关键词： 深度学习   AI技术   自然语言处理   机器学习   计算机视觉   视觉内容   互动体验   机遇与挑战  

摘要： AI技术正在以空前的速度改变新媒体的创作方式,极大地提高了文本和视觉内容的创作效率,同时也优化了受众的互动体验。本文探讨了AI在新媒体创作的文本、视觉和互动方面的应用,并深入探讨了AI技术所带来的机遇与挑战,同时对其未来发展进行了前瞻性的展望。01AI技术与新媒体创作概论AI技术概述AI技术通过模拟和超越人类认知,涵盖机器学习、深度学习、自然语言处理、计算机视觉等领域。

关键词： BIM   变电站   目标检测   图像增强  

摘要： 变电站内部环境危险复杂,仪表图像数据采集难度大,图像检测算法模型泛化能力弱。为解决此问题,提出了基于建筑信息模型的仪表检测数据增强方法。首先将建筑信息模型数据渲染为三维模型,采集图像,生成无标注数据集;再根据仪表参数计算仪表的三维几何体在二维图像上的投影,为数据集添加标注;接着为图像添加真实纹理,提高数据集的泛化能力;最后使用基于现实图像数据训练的仪表检测模型对生成的数据集进行验证。结果表明,提出的方法可基于建筑信息模型信息生成海量仿真数据集,降低数据采集和数据标注的难度与工作量。

关键词： 航拍图像   GSConv   SPPFCSPC   全局注意力机制   SIoU  

摘要： 针对航拍图像中的背景复杂、冗余信息过多、小目标检测不到的问题,本文提出了一种改进YOLOv5s的目标检测算法(GGS-YOLOv5)。首先,在Backbone网络中加入了GAM注意力机制,减少复杂背景的干扰,抑制冗余信息,侧重检测目标,增强模型的特征提取能力,还提出了一种新型结构SPPFCSPC,增强感受野的同时提高检测速度和精度;其次,在Neck网络中引入GSConv模块,减少语义信息的丢失,增强全局感知和特征融合能力;最后,更换损失函数为SIoU,添加角度惩罚成本,有效地降低了自由度,进一步提升模型的收敛速度以及检测精度。将本文提出的算法在SeaDroneSee数据集进行消融以及对比实验,结果表明,该算法比原YOLOv5s召回率提高了4.9%,mAP 0.5提高了2.8%。

关键词： 水下传感器网络   目标跟踪   运动模型分类   IMM-LSTM-C  

摘要： 阐述针对跟踪水下移动目标时,运动模型区分度不足导致跟踪效果不佳的问题,提出一种基于LSTM运动模型分类的目标跟踪算法,以提高目标跟踪的精度。仿真实验表明,与IMM-BP算法相比,IMM-LSTM-C算法的精度提升了2.7%~7.1%。

关键词： 红外船舶   目标检测   无锚框   任务对齐学习  

摘要： 针对红外船舶检测过程中,在不同场景下对多尺度、小目标、有遮挡等问题检测效果不佳、实时性难以满足任务需要的情况,提出一种基于任务对齐学习的红外船舶目标检测方法。首先,为提升检测速度采用无锚框设计降低计算量。然后,为提升检测精度采用任务对齐学习(task alignment learning,TAL)进行标签分配和对齐。最后,根据特定场景有针对性地设计检测头以提升网络检测性能。通过实验对比验证,结果表明所提方法可有效提升对不同场景下船舶目标的检测性能,在检测精度及实时性上优于其他同类方法。

关键词： 视觉传感   焊缝识别   图像处理   铆焊点  

摘要： 针对组合件自动焊接时铆焊点对焊缝识别造成严重的干扰问题,提出一种基于视觉传感的薄板焊缝识别方法。首先利用CCD工业相机采集带有激光条带的焊缝图像,再用中值滤波平滑噪声,OTSU自适应阈值分割图像,骨架提取细化激光条纹,概率Hough变换拟合直线,采用基于二值矩阵的方法在ROI区域去除铆焊点对焊缝识别的干扰,最后利用直线拟合得到的端点坐标找到焊缝中心点。试验结果表明,该方法误差小于0.6 mm,能够快速提取焊缝特征点,满足焊接要求。

关键词： 目标跟踪   实时   图像处理   硬件加速   卡尔曼滤波   直方图   现场可编程逻辑门阵列  

摘要： 为解决Camshift目标跟踪算法在跟踪目标遮挡时陷入局部最大值、跟踪目标快速移动导致跟踪丢失以及光照变化影响跟踪精度一系列问题,提出一种改进Camshift目标跟踪算法。利用自适应权重与H通道特征提取模板,融合Kalman滤波算法并引入巴氏距离遮挡判别法。非遮挡时,使用Kalman预测调整跟踪搜索区域;遮挡时,使用Kalman预测跟踪。实验结果表明,将改进后算法部署于FPGA硬件平台能够准确地跟踪快速运动、遮挡干扰目标,在1920×1080分辨率下理论跟踪帧率为98.17帧/s,对1080p@60 Hz以及多种分辨率视频输入下平均跟踪重叠率达到84.68%。

关键词： 分布式光纤传感技术   布里渊散射   信噪比   信号处理   图像处理   机器学习  

摘要： 分布式布里渊光纤传感技术在基础设施、轨道交通、海底光缆等领域的工程监测中逐步应用。布里渊解调系统光电信号的衰减与噪声影响导致长距离传感信噪比下降,限制了测量精度。研究者通过光脉冲编码、拉曼放大等方法提升信噪比,取得较好的效果,也增加了系统复杂度和设备成本。通过后端信号处理的方式提升系统性能,可降低硬件成本且易于迭代升级。本文回顾了近十年国内外布里渊光纤传感系统使用信号处理方式提高信噪比的方法,包括一维信号降噪、图像视频降噪和深度学习降噪技术,对这些技术进行了讨论分析,并对每种技术对系统性能的提升效果进行了对比,最后对分布式布里渊光纤传感技术信噪比提升技术发展前景进行了展望。

关键词： 水下目标检测   深度学习   视觉自注意力模型   注意力机制  

摘要： 针对光学成像技术受到光线衰减、散射等因素影响,图像质量和目标分辨率较差,不利于开展水下目标检测任务的问题,提出了一种高效水下目标检测框架IEMAyoloViT。该框架结合了改进Vision Transformer(ViT)主干的YOLOv8算法YOLOViT和一种融合多尺度高效空间注意力机制(Efficient Multi-scale Attention,EMA)的C2f模块,以解决目标特征提取过程中注意力分散的问题。同时改进了Inner-CIoU损失函数,基于不同尺度的辅助边界加速边界框回归。实验结果表明,在全国水下机器人大赛(Underwater Robot Professional Contest,URPC)2021数据集中,IEMAyoloViT的mAP50高达83.2%,较YOLOv8高9.2%;mAP50:95较YOLOv8高1.0%,证明了IEMAyoloViT的有效性和应用潜力。

关键词： 计算机视觉   点云分割   对比学习   自注意力机制   边界挖掘  

摘要： 基于深度学习的点云分割算法通过设计复杂的特征提取模块,可以对高维空间点云进行有效的分割.但由于缺乏对边界点集的特征挖掘,使得其对边界分割的精度欠佳.已有将对比学习思想用于点云分割以解决边界区域分割性能不足问题的研究中,忽略了点云无序和稀疏特性,特征提取不够准确.对此,设计了基于对比学习和标签挖掘的点云分割模型CL2M(contrastive learning label mining),通过自注意力机制学习不同位置处点云更为精准的特征,并引入对比学习方法,提高了点云边界处的分割精度.在对比边界学习过程中通过深入挖掘语义空间中的标签并设计了基于标签分布的对比边界学习模块,使得高维空间点云标签分布包含更多的语义信息.CL2M充分利用标签的分布规律计算分布间的距离,可准确划分正负样本,减少了常规硬划分带来的累计错误.在2个公开数据集上进行的实验结果表明,CL2M在多个评价指标上优于既有的点云分割模型,验证了模型的有效性.