关键词： 数列极限   计算机算法   收敛性分析   数值算法   机器学习   图像处理  

摘要： 研究对数列极限在计算机算法收敛性分析中的应用情况进行了探讨,尤其强调了其在数值算法、机器学习与图像处理等领域的重要意义。借助对数列收敛性与极限计算方法的剖析,文章说明了数列极限在数学分析中的基础性地位及其与其他分支的关系。研究发现,若在算法设计中引入数列极限的概念,不仅能精准评估算法收敛态势,还能显著提升算法运行效率及稳定性。通过对具体案例进行深入分析,文章揭示了在迭代法、优化算法等数值算法的范畴中,数列极限如何有效指导算法的收敛性评估与性能优化。在机器学习领域,数列极限在模型训练收敛速率及损失函数优化中发挥了关键作用;在图像处理领域,数列极限可辅助理解向量场的收敛性和图像质量提升的相关性。文章总结了研究的重大成果,并对未来在算法收敛性分析中应用数列极限的前景与可能性展开了探讨,以期为计算机科学领域的相关研究提供全新的视角与思路。

关键词： 激光雷达   目标检测   自动驾驶   复杂天气   深度学习  

摘要： 随着传感器、数据处理、视觉感知、控制决策、人工智能等自动驾驶相关技术的不断发展,自动驾驶成为汽车行业未来发展的重要方向之一.但是,以雨、雾、雪等复杂天气为典型代表的极端驾驶环境,对自动驾驶环境感知提出了严峻挑战.随着激光雷达(Light detection and ranging,LiDAR)在汽车上得到广泛运用,基于车载激光点云的目标检测已成为自动驾驶环境感知的重要研究方向之一,但在复杂天气条件下,LiDAR探测生成的点云存在大量噪点,对目标检测的性能产生严重负面影响.对此,本文首先归纳了点云目标检测的基本定义、任务方法和评测指标,然后分析了复杂天气对点云目标检测的影响,并从数据增强、点云去噪、域自适应以及传感器融合等四个方面,系统分析了复杂天气下基于车载激光点云的目标检测方法及其优缺点,最后探讨了当前存在的数据规模与真实性不足、模型结构复杂、数据分布不均匀、实际部署瓶颈等问题以及未来研究方向.

关键词： 播种质量检测   计算机视觉技术   水稻  

摘要： 一、研究背景及意义水稻是我国主要的粮食作物之一,我国也是世界上最大的水稻生产国和消费国,因而水稻的生产在我国的粮食生产中占有极其重要的地位。随着时代的发展和科技的进步,工厂化育秧应运而生,通过使用育秧设备和技术,实现育秧过程的标准化和规模化。工厂化育秧的产生不仅提高了育秧效率,还保证了秧苗的质量和数量,为水稻等农作物的生产提供有力保障。

关键词： 多信息融合   目标检测   目标跟踪   车速估计   拥堵检测  

摘要： 在高速收费站拥堵检测场景中,遮挡、阴影、景深等因素严重影响检测算法的精度,基于单信息的拥堵检测算法无法准确反映收费站真实拥堵情况,对此,提出一种高速收费站多信息融合拥堵检测算法。首先采用目标检测算法检测目标区域车辆,利用图像空间特征计算车道占用率;其次利用Deep SORT目标跟踪算法与滑动平衡机制进行车流量综合估计,减少因为遮挡和阴影导致的车辆误检、漏检问题;最后利用基于光流信息熵的车速估计方法,降低因景深变化导致的拥堵状态检测误差。通过融合3种不同维度信息得到拥堵指数,拥堵指数聚类为5种拥堵类别以判断真实拥堵状态,从而实现高速收费站的拥堵检测。实验结果表明,在高速收费站拥堵数据集上,采用多信息融合的拥堵检测算法准确率达到90.4%,能够实现对收费站拥堵状态的准确检测。

关键词： 小目标检测   RT-DETR   多通道部分卷积   可学习位置编码  

摘要： 针对无人机航拍图像中背景复杂、小目标样本多,难以提取有效特征等问题,提出一种改进实时Transformer(real-time detection Transformer, RT-DETR)的无人机航拍小目标检测算法。首先,在特征融合网络中增加针对微小目标的特征融合结构,利用浅层特征图中丰富的位置信息来增强网络对小目标的检测能力,同时为了防止额外参数的增加,去除主干网络中最后一个残差结构;其次,设计一种多通道特征部分卷积模块(multichannel partial convolution, MCPConv),基于此重新构造了主干网络中的BasicBlock结构,命名为MCP Block,减少通道特征冗余,提升多尺度细节特征的获取能力;引入具有学习能力的位置编码,获取更精确、更具表达能力的位置信息;最后引入归一化加权偏差(normalized weighted deviation, NWD)和平均精度驱动交并比(mean precision-driven IoU,MPDIoU)定位损失函数,降低对位置偏差的敏感性,加快模型收敛速度。实验结果表明,在VisDrone2019-DET数据集上,改进后的模型较原始模型参数量降低了62%,检测精度mAP50提升了3.9%,且FPS较改进前提升了17%,对比其他主流检测模型具有更好的检测效果。

关键词： 数字图像处理   产教融合   课程内容建设  

摘要： 随着人工智能技术的广泛应用,高职院校的人工智能专业建设正逐步推进。针对“数字图像处理”课程存在的数学基础要求较高、教学内容发散性强、学习难度陡峭等现实问题,文章从产教融合视角出发,对教学改革展开了探索。通过构建以职业岗位需求为导向的课程体系,重构理论与实践相结合的模块化教学内容,开发典型工作场景的教学载体,形成了适应高职教育特点的教学实施方案。经教学实践验证,该方案有效提升了课程教学效果,为人工智能专业的课程建设提供了可借鉴的实施范式。

关键词： 自动驾驶   4D毫米波雷达   目标检测   图神经网络  

摘要： 4D毫米波雷达具有体积小、成本低、全天候运行、测速能力强、距离分辨率高等优势,非常适用于自动驾驶系统。然而,目前基于毫米波雷达的目标检测方法通常直接移植于激光雷达,无法有效适应于毫米波雷达点云特征,因此检测性能较差。针对此问题,提出一种基于图神经网络的4D毫米波雷达目标检测方法。设计基于拓扑图以及初始特征图传播信息并更新点云特征的图神经网络,该网络作为点云特征编码器可输出高可分的节点嵌入;将带有节点嵌入的点云投影至二维鸟瞰图;利用具有通道注意力机制的主干网络抽取多尺度特征,并于通道维上进行融合以输出融合特征图;将融合特征图输入检测头以获得目标的有效检测。基于公开数据集View-of-Delft的实验结果表明,与现有主流算法相比,所提方法具有较好的目标检测性能。

关键词： PLCnext控制系统   无人机   交通监控   YOLOv9算法   目标检测   深度学习   注意力机制  

摘要： 为了提高交通监控的效率,特别是在固定式道路摄像头视角有限的情况下,提出了一种基于PLCnext平台的无人机交通监控系统。该系统结合YOLOv9深度学习方法,控制两台配备摄像头的无人机与PLCnext平台协同,提供更广泛的视野覆盖范围和灵活的监控能力,实现对交通车辆的实时监控。为提高航拍图像中低分辨率场景下的检测精度,提出了YOLOv9s-SPDADown-LSK模型。该模型通过引入SPD层,增强对图像细节特征的保留,使用ADown模块优化下采样过程,并在骨干网络中融入LSK注意力机制,以强化特征提取能力。实验结果表明,系统在图像处理的延迟约为80 ms,改进后的模型在mAP@0.5和mAP@0.5:0.95分别达到了96.3%和82.7%,检测准确率为97.2%,有效减少了误检和漏检,证明了系统的可行性和算法的有效性。

关键词： 小肠病变   YOLOv10   人工智能   小肠胶囊内镜   目标检测  

摘要： 目的:基于YOLOv10构建用于小肠胶囊内镜(SBCE)自动检测的人工智能模型。方法:收集来自两个中心的SBCE数据,共计23 115张图片和35 412个注释标签,涵盖11类小肠病变。使用LabelMe工具对图像进行标注,并转换为适配深度学习模型开发所需的YOLO格式。使用预训练的YOLOv10和YOLOv8模型在所构建的数据集上进行迁移学习训练。采用精确率、准确率、敏感性、特异性、假阳性率以及检测速度等指标全面评估模型性能。最后,将模型部署于本地电脑,对SBCE图像及视频进行实时检测。结果:共开发了6种不同版本的YOLO目标检测模型,包括YOLOv8n、YOLOv8s、YOLOv8m、YOLOv10n、YOLOv10s、YOLOv10m。在验证集上,YOLOv10s模型取得最佳的mAP50(0.795),尽管其推理延迟时间不是最短(4.803 ms/img),但足以满足临床应用要求。在测试集上,YOLOv10s取得良好的整体性能,准确性、敏感性和假阳性率分别为92.69%、89.23%和4.78%;在具体类别的推理中,敏感性最高的类别是“出血”,达到96.41%,而最低的类别是“狭窄”,为82.29%。结论:基于YOLOv10神经网络建立的模型能快速准确地检测和分类多种小肠病变,具有较好的临床应用价值。

关键词： 计算机视觉   提示学习   视觉−语言大模型   预训练模型  

摘要： 随着计算机视觉(CV)的快速发展,人们对于提高视觉任务的性能和泛化能力的需求不断增长,导致模型的复杂度与对各种资源的需求进一步提高.提示学习(PL)作为一种能有效地提升模型性能和泛化能力、重用预训练模型和降低计算量的方法,在一系列下游视觉任务中受到广泛的关注与研究.然而,现有的PL综述缺乏对PL方法全面的分类和讨论,也缺乏对现有实验结果进行深入的研究以评估现有方法的优缺点.因此,本文对PL在CV领域的分类、应用和性能进行全面的概述.首先,介绍PL的研究背景和定义,并简要回顾CV领域中PL研究的最新进展.其次,对目前CV领域中的PL方法进行分类,包括文本提示、视觉提示和视觉−语言联合提示,对每类PL方法进行详细阐述并探讨其优缺点.接着,综述PL在十个常见下游视觉任务中的最新进展.此外,提供三个CV应用的实验结果并进行总结和分析,全面讨论不同PL方法在CV领域的表现.最后,基于上述讨论对PL在CV领域面临的挑战和机遇进行分析,为进一步推动PL在CV领域的发展提供前瞻性的思考.