关键词： 目标检测   坐标注意力   行人检测   深度学习  

摘要： 针对智能网联汽车行人目标检测准确性和实时性较低等问题,提出了一种基于YOLOv5s改进的行人检测算法。首先,采用幻影模块替代传统卷积,在保证模型准确度的前提下,降低模型复杂度,从而提高模型实时性。然后,将坐标注意力模块引入特征提取网络获得重要特征,提升行人检测准确性。最后,针对损失函数计算的弊端改进边界框损失函数的计算方式,在现有损失函数中引入power变换,以获得更高的边界框回归精度。实验结果表明,使用改进模型在Widerperson数据集上进行实验mAP达到70.8%,相较原算法提升2.6%,检测速度达61FPS。所提算法较主流算法准确率和检测速度均有所提升。

关键词： 目标检测   超分辨率   遥感图像   YOLOv8网络   注意力机制   特征融合  

摘要： 为了应对遥感图像目标检测中小目标像素低、背景复杂、硬件资源有限等问题,提出一种融合超分辨率(SR)和特征增强的小目标检测模型。采用GhostNet网络中的Ghost卷积层替换YOLOv8网络中的传统卷积层Conv,在不影响检测精度的情况下降低网络模型的参数量和计算量。在主干网络中,构建超分辨率辅助增强(SRAE)模块提升图像的分辨率和特征提取能力。利用三层特征融合(TFF)模块,获取主干网络较低层的空间特征,改善快速空间金字塔池化(SPPF)层特征空间提取不足的问题,提高小目标空间定位能力。设计自注意力信息转移(SAT)模块,在保证模型轻量化的同时增强小目标的语义信息和全局信息。实验结果表明,改进模型在DIOR数据集上实现了90.5%的mAP@0.5、15.1×10^(6)的参数量和30.3×10^(9)的每秒浮点运算次数(FLOPs),相比于其他模型在实现网络轻量化的同时提升了小目标检测精度。

关键词： 航拍图像   YOLOv8   目标检测   LSKNet   WIoU  

摘要： 无人机航拍图像中的目标检测一直是研究的热点。与标准图像相比,图像背景具有小目标众多、目标尺度变化大等特点。因此,传统的目标检测算法不适合直接用于无人机图像中。针对这些问题,研究了一种基于YOLOv8的目标检测算法。首先,为提高多尺度目标检测精度,提出基于Large Selective Kernel Network(LSKNet)的C2F-L结构,通过动态调整网络的感受野,更有效地处理检测对象变化的上下文信息。引入Slim-neck结构,降低参数数量,提高模型检测效率。最后,使用WIoU损失函数提高网络模型的泛化能力和整体性能。在VisDrone2019数据集上实验表明,改进算法的mAP@0.5达到33.4%,比原始YOLOv8提高了1.1个百分点,计算量降低了7.4%。事实证明,改进的算法能有效提高航拍图像的目标检测精度。

关键词： 计算机   视觉   图像  

摘要： 本文简要介绍了计算机视觉图像技术的应用范围,即视频图像分析、目标区域安防检测等,并从果蔬成熟度检测、自动驾驶检测两个方面,开展了计算机视觉图像技术的应用实践分析,以期展现计算机视觉技术的应用价值。

关键词： 雾天图像   图像语义分割   图像滤波器   卷积神经网络   图像处理  

摘要： 尽管基于深度学习的图像语义分割方法在传统的驾驶数据集上取得了很好的效果,但针对雾天条件下的低质量图像的语义分割仍然具有挑战性。针对此问题,提出了可学习图像滤波器LIF模块,旨在利用不同雾浓度下驾驶场景图像的内在特征,改进雾天驾驶条件下的图像语义分割。LIF模块由超参数预测模块HPM和图像滤波模块IFM组成,IFM中滤波器的超参数由HPM预测得到。以端到端的方式联合学习HPM和语义分割网络,确保了HPM可以学习适当的IFM参数,以弱监督的方式增强图像以进行分割。分别以DeepLabV3+、PSPNet和RefineNet作为基线模型,并在Cityscapes和Foggy Cityscapes的混合数据集上进行实验,基线模型加可学习的图像滤波器模块的MIoU分别为63.14%,60.45%和61.41%,相比基线模型的MIoU分别提升了3.03%,1.52%和1.69%,实验结果表明了该模型的有效性与通用性。

关键词： 计算机视觉   移动计算   领域专家   空间计算   沉浸式   虚拟体验   雷娜  

摘要： 随着生成式A的爆发,空间计算将在很大程度上改变我们的生活和工作,重新定义商业模式苹果公司今年2月推出的Vision Pro不仅让“空间计算”概念广为人知,更使其成为科技界的新宠儿,引领行业潮流。根据美国沉浸式空间领域专家伊雷娜·克罗宁(Irena Cronin)和凯西·哈克尔(Cathy Hackl)在《空间计算》中的定义,“空间计算是一种不断发展的以3D为中心的计算形式,其核心是使用人工智能(AI)、计算机视觉和XR(扩展现实,是AR、VR、MR等沉浸式技术的统称)将虚拟体验融入物理世界,从而使人摆脱屏幕的束缚,并使所有表面都成为空间界面。”她们都认同苹果CEO蒂姆·库克(Tim Cook)的说法,即空间计算开创了一种人机交互的新范式,它对社会的影响可能比个人计算和移动计算更大。

关键词： 深度学习   目标检测   YOLOv10   注意力机制  

摘要： 为了进一步提高目标检测的效率,在YOLOv10的基础上,提出了一种改进YOLOv10的目标检测算法。在数据处理时,使用DySample模块,提升了图像的分辨率,提高了图像处理的效率。其次,对YOLOv10的骨干网络进行了改进,引入LSKA(Large Separable Kernel Attention,大可分离核注意力)替换了原有的PSA(Polarized Self Attention,极化注意力机制),提高了对特征的敏感度,增强了网络的泛化能力和效率。为优化损失函数,使用NWD(Normalized Gaussian Wasserstein Distance,归一化高斯距离)作为损失函数,相较于传统方法能更好地保留图像结构与上下文信息,从而提升检测性能。经过训练后,在Helmet交通头盔佩戴数据集上进行验证,其mAP@0.5达到了78.2%,相较于原版提升了0.9%。该实验表明,改进后的算法有更好的检测效果。

关键词： 机收减损   倒伏小麦   边缘检测   目标提取  

摘要： 【目的】识别成熟小麦收割过程中的倒伏状况,降低小麦收获过程中的机收损失。【方法】本研究从倒伏小麦图像的采集出发,对整个图像处理过程进行了详细的分析。通过小麦麦穗与小麦秸秆的色差这一特点,确定了基于颜色差的图像分离方法;基于线性灰度变换法和灰度反色变换法,进一步突出了小麦秸秆层这一分离目标,并选择中值滤波对倒伏小麦图像进行了图像的增强处理。【结果】通过腐蚀和膨胀交替使用的方法,达到了秸秆层和麦穗层完全分离的目的,实现了倒伏小麦秸秆层的提取,成功识别出小麦倒伏层和正常小麦层的高度差。【结论】将机器视觉技术应用于倒伏小麦图像处理中,能够使收割机在作业时准确识别小麦倒伏状况,降低割台高度,到达倒伏麦穗层,从而起到降低机收损失的作用,在实际田间收割环境下有较好的应用前景。

关键词： 图像处理   粪污   卷积神经网络   牛粪捡拾  

摘要： 中国草原面积广阔,牛粪作为草原畜牧业的副产品,既对牧草生长有负面影响,又是重要的资源。牛粪分布零散,传统捡拾方式效率低,为了解决上述问题,该文提出一种改进牛粪图像检测模型,用于检测牧区牛粪,以提高牛粪捡拾的效率和智能化水平。1)替换注意力机制轻量化主干网络EfficientFormerV2,提高对边界敏感性并减少模型复杂度。2)改进颈部网络BiFPN,增强特征融合能力。3)改进损失函数Inner-IoU,提高边界框回归的定位精度。4)替换瓶颈层改进FasterNet block,以减少计算复杂度并加快推理速度。5)添加捡拾判断机制,利用预测阶段检测框对区域牛粪做出分类。改进后的网络模型在准确率为92.6%,召回率为87.7%,平均精度均值为87.4%的情况下,参数量减少到4.02M,浮点运算量减少到8.1G,检测速度提升到34.7帧/s。试验结果表明,改进模型在保持模型轻量化的同时,具有较高的平均精度均值,能够有效地完成牧区牛粪的识别与定位任务,适合在资源受限的移动设备和牧区环境中应用,为牛粪智能化捡拾车的研究提供技术支持。

关键词： 轻量化   伪装   目标检测   边缘计算   骨干网络   特征融合  

摘要： 针对已有模型参数量较大、推理速度较慢的问题,提出了一种轻量化伪装单兵目标检测算法。其骨干部分以HGNetv2为基础,采用SRepVGG模块进行多尺度特征融合,在耦合检测头中组合使用了部分卷积和1×1卷积。提出的深度学习网络与基准模型YOLOv8对比,在保证检测精度的同时,参数量减少了35.4%,推理速度提升了18.9%,更适合在算力资源受限的边缘计算设备上运行。