关键词： 机器学习  

ISBN: (纸本)9787115647795

摘要： 本书基于国产自主可控龙芯处理器，系统地介绍计算机视觉领域的基本理论与实践，并结合当前主流的深度学习框架和龙芯平台以项目式教学的形式讲述任务的实施。本书主要包括OpenCV基础功能实战、深度学习框架的部署、计算机视觉技术基础知识、图像分类网络的部署、目标检测网络的部署、图像分割网络的部署、龙芯智能计算平台模型的训练和龙芯智能计算平台的推理部署等内容。

关键词： 吸烟打电话   目标检测   时空图卷积网络   行为识别   YOLOv3-Tiny  

摘要： 传统的吸烟打电话检测算法直接检测单帧图像中手机和香烟的存在与否进行判断，无法在实时监控的条件下实现对吸烟和打电话行为的检测，且经常出现漏检，因此，该文提出一种基于人体骨骼关节点动作识别和目标检测相联合的吸烟打电话识别方法。该方法首先使用关节点插值和中心归一化等方法对人体关键点进行预处理，采用EfficinetGCNv1来检测和分析人体骨骼关节点动作。同时，使用改进的YOLOv3-Tiny网络来检测头部和手部感兴趣区域（ROI）内的香烟和手机，并引入Dense Block构建主干网络以提升精度并加快推理速度。此外，还运用投票策略提升算法的鲁棒性。实验结果表明，该方法具有高实时性、高精度、低误检等特点。

关键词： 智能巡检   机器人   云台控制   图像处理   机器学习  

摘要： 在这个技术飞速发展的时代,智能电网技术的进步带来了变电站运维方式的革新.智能巡检机器人的出现彻底改变了变电站的巡检模式,让无人化巡检成为可能.智能巡检机器人在变电站巡检中的作用体系,需要依赖完善的空中管理系统,根据巡检需求设计系统是自动巡检实现的必然需求.基于此,本研究聚焦于这些机器人的心脏部分——云台控制系统的设计,详细介绍了云台控制系统的设计理念、实现方法以及所面临的挑战和解决方案.

关键词： 乳腺结节   超声影像   Yolov7-tiny   漏斗激活函数   自注意力机制  

摘要： 针对乳腺结节形状多样、超声图像分辨率低且存在噪声，超声乳腺结节精确定位检测困难的问题，提出了一种改进后的Yolov7-tiny结节检测算法。引入漏斗激活函数，取代Yolov7-tiny网络CBL模块中的Leaky ReLU函数，该激活函数增加了漏斗条件，增强了网络对空间信息的敏感度；根据卷积与自注意力机制相结合的思想，设计了ELAN-MT模块，使网络能够更全面的提取特征，减少信息丢失；采用自适应的加权融合的方式替代Yolov7-tiny特征金字塔网络中的特征拼接模块，降低网络计算复杂度，提高了检测效率。在乳腺超声数据集上进行结节检测实验，实验结果相较于原网络，Precision值提高3.70%,Recall值提高3.57%,AP值提高4.83%，能够更加准确的对结节进行检测定位，同时相比于经典目标检测网络以及目前超声乳腺结节检测改进算法检测效果有一定提升，有一定的研究价值。

关键词： 显著性目标检测   低光照场景   无源领域自适应   伪标签   教师-学生网络   集合熵最小化   选择性投票  

摘要： 为了解决低光照条件下校园环境等场景监控摄像头图像质量和监控效果受影响而带来的安全问题，提出了一种低光照显著性目标检测的方法，以提高低光照条件下目标检测能力。针对低光照条件下图像的显著性特征弱化和缺乏大规模标注数据的问题，提出了一种无源领域自适应的方法，将正常光照图像（源域）下训练的模型知识迁移至低光照条件图像（目标域）。该方法采用两阶段策略，在第一阶段，利用源域模型生成低光照图像的伪标签，为了提高伪标签生成的质量，提出集合熵最小化损失抑制高熵区域。同时，引入选择性投票方法来增强伪标签的生成。在第二阶段，采用基于增强引导一致性的教师-学生网络自训练方法对显著图进行精细化，进一步提高检测结果的精度。所提出的方法在SOD-LL数据集上进行了验证，实验结果表明，所提出的方法在低光照场景下总体性能优于其他图像显著性检测方法，相较于正常光照的显著性目标检测方法，其MAE值降低了15.15%，wFm值提高了4.73%。

关键词： 视觉传达设计   图像处理   语义分析  

摘要： 本文提出一种基于视觉传达设计理论的计算机图形图像处理方法,该方法结合语义分析、设计原则和效果评估三个核心环节.首先,利用Grabcut算法、CNN和LSA进行图像语义分析和特征提取;然后,基于色彩调和理论、直方图均衡化和黄金分割比例进行图像增强和优化;最后,采用SSIM和VIF指标进行视觉效果评估,并形成反馈机制指导参数调整.实验结果表明,该方法能够有效提升图像的视觉质量和传达效果,为视觉传达设计赋能.

关键词： 多目标跟踪   场景流   目标检测  

摘要： 大多数3D多目标跟踪方法独立优化目标检测和帧间数据关联部分,没有考虑单帧的特征学习和帧间关联学习的耦合性.为了实现单帧检测和帧间关联的耦合学习,提出了一种基于目标检测和场景流估计联合优化的3D多目标跟踪框架FlowDet-Track.在该框架中,提出了一个检测引导场景流估计模块来缓解不正确的帧间关联.为了获得更准确的场景流标签,特别是在旋转运动的情况下,提出了一种基于框变换的场景流真值计算方法.在KITTI MOT数据集上的实验结果表明,本文算法的车辆类别HOTA与DetA指标比PointTrackNet算法提升了 25.03％和30.8％,表明本文算法的位置跟踪精度优异;此外,极端旋转运动条件下的对比实验进一步证明了算法的鲁棒性.

关键词： 遥感图像   微小目标   特征提取   上下文信息  

摘要： 针对遥感图像微小目标检测中存在的浅层细化特征、深层语义表征和多尺度信息提取等三个问题，本文提出了一种综合运用多项技术的跨尺度YOLOv7网络 (Cross-scale YOLOv7，CSYOLOv7)。首先，设计了跨阶段特征提取模块(Cross-stage feature extraction module， CFEM)和感受野特征增强模块(Receptive field feature enhancement module， RFFEM)。CFEM提高模型细化特征提取能力并抑制浅层下采样过程中特征的丢失，RFFEM加大网络对深层语义特征的提取力度，增强模型对目标上下文信息获取能力。其次，设计了跨梯度空间金字塔池化模块(Cross-gradient space pyramid pool module， CSPPM)有效融合微小目标多尺度的全局和局部特征。最后，用形状损失函数(Shape-intersection over union， Shape-IoU)替换损失函数CIoU，提高模型在边界框定位任务中的精确度。实验结果表明，CSYOLOv7网络在DIOR数据集和NWPU VHR-10数据集上分别取得了74%和89.6%的检测精度，其有效提升了遥感图像微小目标的检测效果。

关键词： 激光雷达   三维目标检测   Transformer   PointRCNN  

摘要： 针对基于点的激光雷达三维目标检测算法存在检测性能不足的问题,提出了一种融合点云Transformer与PointRCNN的三维目标检测算法。首先,在PointRCNN的点云编码器中额外引入了稳定的局部平均特征,并进行多特征融合去增强网络算法的鲁棒性。其次,在细化候选框网络中引入一个专注于处理点的Transformer模块去构建感兴趣区域(RoIs)中大范围的点云关系,从而增强算法对场景空间结构的理解能力。在KITTI数据集中的实验表明,与基准算法相比,改进算法对汽车、行人和骑行者的mAP分别提高了3.07%、3.27%和4.37%。与主流的检测算法相比,改进算法也表现出优越的检测性能。最后,将改进算法部署在实车平台上进行在线检测,验证其工业价值。

关键词： 目标检测   红外图像   YOLOv5   动态检测头  

摘要： 车载红外图像可以在夜间和恶劣天气下帮助驾驶员识别道路上的行人和其他车辆，减少交通事故的发生。针对YOLOv5s算法对车辆红外图像检测准确率低的问题，提出了一种改进YOLOv5s的车载红外图像目标检测算法。首先设计出一种感受野增强结构RFENeck模块，通过替换C3中的BottleNeck增强特征融合网络感受野区域，提高检测精度。其次，采用一种结合注意力机制的动态目标检测头，提升检测头的表达能力。最后，为了消除改进导致的模型大小的增加，使用一种结合CNN和Transformer级联设计的高效倒残差移动模块组成主干网络，在准确率不降低的同时减少网络参数量和计算量。实验结果显示，改进算法相较YOLOv5s平均检测精度从82.9%提升到85.0%，运算量减少了5.7%，模型权重减少了0.4M，满足模型大小与精度的需求。