关键词： YOLOv8   小目标   遮挡目标   特征指导   特征融合  

摘要： 为提升交通场景下对小目标和遮挡目标的检测精度,在YOLOv8的基础上提出一种特征指导与融合的车辆目标检测算法FFS-YOLO。首先,设计特征指导模块(FGM),利用并行结构从宽度和高度解耦关键信息,指导深层语义特征。然后构造特征融合模块(FFM),通过扩大感受野和整合不同尺度的特征信息,弥补高分辨率特征图在上下文信息表达上的不足,提高交通场景中小目标和遮挡目标的检测精度。最后采用损失函数(SMPDIoU),综合考虑预测框和真实框之间重叠区域和非重叠区域的中心点距离、宽度和高度的偏差,有效解决在重叠度为零时梯度消失的问题。实验结果表明,FFS-YOLO算法在KITTI数据集和SODA10M数据集上的平均精度均值(mAP)分别较YOLOv8提高1.53%和1.06%。

关键词： 人体姿态估计   2D   3D   计算机视觉  

摘要： 作为计算机视觉领域中的一个重要研究方向,人体姿态估计尤其是单人人体姿态估计,在近年来取得了显著的进展。文章将姿态估计分为2D与3D两个层次来展开介绍。首先简要回顾目前关于2D人体姿态估计的发展历程;然后重点阐述目前较为流行的三种2D人体姿态估计算法和更先进的3D人体姿态估计算法,并对它们分别进行详细说明;在此基础上,给出一个完整的姿态估计框架,以便相关研究人员更好地了解现有研究成果并解决所面临的难题。同时,文章针对现阶段存在的主要问题及其未来发展的趋向做了简单总结。

关键词： 水下图像质量提升   域自适应   深度学习   图像处理  

摘要： 水下图像质量提升在海洋探测中有着重要的地位,但真实数据难以获取,现有方法多采用合成数据训练的方式。然而,合成数据无法还原复杂的水下环境,导致模型的实际应用效果较差。为了解决上述问题,提出了一个从水上到水下的域自适应框架来进行水下图像的质量提升,框架分为颜色校正和域自适应两步。为了更好地提取全局信息,在域自适应步骤中引入了Transformer模块作为编码器来提取输入图像的特征。同时,还设计了特征增强模块来保留随空间变化的纹理细节和边缘信息。实验结果表明,该网络框架不仅在水下图像质量度量(underwater image quality measure, UIQM)性能指标中表现良好,同时还可达到更优越的视觉感知效果。

关键词： 纱线   目标检测   OrthoNet   HiLo   Inner-IoU  

摘要： 针对传统的纱线断纱检测方法存在检测精度低、响应速度慢的问题,提出一种基于RT-DETR算法的改进模型TH-DETR。在主干网络采用计算复杂程度低且精度较高的ResNet18,引入OrthoNet正交通道模块改进BasicBlock,通过对多样化通道压缩增强对特征提取。使用具有提取高低频信息的高效注意力HiLo对位置编码器进行改进,更加高效地利用不同频段的信息,提升预测精度,减小冗余。此外,采用Inner-IoU损失函数,通过优化预测框与真实框的内部重叠区域加快模型训练稳定性和收敛速度,提高预测框的准确度。实验结果表明:与基准模型RT-DETR相比,TH-DETR算法平均精度值mAP值达到93.2%,提高了2.0个百分点,计算量降低0.5 G,检测速率达到了83.33帧/s。该模型能够满足单锭断纱检测的需求。

关键词： 蜜蜂识别   跟踪计数   EfficientNet   目标检测  

摘要： 针对近年来养蜂人数增长,蜜蜂数量减少,导致蜂农经济收入下滑的问题,文章基于EfficientNet深度学习模型,结合深度学习多目标跟踪策略检测(deep simple online and realtime tracking,DeepSORT)算法,构建了一种蜜蜂识别跟踪计数系统。实验表明,该系统在识别准确率、跟踪准确性、计数准确性等多目标跟踪性能方面相较于传统方法呈现出明显的优势,为蜜蜂养殖与生态研究提供了技术支持。

关键词： BOPPPS模型   学习通   混合式教学设计   计算机视觉技术  

摘要： 根据对当前高等职业院校计算机视觉技术课程授课情况的学情分析,立足BOPPPS模型与学习通各自的优势,分析了传统线下教学面临的困境、普通混合式教学的作用和局限性,进而提出了本课程基于BOPPPS模型的混合式教学改革的重点内容。以汕尾职业技术学院的“计算机视觉技术”课程为例,阐述了如何借助学习通网络教学手段,以BOPPPS模型为基础,在教学模式、教学工具、教学评价上进行改进,开展混合式教学,并详细介绍了“计算机视觉技术”案例中人脸识别模块的混合式教学设计方案,对比课程教学改革前后学生技能、知识、素质及综合学习能力指标变化,有效提升了课程的教学效果。

关键词： 地月空间   态势感知   人工智能(AI)   目标检测   轨道定轨  

摘要： 随着深空探测的不断推进,地月空间已成为探月和深空任务的关键战略区域。面对日益增多的航天器及太空碎片数量,亟需先进的空间态势感知技术以实现对地月空间目标的精准监测与持续跟踪。传统方法因复杂动力学环境和远距离探测精度限制,难以满足高精度轨迹预测和目标识别的需求,制约了地月空间感知技术进一步发展,人工智能技术的快速发展为解决这一瓶颈问题提供了新契机。本文系统梳理了人工智能技术在地月空间感知领域的应用进展,涵盖空间目标监视需求、传统机器学习在目标检测及轨道定轨中的应用,以及深度学习、强化学习等人工智能算法的初步应用。通过对国内外典型研究成果的对比分析,归纳了现有技术的优势和不足,提出在算法优化、模型开发等方面的发展展望。分析表明,人工智能方法在提升暗弱目标检测精度、智能轨道确定及复杂态势感知方面表现出显著潜力,尽管面临数据匮乏和专用场景未知等挑战,人工智能技术已初步展现出构建全天候、高自适应性地月空间智能感知体系的能力。未来需加强人工智能与地月空间目标检测、轨道定轨与预报等传统技术结合,持续拓展人工智能在地月空间感知领域的应用,推动地月空间开发迈向智能化发展新阶段。

关键词： 显著性目标检测   多模态   神经网络   文本信息  

摘要： 显著性目标检测是从图片或视频中寻找客观上最具显著性的物体的过程。针对在杂乱且前背景区分度较低的场景中检测性能下降的问题,提出了一种基于文本信息辅助的显著性目标检测模型。所提出的模型通过融合RGB特征和图像描述网络生成的图像字幕文本信息,以捕捉场景中大多数对象的语义信息,从而抑制背景噪声、增强网络对目标的表征能力。同时提出跨模态指导融合模块,利用自交互和互交互的方式有效融合文本模态和RGB模态。针对全局注意力机制容易忽略细节信息的问题,提出了混合注意力模块,在全局和局部层次上建模上下文信息,从而进一步提高预测的准确性。在通用指标如平均绝对误差(MAE)、结构相似度(S)、加权F值(FW)上,实验证明了所提出模型的有效性。

关键词： 目标检测   YOLOv9   低压配电线路   损坏  

摘要： 针对配电线路中出现的破损、烧损等现象,传统线路检测采用人工排查的方法,不仅效率低,而且监测能力有限。为提高检测效率,利用YOLOv9模型实现低压配电线路损坏情况的的快速识别与判断。通过自制1097张数据集对YOLOv9模型进行训练,对数据集中因长期使用或外界因素导致的配电线路绝缘皮破损和因高压或其他外界热力因素导致的配电线路绝缘皮烧损两种情况进行标记,将其中882张不同样本的配电线路作为训练集,215张不同样本的配电线路作为验证集进行训练。通过训练模型,最终得到该算法对配电线路绝缘皮破损现象的检测精确率为85.1%,召回率为88.4%,平均精确度为88.4%;对配电线路绝缘皮烧损现象的检测精确率为85.0%,召回率为73.2%,平均精确度为85.7%。实验表明,基于YOLOv9的低压配电线路检测算法能有效地检测配电线路中出现的破损、烧损等现象。

关键词： 目标检测   无锚框方法   注意力机制   交通场景  

摘要： 针对复杂交通场景中的检测漏检率高和多尺度泛化能力不足的问题,本文提出一种基于无锚框架构的改进检测算法DFA-CenterNet。采用密集交互特征融合模块,通过特征叠加与差异双分支结构实现多分辨率特征互补,并结合卷积注意力与空间增强机制,在通道与空间维度动态优化特征权重分布来抑制遮挡区域的背景噪声干扰。本文方法在测试集上的mAP为89.76%,较原始CenterNet提升了10.31%,实时检测速度为40.79 FPS。实验结果表明,本文方法能够显著提升多尺度人车目标的检测鲁棒性,为复杂交通场景下的智能感知任务提供了可行的解决方案。