关键词： 显著性检测   自适应感受野   注意力机制   多尺度特征  

摘要： 基于CNN的显著性检测技术已逐渐替代传统的显著性检测技术。现有显著性检测技术大多数不加以区分不同层的特征,对不同层特征以同样方式处理。为了提取丰富的多尺度信息,将主干网络VGG-16分为低、中、高三层,并对不同层特征使用不同的注意力机制;为了提取更多信息,根据输入信息的不同用SK卷积来自适应增大感受野;最后将得到的特征优化后融合。在五个常用数据集上进行测试该模型,并与其他显著性检测算法进行比较。通过定性与定量评估,该模型性能较好。

关键词： 计算机视觉   智能照明   照明系统  

摘要： 城市化进程的加快使得传统照明方式面临着资源浪费、能效低下和用户体验不佳等问题。计算机视觉技术作为新兴的智能感知手段,在动态照明调节方面应用潜力显著。通过对环境进行实时监测与分析,计算机视觉技术能够为照明系统提供更为精确的控制策略,实现对照明强度与色温的智能调节,从而提高能源使用效率,提升用户舒适度。因此,本文将围绕计算机视觉技术在智能照明控制系统中的应用展开探讨,以期为相关领域的技术创新与实践提供新的思路与参考。

关键词： 教学改革   数字图像处理   项目设计   科研素养   创新能力  

摘要： 数字图像处理课程具有理论难度大、实践性强、碎片化程度高、考核不充分的特点。为适应新工科建设要求,深化培养学生的创新能力,该文设计了理论与实践一体化教学改革方案,重构了教学内容,构建了理论融入式探索性作业和综合项目设计,通过全过程、多维度的方式来考核学生的综合能力。实践表明,该教学改革能显著激发学生兴趣,有效地培养了学生的综合创新能力,为学生从事数字图像处理领域的高阶研究和研发奠定了基础。

关键词： 目标检测   岩石破碎   恶劣环境   边缘增强   颜色校正  

摘要： 岩石破碎作为采矿业中获取有价值矿物的关键环节,其效率与安全性对整个采矿过程至关重要。然而,露天采矿往往面临复杂多变的恶劣环境条件,如极端气候、光照不足、粉尘弥漫等,这些因素不仅显著降低了岩石破碎的效率,还大幅增加了发生安全事故的概率。在此背景下,本文提出一种基于改进YOLOv8n(You Only Look Once)的恶劣环境下岩石检测方法。该方法的核心之处在于:一是在YOLOv8n的主干网络的浅层引入差分边缘增强模块(Detail Enhancement,DE),通过增强检测目标的边缘信息,有效突出岩石在复杂背景中的轮廓特征;二是通过矩阵化颜色校正模块(Matrix-based Color Correction,MCC),构建全局颜色变换矩阵,对输入特征图进行全局颜色变换与局部细节优化,进一步提升特征表达的鲁棒性与准确性。实验结果表明,本文提出的方法能够显著提升恶劣环境下的岩石检测精度,为露天采矿中的岩石破碎作业提供了一种高效、可靠的检测技术。

关键词： 视觉目标跟踪   单流单阶段框架   多尺度特征融合   递归门控卷积   网络初始化  

摘要： 近年来,基于深度学习的目标跟踪网络取得了显著的进展.这些网络主要采用两种类型的框架:双流双阶段框架和单流单阶段框架.然而,前者忽视了在特征提取过程中的信息交互,后者则受限于骨干网络自身的局限性.因此,本文采用独立骨干网络来直接构建跟踪器,并设计了一种轻量化的多尺度特征融合架构,以较低的计算成本增强了网络对多尺度信息的感知能力;同时,引入递归门控卷积作为特征学习单元,以自适应高阶空间交互实现了网络对特征的深层挖掘;此外,本文使用DropMAE预训练模型来进行网络初始化,以提升网络的泛化能力.实验结果表明,所提出的目标跟踪网络在多个大型跟踪数据集基准上都表现出优异的性能,并能以78.4 FPS的速度进行实时跟踪.

关键词： 无人化作战平台   有生目标   人体骨架点   姿态估计   行为预估  

摘要： 针对无人化作战平台在复杂战场难于正确判断有生目标以及目标威胁程度的问题,以HRNet为基线模型,构建人体骨架点检测模型评价指标,引入中继监督学习,并提出了改进通道剪枝方法,以实现有生目标的快速准确检测;采用自顶向下的骨架点组合方法,获得多目标场景下每个目标的行为估计;采集了典型动作下的人体姿态数据,获得行为特征的先验知识,采用多层感知机和径向基核支持向量机,训练获得人员目标行为分类器,并进行了试验验证。结果表明:有生目标的检测正确率和推理速度均得到了有效提高,行为预估准确率≥95%。

关键词： 计算机视觉技术   新闻传播研究   数据获取与处理  

摘要： 本文深入探讨了计算机视觉技术在新闻传播研究中的广泛应用与潜在价值。随着信息技术的迅猛发展,计算机视觉技术作为人工智能的重要分支,在新闻内容生产、分析,社交媒体视觉内容解析,舆情监测以及视觉传播效果研究等领域展现出强大的应用潜力。文章首先概述了计算机视觉技术的定义、发展历程及其在人工智能领域的重要性,随后分析了新闻传播研究现状及其与新兴技术的结合需求。通过具体案例,展示了计算机视觉技术在新闻图片和视频分析中的实际应用效果,揭示了其在提高新闻生产效率、精准把握受众反应等方面的显著优势。然而,文章也指出了当前应用过程中面临的数据获取与处理难度大、技术局限性及跨学科研究方法论问题等挑战。最后,文章展望了计算机视觉技术在新闻传播研究中的未来发展趋势,强调了其在推动新闻传播行业数字化转型和智能化升级中的重要作用,并提出了进一步的研究方向与建议。

关键词： 深度学习   玉米叶片病害   迁移学习   可解释性   图像处理  

摘要： 为加强农作物病害的识别,减少病害发生的频率与强度,提高农作物产量与品质,基于迁移学习构建5种深度学习网络,对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网络,GoogLeNet的识别准确率最高,达到96.3%,模型收敛效果最好。通过进一步优化GoogLeNet模型架构,在inception模块中插入卷积注意力模块CBAM,使用LeakyReLU激活函数替换ReLU函数,改进后网络通道注意力增强,测试集的识别准确率达到99.0%,识别准确率提高2.7%。采用CAM和LIME算法对模型的可解释性分析,改进后网络的可解释性增强,更好地关注叶片病害部分。

关键词： 目标检测   遥感图像   带旋转的候选框算法   卷积通道注意力模块   DIoU-NMS   特征金字塔   DOTA   HRSC2016数据集  

摘要： 针对遥感目标背景复杂、易受外界环境干扰,传统方法无法满足复杂场景下的检测高精度与实时性要求的问题,提出基于改进RRPN模型的遥感图像目标检测方法。首先,将特征金字塔(FPN)架构引入到了模型的残差网络中,使得遥感图像的高、低层特征得到了有效融合;其次,在特征提取网络中添加了通道和空间相融合的注意力机制(CBAM),提升了模型在遥感图像目标特征提取方面的跨通道和空间处理能力;此外,将剔除重叠建议框时的原始NMS算法优化为DIoUNMS算法,综合考虑遥感图像候选框之间的重叠度、距离、尺度大小等因素,使目标框的回归过程更加稳定。对比实验与消融实验显示,所提方法在公共数据集DOTA和HRSC2016上获得的平均精度均值mAP分别可高达77.30%、90.24%,较原始RRPN模型分别提高了8.29%、11.16%,且优于其他几种较新的经典模型,表明所提方法对于复杂环境下的遥感图像目标检测是合理且有效的。

关键词： 结构化建模   计算机视觉   姿态估计   数据增强   图像裁剪  

摘要： 本研究聚焦于计算机视觉领域的遮挡姿态估计问题,采用结构化建模方法,深入分析遮挡条件下的姿态特征。通过构建遮挡鲁棒性模型,优化姿态估计算法,有效提升了在复杂遮挡环境下的姿态估计精度与鲁棒性,为计算机视觉技术的发展与应用提供了有力支持。