关键词： 飞行目标检测   YOLO v3   深度学习  

摘要： 飞行目标往往呈现为十几个像素点的小目标,对其准确检测是黑飞反制、管控等应用中首要解决的问题。鉴于此,提出一种基于改进YOLOv3的方法提高飞行目标的检测能力。首先为避免梯度消失,增强特征的复用,在特征检测层引入残差网络;其次为提高小目标的检测能力,增加对4倍下采样特征的检测;然后通过数据集对未改进YOLOv3和改进后YOLOv3进行训练获取模型;最后将FasterR-CNN、未改进YOLOv3和改进后YOLOv3进行实验对比,数据显示改进后YOLOv3的准确度提升14个百分点以上,能较好地检测出飞行目标。

关键词： 目标检测   主干网络   空间注意力机制   损失函数  

摘要： 针对目标检测网络中低效的特征提取和重要特征难以聚焦的问题,基于分组残差及变换特征维度,提出一种改进的目标检测网络.首先引入一个主干网络结构G-ResNet50作为特征提取网络,以充分利用卷积的通道信息核;然后提出广域感受野空间注意力机制,强化重要特征的关注和聚焦能力;最后比较不同损失函数的回归效果,并采用最佳的损失函数进一步提高网络检测目标的准确度.在PASCAL VOC数据集和COCO数据集上的实验结果表明,在相同的实验环境和设备下,所提网络分别实现了79.1%的mAP和35.7%的AP值,同时取得了34.1幅/s的检测速度;与FCOS,ATSS,PAA等网络对比,该网络具有更好的目标检测效果.

关键词： 目标检测   深度学习   条码   轻量型网络   FCOS  

摘要： 条码检测在物流和零售等领域有广泛应用,然而,传统的检测方法在处理旋转、倾斜等场景下存在准确率低、计算量大、检测效率低等问题。针对上述问题,提出了一种改进FCOS的条码检测算法。首先,通过引入Triplet Attention空间注意力机制来增强对条码目标的检测能力;然后,在FCOS网络的回归分支中引入参数θ,将水平框转化为旋转框,用于拟合任意朝向下的条码目标的外轮廓;最后,在标注好的条码数据集上对改进后的算法进行模型训练和测试。实验结果表明,所提出的改进后的FCOS模型当阈值为0.5时,平均检测精度达到94.6%,整体性能优于其他主流算法,有效提升了条码检测能力,并达到较高的检测精度。

关键词： 视网膜病变分级   双线性模型   注意力机制   像素融合   图像处理   残差网络   特征增强和特征抑制模块  

摘要： 针对糖尿病视网膜病变(diabetic retinopathy,DR)中存在类间差异小和病变区域识别困难等问题,提出一种跨层双线性策略的视网膜病变分级算法。对输入图像进行高斯滤波等预处理方法增强图像特征的差异性,使用Res2Net-50双模型提取特征并进行特征增强;通过多分支注意力模块聚焦病变区域,减少不相关信息的关注;使用像素注意力引导融合模块对不同尺度的特征信息融合。在IDRID数据集上二次加权系数为91.82%、准确率为80.58%、敏感性为97.10%、特异性为97.05%,APTOS 2019数据集上准确率为84.28%,二次加权系数为90.05%,结果表明该算法具有一定应用价值。

关键词： 基坑工程   目标检测   YOLOv7   风险识别  

摘要： 针对复杂工程现场人员、材料、机械设备等多种目标精准识别难的问题,本文采用基于YOLOv7框架的目标检测模型,通过航拍图片、场地实拍、视频流切片等方式制作并增强数据集,结合迁移学习、冻结训练等方式进行模型训练,并通过剔除小目标数据的方式增强了工程目标的检测精度,使得mAP(全类平均准确率)提高到79.47%,大大提高了对工程目标的识别精度和速度。

关键词： 虚拟试衣系统   计算机视觉   增强现实   算法与实现   人体建模   三维建模   沉浸式   电商平台  

摘要： 随着直播带货模式的兴起,消费者对线上购物体验的需求日益提升,越来越希望能在购买前直观、真实地感受衣物的穿着效果。本文探究了应用于电商直播带货的在线虚拟试衣系统的算法与实现过程,结合增强现实、计算机视觉、三维建模及机器学习技术探讨了人体建模、服装变形与贴合、光照与材质渲染等关键技术。该系统不仅能够提升电商直播带货的互动性和转化率,还能够降低电商成衣系统的退货率,提高电商平台的购物效率与客户满意度。本文旨在通过技术创新,为用户打造一个沉浸式的购物环境,让虚拟试衣成为电商直播带货领域的新标配,进一步推动服装零售行业的数字化转型与发展。

关键词： 软件工程   自然语言处理   深度神经网络   计算机视觉   数据挖掘   图像处理   辨识技术   深度学习  

摘要： 随着数字经济的飞速跃进,深度学习技术犹如一股强劲的驱动力,正逐步塑造并引领着各行各业的科技创新格局。近年来,深度神经网络作为深度学习的核心架构,其强大的学习与泛化能力使得机器辨识技术在众多领域大放异彩,展现出独特的应用价值与巨大潜能。本文旨在深入剖析深度学习与软件工程之间的紧密联系,细致探讨深度学习在软件工程领域的多元化应用,如自然语言处理、图像处理与计算机视觉、数据挖掘与预测分析等。通过本文的深入分析,期望能够为软件工程领域带来新的视角和方法论,推动该领域在智能化、自动化和高效化方面取得更大的突破。

关键词： 机器视觉   实时检测   零件破损   目标检测   工业自动化   图像处理   特征提取   智能制造  

摘要： 随着工业自动化和智能制造的快速发展,对零件质量的实时监控变得尤为重要。本文提出了一种基于机器视觉的零件破损实时检测方法,能够提高生产效率和产品质量。该方法利用高分辨率工业相机采集零件图像,通过图像预处理、目标检测算法等来识别零件表面的破损。通过对大量标注数据的训练,建立了一个能够实时响应的检测系统,该系统能够自动识别并标记出破损零件。采用YOLOX-DC检测算法,不但能够提高网络的收敛速度,还可以增强网络检测性能。为了提高YOLOX-DCD网络的鲁棒性,本文对图像进行了数据增强地操作,运用 LabelImg 标注程序针对破损损伤予以标注,获取到 PASCAL VOC 格式的标注数据。此外,本文还探讨了系统的反馈与优化机制,以及如何将该检测系统应用到现有的流水线中。实验结果表明,该方法具有高准确性和实时性,能够显著提高生产的智能水平。

关键词： 智能传播   国际传播   计算传播   社交机器人   人像政治   计算机视觉   社交媒体平台   Twitter  

摘要： 人像在政治传播活动中具有特别意义,以人像为中心的视觉政治实践近年来面临传播媒介的社会化、平台化与智能化挑战。研究以海外社交媒体平台Twitter的涉中国议题为切入点,结合社交机器人识别技术和计算机视觉技术,观察以社交机器人为代表的算法代理如何影响当今人像政治的社交媒体实践。结果发现,Twitter社交机器人通过操纵性别、视觉年龄等人口特征,五官、表情等容貌特征,以及大小、位置、拍摄角度等画面特征的可见性,自动化地参与涉中国视觉议题的内容生产,并与人类用户的视觉传播活动形成显著差异。机器用户在顺应社交媒体平台社会化传播逻辑、力求引导社交流量的同时,又从根本上服务于政治逻辑,在涉中国议题上借助视觉手段塑造、加固海外社交媒体平台用户的刻板印象与政治偏见。技术逻辑、平台逻辑与政治逻辑相互交织并作用于当今人像政治实践,改塑了视觉政治生态以及个体认知与情感体验。

关键词： 工件识别   目标检测   机器视觉   YOLOV7   深度学习  

摘要： 鉴于传统的基于模板匹配和简单机器学习算法在工件识别任务中的不足之处,提供了一种基于改进YOLOv7的工件识别方法。该方法主要聚焦于修改卷积层,将YOLOv7深层网络的标准卷积层替换为改进的卷积层,以提高网络计算速度并提高识别精度。其次,通过修改K-means聚类方法重新对数据集参数进行聚类操作,以获得更匹配工件识别的预测框。此外,引入了改进的空间金字塔池化算法,在保持感受野不变的情况下检测速度获得了提升。实验结果显示,在工件识别任务中,与传统的YOLOv7算法相比,改进后的方法提升了识别精度,并且加快了检测速度。