关键词： 目标检测   YOLOv8n   EnhancedDarkNet   多尺度特征融合   注意力机制  

摘要： 针对遥感图像中视角特殊、背景信息复杂、目标密集且尺度多样导致的目标检测精度低等问题,提出一种基于多尺度特征融合的遥感图像目标检测算法EMD-YOLOv8。首先,引入增强型主干网络EnhancedDarkNet,实现浅层特征复用,提升目标细节和纹理特征的提取能力;其次,设计了多尺度交互融合特征金字塔网络(MIFFPN),重新构建颈部结构,强化多尺度空间中的特征融合;最后,提出维度交互极化注意力(DIPA)机制,减少背景噪声和冗余信息干扰,增强目标关键特征的响应。所提出的算法在遥感数据集DIOR上的mAP@0.5值和mAP@0.5∶0.95值分别达到85.9%和62.5%,较原始YOLOv8n提升了5.1和5.6个百分点,同时检测速率达到90.9帧/s。实验结果表明,EMD-YOLOv8能够提高遥感图像目标检测的准确性,并满足实时检测性能要求。

关键词： 行人重识别   目标检测   特征融合   全局特征   局部特征  

摘要： 针对行人重识别技术在实际应用中常常因为特征遮挡而导致识别率不高的问题,提出了一种复杂环境下行人防遮挡重识别方法,其由全局和局部特征提取两部分组成。以ResNet-50网络为主干网络,首先,在全局特征提取使用特征感知注意力机制对全局特征进行提取;然后,在局部分支使用特征分割空间的方法进行局部特征提取;最后,通过多尺度双向金字塔网络进行特征融合。在常用遮挡行人数据集Market-1501等上进行了实验,验证了论文所提出方法的有效性,且提升了行人重识别效果。

关键词： 归一化最小均方   自适应滤波器   有限字长效应   均方误差   目标检测  

摘要： 文中讨论了归一化最小均方(LMS)自适应滤波器中有限字长效应,分析了归一化LMS自适应滤波器量化均方误差(MSE)的影响因素。为了使归一化LMS自适应滤波器的有限字长效应在目标检测中满足性能要求,提出了MSE统计分析和目标检测性能分析相结合的确定归一化LMS自适应滤波器运算字长的方法。文中分析了步长和阶数与归一化LMS自适应滤波器的MSE及目标检测信噪比(SNR)之间的关联性,同时分析了滤波器输出字长、滤波器输入字长和滤波器加权修正字长等参数产生的方差与归一化LMS自适应滤波器的MSE及目标检测SNR之间的联系,并通过仿真实验对分析结果进行了验证。仿真结果表明,用该方法设计的有限字长自适应滤波器,量化MSE最小,目标检测SNR最大,其滤波性能狭义最优。

关键词： 建筑工程管理   人工智能   质量监控系统   计算机视觉   机器学习  

摘要： 随着建筑行业的快速发展,建筑工程质量监控的重要性日益凸显。传统质量监控方法存在效率低、主观性强等问题。文章提出并实现了一种基于人工智能的建筑工程质量监控系统。该系统利用计算机视觉、机器学习等人工智能技术,实现对建筑工程质量的自动化、智能化监控。

关键词： 布尔混沌   随机数   生成方法   图像处理  

摘要： 随机数是不可预测的0、1序列,在图像处理、加密技术、身份验真、模拟仿真等多个领域中都有着广泛的应用。传统的随机数生成方法主要依赖于伪随机数生成器(PRNG),虽然它们能提供一定的随机性,但由于其生成的序列存在可预测性和周期性,这在实际应用中会产生一定的安全隐患,尤其在对数据安全性要求较高的领域,如数字加密和图像保护等。文章研究基于布尔混沌的高效随机数生成方法,并探讨其在图像处理中的应用。通过构建优化的布尔混沌生成器,提升随机数生成的效率和质量,进一步分析布尔混沌生成方法在图像加密、图像水印和图像压缩中的具体应用,布尔混沌生成方法为图像处理提供一个高效且安全的解决方案。

关键词： 脑机接口   快速序列视觉呈现   目标检测   神经网络  

摘要： 针对脑机接口目标检测范式中脑电数据样本呈长尾分布所导致的识别率低、稳定性差等问题,文章提出一种基于解耦表征网络的脑-机目标检测模型。首先,将脑电数据以三元组的形式输入到神经网络模型的特征提取模块中,提取脑电数据的时空特征,并通过投影层将这些特征映射到低维空间,利用三元组损失函数训练模型的特征提取模块。然后,冻结特征提取器参数,对脑电数据进行下采样,以平衡目标样本和非目标样本的数量,并使用交叉熵损失函数对分类器进行训练。实验结果表明,相较于传统的一阶段式训练方式,采用解耦的方式分别学习模型的特征提取器与分类器,所得到的模型具有更高的分类准确率和稳定性。

关键词： 图像处理   特征融合   图像篡改检测   古籍文字图像   深度学习  

摘要： 为了有效检测识别被篡改的古籍文字图像,提出一种可用于古籍文字图像篡改的检测识别模型MDAS-Net。首先在边缘监督分支中提出一种全新的特征融合方式即混合注意力块,以更好地提取图像中的多尺度目标信息;其次,针对边缘监督分支和噪声敏感分支的特征融合设计一种特征传递模块E-2-N/N-2-E Help Block,促进2个分支间的信息交流,以得到更高质量的融合特征。为了验证模型的有效性,创建古籍图像篡改数据集,并联合篡改图像文本数据集(TTI)进行对比实验和消融实验。结果表明,MDAS-Net模型在古籍文字图像篡改区域检测效果良好,受试者工作特性曲线下的面积(AUC)达到了0.852,F_(1)值达到了0.784,并证明了MDAS-Net在检测古籍文字图像篡改方面的实用性。

关键词： 目标检测   YOLOv8n   HA混合注意力机制   遥感图像   小目标数据   深度学习  

摘要： 针对遥感图像中背景复杂、目标小而密集,导致现有目标检测算法对小目标检测效果不佳,容易出现误检和漏检的问题,在YOLOv8n模型的基础上引入HA注意力机制,提出了YOLOv8n-HA模型改善上述问题。具体地,文章在YOLOv8n每个检测分支的瓶颈端嵌入HA注意力模块。实验结果表明,YOLOv8n-HA模型在DOTAv1.5和Fiar1M子数据集上的mAP@0.5和mAP@0.5:0.95分别达到了0.797和0.597,相较于YOLOv8n模型分别提升了0.013和0.028。

关键词： 应力分布   弹道冲击   聚类算法   计算机视觉   有限元分析  

摘要： 为探究不同聚类算法在处理有限元结果应力云图时的表现，研究建立了单层Twaron?平纹织物弹道冲击有限元模型，以其应力分布结果图像为例，采用k-means、GMM、Mean-shift、DBSCAN4种不同的聚类算法对应力云图进行聚类处理和结果对比分析。研究结果表明：Mean-shift和DBSCAN聚类算法并不适用于处理大量有限元应力云图；k-means和GMM聚类算法相较于传统手动处理效率提升了74.24倍和172.64倍，但GMM聚类算法在图像色彩无明显区分时会产生误差。k-means聚类算法在保证高效的同时，误差仅在0.85%以内，因此，k-means聚类算法是这4种算法中最适用于大量应力云图的快速、客观、定量的分析。使用该方法测量出单层Twaron?平纹织物在受到冲击的1～15 μs内，0～600 MPa应力区间面积减小，应力面积变化速率为5.61×107mm2/s；600～1200 MPa应力区间面积增大，应力面积变化速率为5.27×107mm2/s。

关键词： 目标检测   YOLOv8   灰度图像检测   感受野注意力   空洞卷积  

摘要： 灰度图像由于其单通道构成的限制，导致图像中目标对比度低、特征信息模糊以及缺少颜色信息，因此检测精度低、且检测难度较大。为提升灰度图像检测的准确率，降低误检和漏检率，提出一种融合双重观察与注意力机制的目标检测算法SAC-YOLO。首先，在主干网络中引入变换空洞卷积，将标准卷积层转换为空洞卷积层，并结合全局上下文模块，提升模型在处理不同尺度和复杂度信息的准确性；其次，特征融合部分采用高效多尺度注意力机制，通过编码全局信息来重新校准各通道权重，跨纬度交互捕捉灰度图像中的像素级关系；最后，添加超分辨率重构检测头，内置感受野注意力模块和卷积模块，关注感受野内空间信息，为大尺寸卷积核提供有效注意力权重，使得模型能够更加精确地适应和表达灰度图像中的小目标信息的特征。在NEU-DET数据集中进行对比实验，改进后的YOLOv8算法对于灰度图像信息的识别精度达到79.3%，相较于YOLOv8原始网络提升了3.1%，由可视化实验可以看出，误检漏检问题得到改善。以上实验结果表明，SAC-YOLO检测效果良好，能够实现在灰度图像场景下的高质量检测。