关键词： YOLOv5   PyQt5   FastDFS分布式文件系统   目标检测   软件设计  

摘要： 随着深度学习算法的迅猛发展及其在计算机视觉和工业自动化等领域的广泛应用,数据管理的复杂性和训练过程的分散性已成为制约其实际落地的关键问题。针对这一问题,本文提出一个基于YOLOv5的深度学习样本管理和训练自动化平台。该平台集样本管理、样本标注以及训练自动化于一体,重点在于通过高效的样本管理和独特的样本标注工具简化训练过程,并通过自动化训练流程和直观的可视化界面进一步提高模型训练效率。此外,平台的模块化设计使它能够灵活适应不同用户的特定需求。在计算机视觉和工业自动化等领域,本平台展现出其独特的应用潜力。

关键词： 方面级情感分析   多模态   情感分析   目标检测   自注意力机制   自然语言处理   深度学习   特征提取  

摘要： 方面级的多模态情感分析(aspect-level multimodal sentiment analysis,ALMSA)旨在识别出语句和图像信息在某个特定方面上所表现出的情感极性。该任务现有分析模型使用的均是图像的全局特征,并未考虑原始图像信息中的细节信息。针对这一问题,提出一种基于目标注意力的方面级多模态情感分析模型OABALMSA(object-attention based aspect-level multimodal sentiment analysis)。采用目标检测算法捕获原始图像中目标的细节信息;引入目标注意力机制并构建迭代的融合层来完成多模态信息的充分融合;针对数据较高的复杂性所导致的训练困难问题,为模型制定课程式学习策略。经课程式学习训练的OAB-ALMSA模型在TWITTER-2015数据集上得到了最高的F1,这表明对图像中细节信息的利用能够提高模型对数据的综合理解,提升预测效果。

关键词： 人工智能   图形图像处理技术   图像识别   算法  

摘要： 如今,人工智能(AI)技术在各个领域的应用日益广泛,特别是在图形图像处理领域,其发挥着越来越重要的作用。基于人工智能的图形图像处理技术极大地提高了图像处理的效率,进一步丰富了图像处理的功能,满足了人们对于高质量、高效率图像处理的需求。基于此,该文首先对人工智能进行了概述,然后对基于人工智能的图形图像处理技术做了分析,最后对人工智能算法在图形图像处理中的具体应用进行探讨。

关键词： 弱监督   显著性目标检测   渐进式   特征聚合   边缘引导  

摘要： 针对多数弱监督显著性检测方法在复杂场景下容易出现目标结构缺损、边界粗糙等问题,提出一种渐进式特征增强的弱监督显著性检测算法。首先针对显著目标结构不完整问题,设计一种渐进式特征增强机制,主要包括双流语义增强模块和层次化自适应特征聚合模块,通过复用这种机制可以捕获更丰富的图像特征;其次为获取清晰完整的目标边缘,提出边缘引导模块,可以生成高质量的显著目标边缘图;最后将得到的边缘对显著区域预测网络进行指导,以生成结构完整且边界平滑的检测结果。在5个公开数据集上的实验结果表明,相比经典的WSSA算法,该算法在PASCAL-S数据集上平均绝对误差(MAE)降低了21.32%,F-measure值提高了6.27%,优于大多数先进的弱监督显著性目标检测算法。

关键词： 多媒体教学   行为分析   计算机视觉   特征提取  

摘要： 计算机视觉技术的发展为解决多媒体教学中学生的课堂学习行为分析提供了新的思路。概述了多媒体教学系统的构成、计算机视觉技术的基本原理以及课堂学习行为分析的主要需求,阐述了基于计算机视觉的课堂学习行为分析系统的总体架构设计、多媒体教学设备集成方案、视觉算法选择、学习行为数据采集与预处理、学习行为特征提取与表示以及学习行为分析与评估模型构建等关键技术,最后评估了该系统在不同教学场景下的性能表现。

关键词： 新工科   地方应用型高校   图像处理与机器视觉   教学模式  

摘要： 新工科背景下,地方应用型高校图像处理与机器视觉课程教学和培养存在课程体系建设不完善、知识体系不完善、课程考核方式忽视应用能力的培养等问题,因此,必须进行课程教学模式改革。通过对课程内容的筛选完善教学内容,思维导图的运用对课程内容进行整理,以便于学生记忆繁杂的知识体系;增加实验课程的教学和改善成绩评价体系以加强学生应用和综合能力的培养。从课程实施、达成度和学生评价来看,改进的课程教学模式取得了良好的教学效果,为新工科背景下地方性高校新兴课程的教学模式建设提供了一定的参考。

关键词： 机械臂   目标检测   YOLOv5   注意力   损失函数  

摘要： 针对现有的目标检测算法部署在机械臂上会占用大量系统资源、检测实时性差、模型参数量大等问题,提出一种改进YOLOv5的目标检测算法。首先,在YOLOv5骨干网络融入ShfflenetV2模块代替原本的焦点模块和跨级局部暗格网络,实现网络的轻量化;其次,主干网络末端颈部将带有残差精化的上下文转换器注意力(context-transformer with residual refinement,CTR3)模块嵌入到所设计的骨干网络中,来改善模型的特征提取潜力并减小采样带来的损失;再次,头部采用基于一致性的自适应信息传递注意力(similarity-based adaptive message passing attention,SimAM)模块来增强特征的跨尺度融合能力;最后,为提高检测算法对目标的边界框回归速率和样本稳固性,引入新型加权交并比(weighted intersection over union,WIoU)函数,在目标检测网络设计完成后,将其部署在机械臂上并完成验证。实验结果表明:文中改进的检测算法准确率为96.5%;检测速度为每秒82帧,相比原算法提高32帧;参数量为430×10^(4),相比原算法减少了39%;每秒浮点数计算次数为6.7次,约为原计算次数的1/3。数据表明改进后的检测算法检测速度快、参数量少、占用内存小,满足精准检测的前提下提高了检测效率。

关键词： 边缘设备   资源效率   目标检测   目标跟踪  

摘要： 实时视频分析任务通常涉及到运行计算密集型的深度神经网络模型来实现目标跟踪。在实际应用中,将多路视频数据分析任务卸载到摄像机附近的边缘设备上进行处理变得尤为重要。然而,这些边缘设备的计算资源通常非常有限,导致目标跟踪的精度较差。这主要是由过时的检测结果、跟踪错误积累以及无法感知新目标造成的。针对上述问题,提出了一种基于预测和修正的检测跟踪框架。该框架中包含了3个核心的组件:1)预测性检测传播:通过轻量级预测模型快速更新过时的对象边界框以匹配当前帧;2)帧差修正器:基于帧差信息将出现误差的目标框回归到正确位置;3)新目标检测器:在跟踪过程中通过对帧差特征进行聚类发现新出现的目标。实验结果表明,相比基线方法,该框架在不同的交通场景中取得了19.4%到34.7%的精度提升,同时保持了实时的运行速度。

关键词： 合成孔径雷达   飞机目标检测与识别   YOLOv5s   飞机特征保护   特征增强  

摘要： 在合成孔径雷达(SAR)图像飞机目标检测识别中,飞机目标图像呈现离散特性以及结构之间的相似性会降低飞机检测与识别的准确率。为此该文设计了一种目标区域特征增强的SAR图像飞机目标检测与识别网络。网络由3部分组成:保护飞机特征的跨阶段部分网络(FP-CSPDarnet)、自适应特征融合的特征金字塔(FPN-A)以及目标区域散射特征提取与增强的检测头(D-Head)。FP-CSPDarnet在提取特征的同时可以有效保护SAR图像飞机特征;FPN-A采用多层次特征自适应融合、细化,来增强飞机特征;D-Head在检测前有效增强飞机可辨别特征,提升飞机检测与识别精度。利用SAR-ADRD数据集的实验结果证明了该文所提方法有效性,其平均精度相对与基线网络YOLOv5s提升了2.0%。

关键词： 目标检测   甲状腺结节   YOLOv8   注意力机制  

摘要： 针对原始YOLOv8算法甲状腺结节检测精度低的问题,提出一种改进的YOLOv8甲状腺结节检测算法。该算法通过在原始算法的基础上添加高效通道注意力(efficient channel attention,ECA)和选择性注意力(large selective kernel,LSK)模块,从不同的维度学习图像特征,更好地捕获甲状腺结节信息。引入空间金字塔多尺度特征融合(spatial pyramid pooling enhanced with elan,SPPELAN)模块并替换backbone中的快速空间金字塔池化(spatial pyramid pooling fast,SPPF),实现甲状腺结节中局部特征和全局特征的融合,准确地定位甲状腺结节。将双向特征金字塔网络(concatenated bidirectional feature pyramid network,Concat-BiFPN)应用于head层,使语义信息传递到不同的特征尺度上,以适应不同形状和尺寸的结节。将损失函数替换为Focal损失函数,有效解决了甲状腺结节检测中样本不平衡的问题。实验结果表明:改进的YOLOv8算法在甲状腺结节检测中效果显著,精度均值提高了1.5%,召回率提高了2%,模型的参数量减少了1.3%。