关键词： 智能化趋势   图像处理与机器视觉课程   教学实践  

摘要： 随着科技发展的推动,智能化已经成为当今社会的发展趋势,人们对人工智能的认知水平越发提升,各行各业开始朝着多元化的方向发展.智能产业升级必然带动专业人才需求,图像处理与机器视觉课程开始成为富有智能特色的专业课程.基于此,文章综合图像处理与机器视觉课程目标与要求,分析了课程教学现状与存在的问题,探讨了社会智能化趋势下图像处理与机器视觉课程教学新实践,旨在提升教学效果与学习水平.

关键词： 深度学习   通信工程   图像处理   算法优化  

摘要： 本文旨在设计和分析基于深度学习的通信工程图像处理算法.首先,介绍了深度学习在通信工程中的应用背景及其优势.然后,综述了相关的研究工作,比较了传统图像处理算法与深度学习方法的优劣.接着,详细描述了基于深度学习的图像处理算法的设计过程,包括数据预处理、模型选择、算法实现以及训练与调试.通过实验验证了所提算法的有效性,并对实验结果进行了深入分析,展示了该算法在信号检测与解码、无线传输图像处理以及图像增强与压缩等应用场景中的优越性能.最后,讨论了算法在实际应用中的挑战与未来研究方向.研究表明,基于深度学习的图像处理算法在通信工程中具有广阔的应用前景和发展潜力.

关键词： 脑卒中   康复评定   目标检测   YOLO算法  

摘要： 脑卒中是指脑部血管破裂或阻塞而引起的神经功能障碍性的高发疾病,已成为我国主要的致死、致残疾病之一.传统上肢运动能力评定方法受接触式设备的高成本性、穿戴复杂性等问题所限,采用非接触式视觉方法进行定量评估成为研究重点.本文设计并实现了基于YOLOv5目标检测模型的脑卒中后上肢运动能力评估系统(ULMCASAS),探讨了脑卒中后上肢运动能力评估现状及意义,讲述了脑卒中后上肢运动能力评估系统设计流程,并对脑卒中后上肢运动能力评估系统进行测试检验,最后针对该系统的不足之处和修改方向进行展望.

关键词： 遥感目标检测   可见光和红外图像   轻量级上采样算子   注意力机制   特征融合  

摘要： 针对现有的目标检测方法在处理背景复杂、有效信息量少的遥感图像时存在的误检、漏检等问题，提出了一种多模态遥感小目标检测方法BFMYOLO。设计了像素级的RGB和红外（IR）图像融合模块BFM，充分利用不同模态的互补性，实现两种模态信息的有效融合；设计了全尺度自适应更新模块AA，解决特征融合过程中的多目标信息冲突问题，结合CARAFE上采样算子并进一步融入浅层特征，加强非相邻层间融合效果的同时增强小目标的空间信息；设计了改进的任务解耦检测头IDHead，将分类和回归任务分开处理，降低不同任务的相互干扰，融合学习深层语义特征，进一步提升模型的检测性能。采用NWD损失函数作为定位回归损失函数，降低位置偏差的敏感性。实验结果表明，该方法在VEDAI、NWPU VHR-10和DIOR数据集上的mAP50分别达到78.6%、95.5%和73.3%，优于其他先进模型。在遥感小目标检测中表现出良好的性能，验证了其有效性。

关键词： 事件相机   动态视觉传感器   目标检测   目标跟踪   数据集  

摘要： 事件相机是一种受生物启发的新型视觉传感器，是计算神经科学与计算机视觉领域的交叉学科与研究热点。不同于传统相机，事件相机能够异步输出有关亮度变化的事件流，具有高时间分辨率、高动态范围、低延迟、低带宽和低功耗等优势，适合高速运动目标的动态实时感知，是计算机视觉检测与跟踪领域新的研究方向。首先，本文简要介绍了事件相机的类型、工作原理与优缺点；然后，着重分析了现有的基于事件相机的目标检测与跟踪算法；接下来，介绍了视觉检测跟踪相关的事件数据集；最后，对该方向未来的发展趋势进行了展望。

关键词： 激光雷达   三维目标检测   通道注意力   空间注意力   点云自注意力  

摘要： 针对目前基于点与体素混合的激光雷达三维目标检测算法对小目标检测性能差的问题，本文提出了一种基于多注意力机制的三维目标检测算法（MA-RCNN）。本文实验以PVRCNN为基准算法，首先引入了通道注意力机制去处理体素被压缩后BEV特征，从而使空间信息扩散到特征通道层次。其次在通道注意力机制后引入了空间注意力机制去放大局部重要信息，从而增强特征的表达能力。然后在细化候选框网络中一个点云自注意力机制去构建关键点之间的相互关系，从而增强了算法对空间结构的理解能力。在KITTI数据集中的实验表明：相比于基准算法，MA-RCNN对小目标的行人和骑行者的mA P分别提高了3.20%和1.64%，验证了其有效性。相比于目前主流的三维目标检测算法，MA-RCNN仍取得了较好的检测性能，验证了其先进性。最后，MA-RCNN被部署在实车硬件平台进行在线检测，验证了其工业价值。

关键词： YOLOv8s   ODE   BiEO-Neck   小目标检测头   WIoU  

摘要： 针对无人机航拍图像中存在因背景复杂、尺度变化大、目标密集而导致的小目标检测率较低问题，提出一种新型双向加权多尺度动态无人机视角下小目标检测算法BiEO-YOLOv8s。首先，设计全新ODE模块来替代部分C2f模块，使其能更准确、更快速、多角度地定位目标特征。其次，设计双向加权多尺度动态颈部网络结构BiEO-Neck，实现浅层特征与深层特征的深度融合。第三，添加小目标检测头,进一步提升特征提取能力。最后，采用广义交并比边界损失函数WIoU来替代原有边界损失函数CIoU，以增强边界框的回归性能。在VisDrone数据集上进行实验，与基础模型YOLOv8s相比，mAP提升了6.1%，检测速度仅为4.9ms，整体性能优于其他主流模型。通过在IRTarget数据集上的通用性测试，进一步验证了该算法在不同数据集上的有效性和适应性，证明能够高效地完成无人机航拍图像的目标检测任务。

关键词： 牛只个体识别   深度学习   目标检测   语义分割   目标识别   泛化能力  

摘要： 非接触式牛只个体识别方法在节约识别成本、简化识别流程和精准识别上具有一定的优势，近年来在牛只个体识别领域有了充分的发展。但现有的研究中存在着识别准确率受环境、天气等外部因素影响过大、模型迁移训练困难等问题。针对上述问题，基于YOLO-Unet组合网络提出了包含三个模块的的牛只个体识别模型。首先，根据YOLOv5模型构建图像提取模块，用以提取牛只面部图像；随后，采用Unet模型构建背景消去模块，用以去除牛只面部图像背景以消除环境影响，进而提升模型泛化性能；最后，使用MobileNetV3构建个体分类模块对经背景消去后的牛只面部图像进行分类。对背景消去模块进行了消融实验，实验结果表明，引入背景消去模块能极大提升模型泛化性能。引入背景消去模块的模型在测试集上的识别准确率为90.48%，相较于未引入背景消去模块的模型提升了11.99个百分点。

关键词： 小目标检测   YOLOv8n   无人机检测   SPPELAN   轻量化  

摘要： 在无人机航拍中，目标通常是密集分布、特征不明显的小目标，且物体尺度变化较大。因此，目标检测容易出现漏检和误检的问题。为了解决这些问题，文章提出了一种基于改进YOLOv8n航拍轻量化小目标检测算法：PECS-YOLO。该算法通过在Neck部分增加P2小目标检测层，将浅层和深层的特征图进行拼接，更好捕捉小目标的细节信息；利用轻量化卷积PartialConv引入全新的结构CSPPC来替换Neck网络中的C2f，进行模型轻量化；通过结合SPP（Spatial Pyramid Pooling）和ELAN（Efficient Layer Aggregation Network）对空间金字塔池化结构进行改造，使模型能更有效捕捉小目标特征；通过在Neck部分每个检测头前加入SE注意力机制，使网络更好地关注有用的通道，减少复杂环境中背景噪声对小目标检测任务的干扰；最后使用EfficiCIoU Loss作为边界框损失函数，把边界框的形状差异也考虑在内，增强了模型对小目标的检测能力。实验结果表明，PECS-YOLO目标检测算法在VisDrone2019-DET数据集上的mAP@0.5提高了3.5%，mAP@0.5：0.95提高了3.7%，并且模型的参数量相比YOLOv8n降低了约25.7%，FPS增加了约65.2%。综上所述，PECS-YOLO模型适合于无人机航拍下的小目标检测任务。

关键词： 遥感图像   多目标检测   Faster R-CNN   Swin Transformer   平衡金字塔   动态权重机制  

摘要： 针对遥感图像背景复杂、目标种类多和尺度差异大所造成的目标漏和误检问题，提出一种改进Faster R-CNN多目标检测模型。首先，采用Swin Transformer来替代Resnet-50骨干网络，增强模型特征提取能力。其次，添加平衡金字塔模块融合浅层和高层语义信息，进一步加强特征融合效果；最后，在分类和回归分支中，添加动态权重机制，促进网络在训练过程中更关注高质量候选框，提高目标定位和分类的精准度。将所提模型在RSOD数据集上进行实验，相较于原模型浮点运算数大幅度减少，并且模型的mAP@0.5:0.95提高了10.7%，平均召回率提高10.6%。相较于其他主流检测模型，所提模型在降低漏检率的同时，取得了更高的精度。实验结果表明，所提模型能明显提高复杂背景下遥感图像的检测精度。