关键词： 滤镜   人类主体性   媒介技术   人工智能  

摘要： 近年来,随着传播学研究的物质转向,对媒介技术的关注形成了一类新的滤镜研究潮流。由此出发,从媒介考古视野进行考察会发现,光学滤镜体现出对图像本身的解码,在不断的实践中,技术见证着人类主体性的完满;数字滤镜是对图像层次的叠印,人们使用数字滤镜进行幻象的生产与制造并满足于数字滤镜构建的乌托邦,使得数字滤镜的媒介主体性得到凸显,人类主体性开始破碎;智能滤镜则是图像意义的自我生成,在此层面上,人类主体性在很大程度上让位给媒介主体性,并迷失在媒介所塑造的超真实幻象中。

关键词： 视觉识别技术   智能分拣系统   人工智能   目标检测   特征提取  

摘要： 设计一种基于视觉识别技术的智能分拣系统,旨在解决当前海洋工程智能生产分拣中的安全隐患,以及生产效率低下等问题。该系统利用视觉识别技术,通过控制相机进行图像采集、检测和识别,以实现对托盘位置和零件的准确定位和识别。系统可与分拣系统和桁架PLC(Programmable Logic Controller)进行无缝交互,获取工件的抓取和码放数据,并引导桁架执行相应操作。同时,系统还能够采集和反馈工件的分拣/码盘结果,以供分拣系统进行自动分拣。通过智能化的分拣过程,可显著提升海洋工程智能生产分拣领域的自动化和智能化水平。

关键词： 色彩管理   计算机视觉   自动校正  

摘要： 传统色彩管理方法在处理高动态范围和多光源环境下的色彩再现面临色彩精度的保持、环境变化的适应性,以及与现有硬件和软件系统的兼容性问题。而计算机视觉提供了通过算法自动识别和校正色彩偏差的方法,对于提高色彩管理系统的自动化和智能化水平具有重要意义。因此,本文将围绕色彩管理系统中基于计算机视觉的自动校正技术进行全面展开探讨,以期望通过科技创新提升色彩管理的精确性和效率,进而推动相关领域的技术进步和应用拓展。

关键词： 显著性目标检测   热红外图像   RGB-T显著性目标检测   深度学习  

摘要： 除RGB图像外,热红外图像也能提取出对显著性目标检测至关重要的显著性信息。热红外图像随着红外传感设备的发展和普及已经变得易于获取,RGB-T显著性目标检测已成为了热门研究领域,但目前仍缺少对现有方法全面的综述。首先介绍了基于机器学习的RGB-T显著性目标检测方法,然后着重介绍了两类基于深度学习的RGB-T显著性目标检测方法:基于卷积神经网络和基于Vision Transformer的方法。随后对相关数据集和评价指标进行介绍,并在这些数据集上对代表性的方法进行了定性和定量的比较分析。最后对RGB-T显著性目标检测面临的挑战及未来的发展方向进行了总结与展望。

关键词： 深度学习   神经网络   数据集建立   电梯按键识别   图像处理  

摘要： 针对目前因数据集的缺陷导致对电梯按键识别准确率不高的问题,提出了一种用于识别电梯按键的方法。该方法将多个角度收集的电梯按键图像作为数据集;通过形态学运算处理降低了数据噪声,凸显了数据特征;建立了一种训练模型来完成对图像的训练。该方法在训练和实验阶段识别准确率分别为95.90%和97.17%。

关键词： 目标检测   感受野模块(RFB)   坐标注意力   小目标   深度学习  

摘要： 针对坐标注意力(CA)在水平和垂直方向特征的平均池化可能丢失目标显著特征,以及使用二维普通卷积对小目标特征学习不足的情况,提出了CARFB(coordinate attention and receptive field block)模块。该模块将CA的平均池化修改为平均+最大池化,以保留输入特征在水平和垂直方向的显著和细节信息;利用RFB具有不同大小感受野的优势,在水平和垂直方向分别使用RFB模块代替CA的融合特征统一卷积,以同时提取不同大小目标的特征;引入包含不同大小卷积核和步长的CBS模块,替换CA的二维普通卷积,进一步提取水平和垂直方向的特征,得到重新加权的输出特征。CARFB模块在水平和垂直方向保存目标位置信息,利用不同感受野提取不同大小目标的强辨别性特征,从而具有更强的特征学习能力。为了验证提出的即插即用模块CARFB的性能,将其嵌入ObjectBox目标检测框架,得到ObjectBox-CARFB模型;用CARFB模块替换RFBnet中的RFB模块,得到CARFBnet目标检测模型。MSCOCO数据集的实验测试表明,ObjectBox-CARFB模型的性能得到全面提升,尤其对小目标的检测性能提升突出;PASCALVOC和MSCOCO数据集的实验结果表明,CARFBnet300和CARFBnet512的目标检测能力分别优于原始RFBnet300和RFBnet512模型,并优于其他同系列对比模型。提出的CARFB模块具有更强的特征学习能力,对不同尺度目标均能取得较好的检测效果,特别是在小目标检测方面,效果提升显著。提出的CARFB模块可以嵌入到任何一个卷积神经网络,能保存更多的目标信息,具有更强的特征学习能力和更高的网络性能,对不同尺度目标均能取得较好的检测效果,尤其对小目标的检测效果提升显著。

关键词： 目标检测   卷积神经网络   单阶段   两阶段   目标检测应用  

摘要： 近年来,深度学习在GPU高性能计算能力的加持下得到了迅速推广,并在安防、医疗、工业等领域实现了广泛应用。目标检测模型的性能也在稳步提高,从传统的目标检测方法逐渐过渡到基于卷积神经网络(CNN)深度学习的进一步应用,极大地节省了人力物力。通过参考大量文献,按照两阶段脉络梳理了目标检测的发展历程以及近年深度学习在目标检测领域内的研究进展,对比了在不同数据集上模型网络的性能,总结不同方法的优势与不足,并对领域内重要数据集作了归纳,还对目标检测算法的落地效果做了总结,特别是生活与科技中的实际应用(无人驾驶、医学图像、遥感等)。最后,还对深度学习驱动下目标检测在未来研究上的机遇和挑战作了展望。

关键词： 遥感图像   深度学习   小目标检测   有向目标检测   细粒度目标检测  

摘要： 近年来,随着光学遥感技术的快速发展,现代遥感影像数据的空间分辨率与广域覆盖能力大幅提升,其蕴含的丰富地物细节信息为城市规划、军事侦察、环境监测、灾害应急、智慧交通等领域提供了重要数据支撑。在深度学习技术的驱动下,遥感图像解译已实现从粗粒度地物分类向精细化检测的范式跃迁。作为遥感图像智能解译的核心环节,目标检测技术通过高效识别与精准定位地物目标,为后续高阶语义的解译任务奠定了重要基础。 然而,受成像机理与观测条件的影响,光学遥感图像目标检测技术在实际应用中仍面临着三大核心挑战:(1)小尺度目标因低像素占比导致特征表征模糊化,同时易受复杂背景干扰,造成特征提取失效与漏检问题;(2)大长宽比目标在鸟瞰视角下呈任意方向分布,导致传统水平检测框难以准确拟合目标形态,从而造成定位精度不足问题;(3)细粒度目标因具有高度相似的外观和细微的纹理差异,导致类间鉴别性较低,易引发特征混淆问题。上述问题严重制约了复杂场景下光学遥感图像目标检测技术的应用效能。为此,本论文围绕着复杂场景下光学遥感图像的高精度解译需求,重点针对小目标检测、有向目标检测及细粒度目标检测三大关键技术展开深入研究,旨在提升复杂遥感场景目标解译的精度与鲁棒性。本文的主要研究内容与创新性贡献包括如下三个方面: (1)针对小目标像素占比低、特征模糊及背景干扰的检测难题,提出了一种基于退化重建辅助增强的小目标检测方法。该方法创新地设计了双分支协同框架:检测分支主导目标定位与识别,退化重建辅助分支则通过退化编码模块与特征超分辨率模块构建对抗性特征空间,并利用重建损失引导网络聚焦目标的高质量特征学习,显著增强目标特征的表征能力。同时,利用提出的混合并行注意力机制嵌入特征融合网络中,通过通道与空间维度的动态权重分配,有效增强目标特征响应并抑制复杂背景干扰。区别于传统的超分辨率重建与检测网络级联式架构,该方法利用动态可分离的架构设计,在训练阶段通过参数共享提升特征表征能力,而在推理阶段仅保留检测分支以实现高效检测,实现了端到端联合优化策略的深度融合,最终在检测精度与计算效率之间取得了平衡。在VEDAI和Airbus-Ships两个公开数据集上的实验结果表明,该方法的精度提升显著,尤其对复杂背景下的小尺度舰船和车辆等目标具有更强鲁棒性。 (2)针对任意方向目标定位精度不足的问题,提出了一种基于自适应双域动态交互的有向目标检测方法。该方法通过空间域与频域的协同建模来突破以往单一域特征表征的局限性,有效提升任意方向目标的检测性能。首先,设计了空间自适应选择模块,采用动态感受野机制提取多尺度目标的定位特征,解决目标形态多样性带来的空间上下文建模难题。然后,提出了频域自适应选择模块,通过将空间特征映射至频域,利用可学习的频率滤波器进行特征重组,克服任意方向目标特征表达退化问题,从而增强对目标方向性特征的建模能力。最后,构建了双域特征交互网络,通过跨域特征互补机制,将空间域的定位优势与频域的方向判别能力深度融合,形成兼具高精度定位与旋转鲁棒性的联合特征表征。实验结果表明,该方法在HRSC2016和DIOR-R数据集上较主流方法显著提升了检测精度,验证了双域特征协同建模对于有向目标检测的有效性。 (3)针对细粒度目标高相似性引起的类间混淆问题,提出了一种基于区域建议的两阶段无锚框细粒度目标检测方法。首先,创新地构建了无锚框旋转区域建议生成网络,通过融合全局上下文感知模块以及无锚框旋转候选框生成机制,在抑制复杂背景干扰的同时生成高质量的候选区域,避免传统预设锚框导致的计算冗余。其次,提出了自注意力特征细化模块,利用级联间的渐进式特征细化策略,缓解传统金字塔结构特征复用的语义耦合瓶颈,增强细粒度特征的鉴别性。最后,设计了任务导向型解耦检测头,通过分类分支局部语义增强与定位分支方向敏感回归的协同优化,实现分类与定位任务的精准解耦来平衡特定任务需求。该方法结合了单阶段无锚检测器的灵活性与两阶段级联框架的检测精度优势,在保持高定位精度的同时,显著提升了细粒度目标的辨识能力。实验结果表明,该方法在MAR20和Ship RSImage Net数据集上,分别取得了86.1%和75.5%的平均精度。与当前先进方法相比,该方法在细粒度鉴别能力与模型鲁棒性方面均展现出显著优势。 综上所述,本文针对复杂场景下光学遥感图像目标检测面临的核心挑战,重点围绕小目标检测、任意方向目标检测及细粒度目标检测等关键技术展开研究。实验结果表明,所提出的方法能够有效提升不同场景下的目标检测性能,为光学遥感图像智能解译提供了创新性技术支撑,具有重要的应用价值。