关键词： 多尺度卷积网络   特征提取   点云   稀疏卷积  

摘要： 基于多模态焦点稀疏卷积的目标检测算法对小尺寸目标检测精度不足的问题,提出一种多尺度特征提取网络.算法融合多尺度特征,提取网络优化原始算法中的特征提取部分,提升行人和自行车类别的定位精度,加入多模态焦点稀疏卷积目标检测网络.结果表明,改进后的目标检测模型提升了小目标“Pedestrians”类和“Cyclist”类检测的mAP(mean Average Precision)百分比,提升了小尺度目标的定位精度.

关键词： 动态场景   目标跟踪   LSTM-Attention  

摘要： 在动态场景中,目标跟踪技术面临复杂背景干扰及目标快速移动等多重挑战。为探索目标跟踪技术在动态场景中的应用,文章利用基于LSTM-Attention的视觉模型,旨在提升动态场景下目标跟踪的精准度。该模型结合了LSTM(长短期记忆网络)在处理时间序列数据上的记忆能力,以及Attention机制在捕捉动态场景中目标动态变化特征方面的优势。基于此模型,在动态场景下执行目标跟踪任务,并将该模型的表现与传统目标跟踪算法进行对比,分析不同场景因素对跟踪结果的影响,以验证新模型的优势。实验数据表明,在目标快速移动或部分遮挡的情况下,该模型仍能准确、稳定地追踪目标,并且在复杂动态场景下保持了80.4%的精确度,展现出较强的抗干扰能力。

关键词： 深度学习   口腔正畸   目标检测  

摘要： 口腔正畸是专注于矫正牙齿和颌骨的不正常位置和咬合问题,改善患者的口腔功能、牙齿美观以及整体面部结构的学科。牙齿状况既关系到人的健康问题,也是关系人体面部美观程度的重要因素,尤其对面部微笑表情有重要影响。传统口腔正畸依赖于医生的专业技术和医学素养,无法满足日益增长的正畸需求。将深度学习引入口腔正畸领域,可以通过对人体面部露齿图像的采集和智能分析,对口腔问题进行检查和判断。基于此,患者自身可以自我筛查,及早发现问题,医生可以对患者正畸治疗状况进行长期监控,根据牙齿问题和面部微笑表情的改善状况调整治疗方案,从牙齿健康和正畸美学的角度保证治疗效果。

关键词： 计算机视觉   多模态   RGB-骨骼动作识别   对抗训练  

摘要： 恶意攻击者可以通过在自然样本中添加人类无法察觉的对抗噪声轻易地欺骗神经网络,从而导致分类错误.为了增强模型对抗扰动的鲁棒性,先前的研究大多关注单模态任务,对多模态场景的研究相对匮乏.为了提升多模态RGB-骨骼动作识别的鲁棒性,提出了一个基于特征交互模块(FIM)的鲁棒动作识别框架,提取对抗样本的全局信息并学习模态间的联合表征,以此来校准多模态特征.实验结果表明,面对CW攻击,该动作识别框架在NTURGB+D数据集上进行鲁棒性评估,其RI值达到25.14%,平均鲁棒准确率也达到48.99%,比最新的MinSim+ExFMem方法分别提高了8.55和23.79个百分点,表明其在增强鲁棒性及平衡准确率方面都优于其他方法.

关键词： 文物保护   预防性保护   图像处理   本体监测   彩绘陶俑   裂隙变化  

摘要： 针对秦始皇帝陵兵马俑本体监测需求,设计了一种区域内多特征点跟踪的俑体劣化图像监测方法。该方法在俑体图像中需要监测的位置划定区域并提取特征,之后通过多点匹配的方法跟踪前后图像同区域的位移变化,结合其多个点位变化结果,在不需要破坏文物遗存环境的情况下,可判断俑体倾倒、剥落和裂隙变化等情况。通过其安置在俑体的倾角传感器数据配合实验证明:该方法操作简单、易于实施、不破坏文物本体,适用于多种文物和复杂环境下的本体监测。

关键词： 传感器技术   视触融合   计算机视觉   机器人感知   仿生学  

摘要： 视触融合传感技术是一种受人类视触觉协同调控人体动作行为启发,结合视觉相机图像信息和触觉传感器对物体和环境感知信息的集成式传感器仿生技术。随着计算机视觉、神经网络和触觉感知技术的发展,在智能机器人控制和工作过程中引入视触融合传感技术逐渐成为研究热点。以不同触觉传感模式划分总结了基于反射层光线漫反射、基于标记点/物追踪检测、基于光波导和基于仿生学的视触觉传感器基本原理和发展现状,同时总结了视触融合传感器在物体识别检测、物体滑移以及抓取稳定性检测和机器人抓取领域的应用现状,并针对视触融合技术提出以下展望:1)多模态感知技术的发展;2)人机交互方式的创新;3)智能机器人控制精度的提升;4)电子消费产品的带动。

关键词： 图像处理   轮眉间隙   测量系统  

摘要： 为高效实现车辆轮眉测量,基于图像处理技术设计了一种非接触式车辆轮眉间隙测量系统,并利用MATLAB的图形用户界面(GUI)开发了相应的测量软件,验证结果表明,实际间隙不小于15 mm时,该系统在不同拍摄距离条件下计算得到的轮眉间隙误差均控制在2%以内,具有较高的测量精度。

关键词： 路侧停车   图像数据   目标检测   YOLOv5  

摘要： 针对现有路侧停车目标检测和识别方法在复杂场景中效率和精度的不足,提出了一种基于梯形卷积算法的优化方案,并将其集成至YOLOv5模型中。此算法通过选择性跳过部分不必要的卷积运算,减少了计算量,从而提升了模型推理效率。实验使用视频采集的图像数据集进行训练和验证,比较了传统卷积和梯形卷积在不同设备下的性能差异,改进后的模型在CPU环境下推理时间减少,且实现了较明显的速度提升。因此,算法能够在路侧停车场景中提高目标检测模型的实时性,为部署低成本高效率的智能交通系统提供了新方案。

关键词： 目标检测   ShuffleNetv2   YOLOv5s   损失函数  

摘要： 针对矿井复杂环境光照不均、粉尘干扰、目标遮挡及传统的目标检测模型检测效果差、模型不易部署等问题,基于YOLOv5s提出了SDW-YOLOv5s目标检测模型。使用ShuffleNetv2作为特征提取网络,大幅度提升了模型的检测速度;在Ncek区域引入深度可分离卷积,提升模型检测精度的同时降低了模型的参数量和计算量;采用Wise-IoU损失函数提高了模型检测精度。实验结果表明:相比YOLOv5s模型,改进模型检测速度达到111帧/s,提高了70.7%,参数量降低了64.5%,计算量降低了90.5%,模型大小降低了88.8%,mAP达到89.2%,改进模型在模型轻量化和检测精度方面达到了很好的平衡,为模型在移动端轻量化部署提供了技术参考。

关键词： 目标检测   烟雾检测   YOLOv7网络   网络复杂度  

摘要： 【目的】旨在解决复杂场景中目标烟雾失检、检测精度低的问题。【方法】基于YOLOv7算法基础上进行优化改进,将原模型Neck部分的PAFPN结构替换为渐近式特征金字塔结构AFPN并引入ECIoU作为目标回归损失函数,在自构建数据集SMdatase和Pycharm平台上进行验证。【结果】实验结果表明:改进后的算法准确率比原YOLOv7模型提高了1.3%,达到68.6%,平均精度均值(mAP)比原YOLOv7模型提升了1.8%,达到64.6%,且改进后算法的计算复杂度仅有82.5 GFLOPs,比原YOLOv7模型下降了27.4%。【结论】提出的基于改进YOLOv7算法,既能降低网络计算复杂度又能提升检测精度,为复杂场景烟雾检测的后续研究提供了新思路。