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： 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： YOLOv7-tiny   合成孔径雷达   舰船检测   小目标检测   软阈值化   轻量化  

摘要： 针对SAR场景的小目标、多噪声、复杂等特征,以及舰船目标场景的优化轻量检测模型需求,基于YOLOv7-tiny框架裁剪与优化,提出了可用于SAR舰船图像的轻量检测网络LW-YOLOv7SAR.它通过重参数化和Shuffle技巧,并结合GhostConv模块去除冗余信息的思想和方法,轻量化了模型,同时增强了模型多尺度信息提取的效率;为了便于部署和移植,模型使用易部署的激活函数hard-Swish和ReLU6.此外,在主干层引入结合空间通道注意力的软阈值化模块,增加了模型的去噪和泛化能力;为了提高小目标的检测精度,在模型中引入了加权的多尺度特征融合.经过理论分析和实验验证发现,对比YOLOv7-tiny, LW-YOLOv7SAR模型减少89%计算量、90%参数量、90%权重文件大小,由于减小了运算量,实现了模型推理时的功耗降低,因此也更符合绿色计算要求;在SSDD数据集上的检测准确率可达97.6%.

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： 次声波   火山爆发   人工智能   计算机视觉   树莓派   换能器   物联网   放大器  

摘要： Circuit Cellar 2024.09物联网的趋势将会是《计算机视觉补充人工智能》。次声波存在于环境中,大风吹过不平的地形、海浪冲击海岸线、火山爆发等都是次声波的来源,如何《探索次声波》?当然是构建一个次声波探测器,文章利用MicroPython编程和树莓派,加上DIY的声音换能器、放大器组成了一个次声波探测器。

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。

关键词： 甘蔗   缺苗率   目标检测   作物行识别   YOLOv8模型  

摘要： 【目的】提高蔗田缺苗信息自动获取的自动化程度及精准度,为实现地块单元的蔗田缺苗位置信息自动化获取提供借鉴。【方法】通过无人机采集研究区蔗田影像并建立数据集,利用YOLOv8模型对蔗苗进行检测识别,识别结果经矢量化、旋转变换及聚类处理,获取精确的作物行数和株距信息,并通过制作田间无缺苗理想情形下的蔗苗分布图和实际缺苗位置点矢量点分布图,以评估蔗田的整体缺苗情况。【结果】YOLOv8模型识别蔗苗的准确率为98.84%,召回率为90.76%,平均精度为97.05%。即使在杂草分布较多的环境中,杂草遮挡会混淆蔗苗的视觉特征而增加检测难度,YOLOv8模型也能较准确地识别出蔗苗。将蔗苗识别结果进行矢量化,采用空间分析的后处理方法实现作物行自动旋转至竖直方向,再通过聚类处理、交叉点计算、坐标转换等手段实现作物行数量、方向、行距及起点和终点的准确获取,有效解决了不同地块间及同一地块内部的作物行状况差异问题。在研究区的2个大面积地块中随机划定形态、方位和面积各异的8个样方(A~H),基于无缺苗情形的蔗苗标准分布模板分别计算8个样方的缺苗率,结果显示缺苗检测模型的误差分别为4.35%、2.98%、4.28%、2.91%、1.88%、0.51%、1.10%和1.51%。此外,根据缺苗检测模型结果可获取各样方的缺苗位置坐标。【结论】基于YOLOv8模型的自动化蔗苗检测与缺苗率计算方法可快速、高效地处理大量图像数据,具有较高的自动化程度与精度,适用于大范围的蔗田缺苗检测,且能提供具体的缺苗坐标。后续研究建议通过多尺度检测提升模型召回率,采用滑动窗口裁剪图像进行数据标注而降低漏检问题,并扩充数据集以提高模型的泛化能力和鲁棒性,有效提升蔗田缺苗检测结果的稳定性和准确性。

关键词： 多任务学习   目标检测   无人机图像   复杂天气   提示学习   去噪模型  

摘要： 针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。

关键词： 目标跟踪   孪生网络   计算机应用   多层特征融合   模板更新  

摘要： 针对现有孪生网络跟踪算法仅使用主干网络最后一层的特征进行相似度匹配,以及缺少有效模板更新策略的问题,提出基于多尺度特征融合和自适应模板更新的孪生网络跟踪算法。首先,结合深度过参数化卷积设计非填充单元,提取更深层的前景特征和语义背景;然后,设计新的全局-局部特征融合模块,充分聚合浅、中层特征的全局和局部信息,捕获丰富的浅层外观特征和中层过渡特征;最后,采用自适应模板更新机制在线更新模板。为验证算法的有效性,在公开数据集上对所提算法进行详尽评估,实验结果显示,所提算法在OTB2015和VOT2018数据集上的精确度分别达到0.878和0.588,GOT10K数据集上平均重叠率达到0.526,优于其他主流算法。