关键词： 荔枝   虫害检测   多场景   小目标   YOLOv10n   特征融合   注意力机制  

摘要： [目的/意义]荔枝虫害的精准识别有助于实施有效的防治策略，推动农业的可持续发展。为提高荔枝虫害的识别效率，本研究提出一种基于改进YOLOv10n的轻量化目标检测模型YOLO-LP （YOLO-Litchi Pests）。[方法]首先，优化主干网络（Backbone）的C2f模块，使用全局到局部空间聚合模块（Global-to-Local Spatial Aggregation,GLSA）构建C2f＿GLSA模块，实现对小目标的高效聚焦，增强目标与背景的区分能力，同时减少参数量和计算量。其次，在颈部网络（Neck）引入频率感知特征融合模块（Frequency-Aware Feature Fusion,FreqFusion），设计频域感知路径聚合网络（Frequency-Aware Path Aggregation Network,FreqPANet），有效解决目标边界模糊和偏移的问题，并进一步轻量化模型。最后，使用SCYLLA-IoU （SIoU）损失函数替代Complete-IoU （CIoU）损失函数，优化目标定位精度并加速模型训练收敛过程。为了评估模型性能，本研究在自然环境和实验室环境的四种场景中，构建自建的荔枝虫害小目标数据集并进行测试。[结果和讨论]YOLO-LP在AP50、AP50:95、AP-Small50:95分别达到了90.9%、62.2%和59.5%，较基线模型分别提高了1.9个百分点、1.0个百分点和1.2个百分点。同时，模型的参数量和计算量分别减少13%和17%。[结论]YOLO-LP在精度和轻量化方面表现优越，为荔枝虫害检测的实际应用提供了有效的参考。

关键词： 深度学习   图像处理   指纹识别   伪造指纹检测  

摘要： 近些年来，深度学习技术的理论研究和应用研究均取得了快速发展，在自然语言处理、图像语义分割等诸多领域中的研究成果不断涌现，在指纹信息处理中的研究及应用也取得了较快的发展。本文主要介绍了2018年至今深度学习技术在指纹图像处理、指纹识别、指纹防伪技术、指纹数据集生成、涉及指纹的多模态生物特征识别等方面的研究进展情况，其中指纹图像处理包括指纹图像分割、指纹图像增强和指纹图像校正，指纹识别包括基于深度学习网络的指纹识别、非接触式指纹识别、基于指纹3级特征的指纹识别等，并展望了未来深度学习技术在指纹信息中的研究发展方向。

关键词： 普通高校   课程思政   OBE   课程教学  

摘要： 在现代科技高速发展、社会大量需要实用性人才的背景下,普通高校的人才培养秉承以结果为导向的OBE教育理念,旨在培养学生能力,强调培养过程的重要性.高校的培养主体是即将步入社会的大学生,在培养过程中融入丰富的思政教育,提升学生的科技强国意识,增强职业道德、社会责任感等,从而将思政教育与专业能力培养紧密结合,使得人才培养与国家、社会发展需求密切对接,是非常有意义的教学举措.文章以普通地方高校工科专业课程数字图像处理为例,对基于OBE教育理念的专业知识教育与思政教育的有效融合进行了一系列的研究与探索.

关键词： 输电线路外力破坏   目标检测   特征提取   阶梯式特征融合   检测头轻量化   GIoU损失函数  

摘要： 针对输电线路巡检中无人机拍摄角度下器械易形变及带臂机械不同工作状态下特征复杂难以捕获的问题，提出一种基于阶梯式特征融合的外力破坏检测方法。该方法首先通过融合可变形大卷积核注意力网络提取无人机拍摄图像的特征信息；其次，利用多尺度序列特征融合模块进行阶梯式特征融合；然后，对检测头进行轻量化操作以减少参数量；最后，提出GCIoU NMS函数优化模型。在自建数据集上的实验表明，该方法的mAP50%和mAP50%-95%分别提高10.5和10.2个百分点，达到86.8%和58.4%；在VOC数据集上，mAP50%和mAP50%-95%分别提高7.3和8.1个百分点，达到79.5%和58.8%。实验结果表明，该方法有效提升了目标检测性能，对复杂环境下输电线路外部破坏检测具有重要参考价值。

关键词： 深度学习   Detection Transformer   DINO   目标检测   路侧图像  

摘要： 路侧感知研究是一个复杂的研究领域，比车辆感知研究更为复杂。由于摄像头的位置和角度不同，路侧目标显示出明显的多尺度差异。广阔的感知领域引入了更多的小尺度目标和复杂背景，使目标检测更加复杂。本研究旨在增强目前基于Transformer的目标检测模型DINO，并开发一种基于改进DINO算法的路侧目标检测方法。在改进中，将ConvNeXt网络应用到DINO的主干网络中，其倒置瓶颈结构设计有助于优化模型的感受野，通过采用大核卷积，增强了模型对路侧目标特征的有效提取能力，从而提高了目标检测的准确性。随后提出了ODConvNeXt结构，通过在ConvNeXt模块中引入Omni-Dimensional Dynamic Convolution(ODConv)模块，利用其并行策略的四维注意力机制准确识别包含各种路侧特征的目标区域，有效增强了网络模型的特征提取能力，显著提高了目标检测精度，尤其是小目标检测的准确性。Lion优化器是一种使用符号计算的内存高效随机梯度下降方法，可动态调整学习率并引入动量以加速梯度更新，通过实现参数分布均衡来提高模型的收敛性、准确性和泛化能力。对Rope3D数据集的分析表明，与初始模型相比，改进后的DINO算法在小目标上的m AP0.5:0.95指标提高了6.3百分点，模型权重减少了32.3%。在实现这一提高的同时，检测速度保持在24FPS，并且在参数量相等的情况下，精度高于原方法。

关键词： 霍夫变换   深度学习   语义圆目标检测  

摘要： 目标检测领域的模型设计愈发复杂且精密，对于利用目标的固有特性进行模型设计的研究工作寥寥无几，并且这类方法对于深度网络模型具有更强的可解释性。在细胞检测领域数据往往具有明显的形状特征，通过形状先验的引入，模型具有更好拟合数据的能力。因此将经典的圆形霍夫变换与深度学习相结合，提出了可以单阶段端到端训练的Anchor-free语义圆目标检测框架。通过圆形参数化及深度霍夫变换，将二维特征图中圆形先验信息对应的特征值沿着圆形参数化变换方式，聚合到三维霍夫空间中的一个点，将语义圆检测问题转化为检测三维霍夫域中的一个点。其次，提出偏移量预测来缓解圆形参数化中离散化处理引发的精度下降问题。在CBC与TXL-PBC等多种血细胞检测数据集上测试结果表明，圆形先验信息的引入，增强深度检测算法的可解释性和泛化能力。

关键词： 深度学习   目标检测   合成孔径雷达   轻量化网络结构   模型剪枝  

摘要： 复杂SAR（Synthetic Aperture Radar）影像场景下准确高效的目标检测算法能够提升监测装备的感知能力。针对海上复杂环境SAR图像舰船漏检、错检问题严重，提出了一种轻量级视觉感知模型DH-YOLO（Double detection head-YOLO）。首先，提出了低维双检测头网络结构，解决SAR图像舰船小目标随着卷积导致的特征丢失问题；然后，提出了cosN-IoU（Cosine Normalized Intersection over Union）损失函数，设计新的锚框角度损失度量方式，并引入调节因子提高正样本的贡献。最后，提出了基于特征空间相似度的剪枝算法，依据滤波器相似度为可替换指标，完成网络特征信息剪枝，提高算法推理速度，实现轻量化处理。相较于当前主流算法，DH-YOLO在各方面均取得了不错的成绩，精度明显提高并且模型体积可压缩至190KB，模型推理时间可降低至3ms以下，能够满足SAR图像实时舰船目标检测。

关键词： 目标检测与跟踪   高速路侧雷达   毫米波雷达   多模态融合   智能交通系统  

摘要： 相机是智能交通系统（Intelligent Transportation Systems ，ITS）中使用最广泛的传感器，但目标遮挡和外界环境干扰导致的检测和定位精度下降一直是制约ITS发展的重要因素。为解决此问题，设计了一种基于高速路侧毫米波雷达（Millimeter-Wave Radar，MWR）和相机的多模态融合目标检测与跟踪方法。与相机相比，高分辨率MWR具有更好的测量精度和天气鲁棒性，是对相机感知的更好补充。提出的方法使用基于中心点的雷达-相机融合算法进行目标检测，并使用贪婪算法进行目标关联。提出的算法在具有挑战性的nuScenes数据集和自建的高速路侧多模态数据集上进行了评估。在nuScenes数据集中实现了69.1% AMOTA，并优于基准中所有基于视觉的3D跟踪方法；在自建数据集验证了适用性以及准确性，每张图像的运行时间为35ms。实验结果表明提出的方法达到预期是应用效果，非常适合ITS应用。

关键词： 行人重识别   少样本学习   目标检测   图像识别  

摘要： 行人重识别任务通常依赖于大规模标注数据。然而，在少样本场景中，标注数据的有限性导致模型难以充分学习到类别间的判别性特征。为应对这一挑战，研究者们提出了多种方法以提升模型在数据匮乏条件下的性能表现。根据所需标注数据的依赖程度，相关研究可以归纳为以下四个主要类别：有监督学习的方法、基于弱监督学习的方法、基于半监督学习的方法、基于无监督学习的方法。随着对标注数据依赖的逐渐降低，行人重识别领域呈现出从有监督学习到无监督学习的技术发展趋势。系统性地总结了当前在数据集和评估指标上的研究现状，并对未来可能的研究方向进行了展望。