部特征融合模块,充分聚合浅、中层特征的全局和局部信息,捕获丰富的浅层外观特征和中层过渡特征;最后,采用自适应模板更新机制在线更新模板。为验证算法的有效性,在公开数据集上对所提算法进行详尽评估,实验结果显示,所提算法在OTB2015和VOT2018数据集上的精确度分别达到0.878和0.588,GOT10K数据集上平均重叠率达到0.526,优于其他主流算法。

关键词： 特征融合   特征增强   目标检测   海上搜救  

摘要： 针对海上搜救行动中海面目标检测任务面临的高动态背景干扰、多尺度目标检测、小目标特征信息易丢失等问题,基于特征增强、自适应特征融合的思想,以YOLOv8网络为基线模型,提出一种改进的TS-YOLOv8网络。首先,基于Transformer中的查询机制设计TFF(Transformer-based feature fusion)模块,通过不同尺度特征之间的深度信息交互,对各特征层实现特征增强,再利用可学习参数对各层特征进行自适应特征融合。其次,引入几乎无参数的Shuffle Attention注意力机制,在保持网络轻量化的同时捕捉更多复杂的特征信息。在AFO数据集上进行所提模型与多种主流检测算法的对比实验和多组消融实验,相较于基线模型,所提方法的mAP50提高5.60百分点,达到95.14%,mAP95提高7.38百分点,检测速度达到110 frame/s。在SeaDronesSee数据集上进行多组消融实验,相较于基线模型,所提方法的mAP50提高4.47百分点,达到91.34%,mAP95提高5.92百分点,检测速度达到106 frame/s。以上结果表明,所提模型可充分满足海上搜救任务的苛刻要求。