关键词： 绕射多次波衰减   人工智能   目标检测   字典特征学习  

摘要： 深水崎岖海底或含有复杂构造海域的地震资料存在严重的绕射多次波。传统的多次波衰减技术依赖于多次波模型与原始数据的相似度,当它们之间的差异较大时,则绕射多次波的衰减效果不佳。提出了利用人工智能深度学习中的目标检测网络检测绕射多次波区域;然后利用字典特征学习的方法,将多次波衰减问题转化为多次波字典特征学习与再重构问题,从而解决了绕射多次波模型与实际数据之间存在较大差异的问题。正演数据及实际数据应用表明,基于人工智能的残余绕射多次波衰减技术能够有效确定绕射多次波的位置并衰减残余绕射多次波,解决了绕射多次波预测不准、衰减效果不佳的问题。

关键词： 方面级情感分析   多模态   情感分析   目标检测   自注意力机制   自然语言处理   深度学习   特征提取  

摘要： 方面级的多模态情感分析(aspect-level multimodal sentiment analysis,ALMSA)旨在识别出语句和图像信息在某个特定方面上所表现出的情感极性。该任务现有分析模型使用的均是图像的全局特征,并未考虑原始图像信息中的细节信息。针对这一问题,提出一种基于目标注意力的方面级多模态情感分析模型OABALMSA(object-attention based aspect-level multimodal sentiment analysis)。采用目标检测算法捕获原始图像中目标的细节信息;引入目标注意力机制并构建迭代的融合层来完成多模态信息的充分融合;针对数据较高的复杂性所导致的训练困难问题,为模型制定课程式学习策略。经课程式学习训练的OAB-ALMSA模型在TWITTER-2015数据集上得到了最高的F1,这表明对图像中细节信息的利用能够提高模型对数据的综合理解,提升预测效果。

关键词： 湖北钉螺   拟钉螺   深度学习   人工智能   计算机视觉   云南省  

摘要： 目的建立基于EfficientNet-B4模型的云南省湖北钉螺滇川亚种视觉智能识别模型,并评估不同数据增强方法和模型超参数对钉螺识别效果的影响。方法2024年6月,于云南省永胜县采集湖北钉螺和拟钉螺样本各400只,各选取300只,鉴别分类后进行图像样本采集。将采集的925张钉螺和1062张拟钉螺图像作为数据集,按照8∶2的比例分为训练集和验证集;对剩余的100只钉螺和100只拟钉螺样本分别采集352张和354张图像作为外部测试集。对采集的图像进行裁剪、调整大小等预处理操作。采用基线(baseline)、Mixup和高斯模糊等3种数据增强方法;模型超参数包括自适应矩估计(adaptive moment estimation,Adam)和梯度下降法(stochastic gradient descent,SGD)2种优化器,焦点损失函数(focal loss)和交叉熵损失函数(cross entropy loss)2种损失函数以及余弦退火(cosine annealing)和多间隔调整(multi-step)2种学习率衰减策略。基于EfficientNet-B4模型建立湖北钉螺滇川亚种和拟钉螺智能识别模型,并将不同数据增强方法和不同超参数组合为7个不同训练策略组,采用外部测试集对模型性能进行测试。采用准确率、精确率、召回率、F1指数、损失值、约登指数和受试者工作特征(receiver operator characteristic,ROC)曲线下面积(area under curve,AUC)等指标评价不同训练策略下模型性能。结果采用不同数据增强方法的各组模型间损失值差异较接近。同时采用Mixup和高斯模糊数据增强方法的第4组模型性能最佳,外部测试集测试准确率为90.38%、精确率为90.07%、F1指数为89.44%、约登指数为0.81、AUC为0.961。采用SGD优化器的组别模型准确率较采用Adam优化器的组别降低29.16%(χ^(2)=81.325,P<0.001),采用交叉熵损失函数的模型准确率较第4组降低0.80%(χ^(2)=3.147,P>0.05),采用多间隔调整学习率衰减策略的模型准确率较第4组提高0.65%(χ^(2)=0.208,P>0.05)。采用基线+Mixup+高斯模糊的数据增强策略与自适应矩估计+焦点损失函数+多间隔调整学习率衰减策略的超参数配置模型性能最高,外部测试集测试准确率为91.03%、精确率为91.97%、召回率为88.11%、F1指数为90.00%、约登指数为0.82、AUC为0.969。结论基于EfficientNet-B4模型的云南省湖北钉螺滇川亚种智能识别模型可实现钉螺和拟钉螺的准确鉴别。

关键词： 弱监督   显著性目标检测   渐进式   特征聚合   边缘引导  

摘要： 针对多数弱监督显著性检测方法在复杂场景下容易出现目标结构缺损、边界粗糙等问题,提出一种渐进式特征增强的弱监督显著性检测算法。首先针对显著目标结构不完整问题,设计一种渐进式特征增强机制,主要包括双流语义增强模块和层次化自适应特征聚合模块,通过复用这种机制可以捕获更丰富的图像特征;其次为获取清晰完整的目标边缘,提出边缘引导模块,可以生成高质量的显著目标边缘图;最后将得到的边缘对显著区域预测网络进行指导,以生成结构完整且边界平滑的检测结果。在5个公开数据集上的实验结果表明,相比经典的WSSA算法,该算法在PASCAL-S数据集上平均绝对误差(MAE)降低了21.32%,F-measure值提高了6.27%,优于大多数先进的弱监督显著性目标检测算法。

关键词： 多媒体教学   行为分析   计算机视觉   特征提取  

摘要： 计算机视觉技术的发展为解决多媒体教学中学生的课堂学习行为分析提供了新的思路。概述了多媒体教学系统的构成、计算机视觉技术的基本原理以及课堂学习行为分析的主要需求,阐述了基于计算机视觉的课堂学习行为分析系统的总体架构设计、多媒体教学设备集成方案、视觉算法选择、学习行为数据采集与预处理、学习行为特征提取与表示以及学习行为分析与评估模型构建等关键技术,最后评估了该系统在不同教学场景下的性能表现。

关键词： 新工科   地方应用型高校   图像处理与机器视觉   教学模式  

摘要： 新工科背景下,地方应用型高校图像处理与机器视觉课程教学和培养存在课程体系建设不完善、知识体系不完善、课程考核方式忽视应用能力的培养等问题,因此,必须进行课程教学模式改革。通过对课程内容的筛选完善教学内容,思维导图的运用对课程内容进行整理,以便于学生记忆繁杂的知识体系;增加实验课程的教学和改善成绩评价体系以加强学生应用和综合能力的培养。从课程实施、达成度和学生评价来看,改进的课程教学模式取得了良好的教学效果,为新工科背景下地方性高校新兴课程的教学模式建设提供了一定的参考。

关键词： 边缘设备   资源效率   目标检测   目标跟踪  

摘要： 实时视频分析任务通常涉及到运行计算密集型的深度神经网络模型来实现目标跟踪。在实际应用中,将多路视频数据分析任务卸载到摄像机附近的边缘设备上进行处理变得尤为重要。然而,这些边缘设备的计算资源通常非常有限,导致目标跟踪的精度较差。这主要是由过时的检测结果、跟踪错误积累以及无法感知新目标造成的。针对上述问题,提出了一种基于预测和修正的检测跟踪框架。该框架中包含了3个核心的组件:1)预测性检测传播:通过轻量级预测模型快速更新过时的对象边界框以匹配当前帧;2)帧差修正器:基于帧差信息将出现误差的目标框回归到正确位置;3)新目标检测器:在跟踪过程中通过对帧差特征进行聚类发现新出现的目标。实验结果表明,相比基线方法,该框架在不同的交通场景中取得了19.4%到34.7%的精度提升,同时保持了实时的运行速度。

关键词： 机械臂   目标检测   YOLOv5   注意力   损失函数  

摘要： 针对现有的目标检测算法部署在机械臂上会占用大量系统资源、检测实时性差、模型参数量大等问题,提出一种改进YOLOv5的目标检测算法。首先,在YOLOv5骨干网络融入ShfflenetV2模块代替原本的焦点模块和跨级局部暗格网络,实现网络的轻量化;其次,主干网络末端颈部将带有残差精化的上下文转换器注意力(context-transformer with residual refinement,CTR3)模块嵌入到所设计的骨干网络中,来改善模型的特征提取潜力并减小采样带来的损失;再次,头部采用基于一致性的自适应信息传递注意力(similarity-based adaptive message passing attention,SimAM)模块来增强特征的跨尺度融合能力;最后,为提高检测算法对目标的边界框回归速率和样本稳固性,引入新型加权交并比(weighted intersection over union,WIoU)函数,在目标检测网络设计完成后,将其部署在机械臂上并完成验证。实验结果表明:文中改进的检测算法准确率为96.5%;检测速度为每秒82帧,相比原算法提高32帧;参数量为430×10^(4),相比原算法减少了39%;每秒浮点数计算次数为6.7次,约为原计算次数的1/3。数据表明改进后的检测算法检测速度快、参数量少、占用内存小,满足精准检测的前提下提高了检测效率。

关键词： 目标检测   甲状腺结节   YOLOv8   注意力机制  

摘要： 针对原始YOLOv8算法甲状腺结节检测精度低的问题,提出一种改进的YOLOv8甲状腺结节检测算法。该算法通过在原始算法的基础上添加高效通道注意力(efficient channel attention,ECA)和选择性注意力(large selective kernel,LSK)模块,从不同的维度学习图像特征,更好地捕获甲状腺结节信息。引入空间金字塔多尺度特征融合(spatial pyramid pooling enhanced with elan,SPPELAN)模块并替换backbone中的快速空间金字塔池化(spatial pyramid pooling fast,SPPF),实现甲状腺结节中局部特征和全局特征的融合,准确地定位甲状腺结节。将双向特征金字塔网络(concatenated bidirectional feature pyramid network,Concat-BiFPN)应用于head层,使语义信息传递到不同的特征尺度上,以适应不同形状和尺寸的结节。将损失函数替换为Focal损失函数,有效解决了甲状腺结节检测中样本不平衡的问题。实验结果表明:改进的YOLOv8算法在甲状腺结节检测中效果显著,精度均值提高了1.5%,召回率提高了2%,模型的参数量减少了1.3%。

关键词： 数据结构   图像处理   边缘检测   对象识别   算法优化  

摘要： 数据结构在图像处理领域扮演着至关重要的角色,尤其在存储、检索与分析大规模图像数据时显示出其独特的优势。该文探讨了常用的数据结构如数组、树结构、图以及哈希表在图像处理各个阶段的应用。通过案例分析,说明这些数据结构如何优化图像的对比度调整、边缘检测和对象识别等关键处理过程。研究结果表明,合理选用数据结构能显著提高图像处理算法的效率与性能,为进一步的技术创新与应用开拓提供理论基础与技术支持。