关键词： 深度学习   模型水印   版权保护   注意力机制   护照层  

摘要： 随着深度神经网络在人工智能领域的广泛应用,深度神经网络的版权保护受到广泛关注.然而,到目前为止模型版权保护的方法大多集中在检测或分类任务上,难以直接应用于图像处理网络.为此,提出一种结合注意力机制和护照层嵌入的图像处理模型版权保护框架.首先通过在水印嵌入网络中使用通道和空间注意力网络定位图像中人眼不敏感区域,提高水印的鲁棒性和不可感知性.其次在目标模型的卷积层后插入护照层水印提高抵御混淆攻击的能力,最后结合结构一致性、护照层因子等设计组合损失引导模型收敛方向.超分辨率模型SRGAN和语义分割模型CycleGAN上的实验结果表明,该方法的水印提取率超过98%,并对代理攻击和混淆攻击具有较好的鲁棒性.

关键词： YOLOv3   弱监督   船舶运载   候选区域  

摘要： 船舶货物自动识别高精度数据获取难,影响检测性能。该文利用弱监督至全监督框架,结合改进算法构建组合框架,平均识别精度达32.0%,定位精度达73.8%,高于对比方法。该框架在弱监督环境下表现优异,适用于船舶货物自动识别。

关键词： 计算机视觉   桥隧工程   工程管理   信息技术   施工技术  

摘要： 桥隧工程是土建领域的重要分支,随着建筑数字化程度的提高和设备硬件的升级,计算机视觉已经成为桥隧工程中数字化发展的关键支撑技术。为系统全面地揭示计算机视觉在桥隧工程领域的研究热点和趋势,聚焦于计算机视觉在桥隧工程领域的应用,利用知识图谱工具对相关文献进行可视化分析,并分别从图像处理与特征提取、目标检测与跟踪、目标分类与识别、三维重建与SLAM和智能分析与决策五个计算机视觉任务对其理论与应用技术进行系统性的总结归纳。在此基础上,还从数据集缺陷性、图像准确性、检测实时性、算法适用性四个方面出发,总结了目前研究难点,指出和探讨了应用难点解决方案,并对未来发展进行展望,为进一步研究与技术应用提供理论支撑。

关键词： Photoshop图像处理   教学过程   创作实践   案例教学  

摘要： Photoshop图像处理课程教学改革是为了培养学生从单一的软件学习转换为灵活运用Photoshop软件完美呈现设计创意的能力。本文将课程内容分为基础命令与操作、临摹海报训练与创作实践等三个模块,三者层层递进,全面、深入地剖析Photoshop软件;在课程教学中,运用师生互动、问题探究等教学形式对课程内容进行解析,探究图像表现形式下工具的多途径用法。学生从Photoshop的零基础到能运用Photoshop完成设计作品,旨在打破学生在创作中无法有效运用软件的壁垒;也为进一步学习后期的专业课程奠定了基础。

关键词： YOLOv5   目标检测   小目标   损失函数  

摘要： 为解决施工过程中操作不规范导致安全事故频繁发生的问题,研究了一种基于Yolov5的施工现场异常行为智能检测方法。该方法能够检测施工工人是否佩戴安全帽,并监测大型设备驾驶人员是否有抽烟、打电话等不当行为。针对原模型对小目标检测能力不佳问题,通过改进YOLOv5s算法,使用Focal-EIoU损失函数来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度,实现对检测方法的优化。实验结果验证了该方法在不同场景下具有良好的性能,有助于有效提升施工现场的安全管理水平。

关键词： 开放词汇目标检测   多尺度信息   多模态处理   图片文本对齐   C-FPN模块  

摘要： 现有的开放词汇目标检测算法在处理图像和文本对应关系时容易丢掉多尺度信息,导致对小目标检测的精度较低。针对这个问题,文中结合Channel Attention机制与特征金字塔网络构建C-FPN模块,提出C-Baron算法。在区域选择阶段,C-Baron采用区域打包对齐方法处理图像与文本的对应关系。实验表明:相对于基线模型,C-Baron在新类别和基础类别上的识别精度分别提高了2%和6.3%。

关键词： 多目标跟踪   目标遮挡   伪深度信息   层级匹配  

摘要： 针对传统利用交并比(IOU)进行关联的多目标跟踪方法在目标遮挡下性能不佳以及特征重识别关联在处理外观相似目标时的局限性,提出了一种基于伪深度信息的层级匹配多目标跟踪算法。所提算法采用了立体几何方法获取图像中目标的伪深度信息,根据伪深度的大小,将检测框和轨迹划分为多个不同的子集。当一些目标相互遮挡但其伪深度差异较大时,它们将被分类到不同的伪深度等级中,从而避免了匹配冲突的问题。接下来,利用伪深度信息计算伪深度代价矩阵,在同一伪深度等级下执行交并比伪深度(IOU-D)匹配,以关联处于相同伪深度等级下的被遮挡目标。实验结果显示,所提算法在MOT17测试集和DanceTrack测试集上分别实现了65.1%和58.5%的高阶跟踪准确度(HOTA),与基线模型ByteTrack相比,在两个数据集上分别提升了2.0%和10.8%。该研究结果表明,有效利用图像中潜在的伪深度信息,可显著提升对被遮挡目标的跟踪准确性。

关键词： 计算机视觉   螺栓松动   健康监测   数字图像处理  

摘要： 为提高螺栓连接的检测效率,充分利用计算机视觉高效方便等特点,提出一种基于计算机视觉的螺栓松动角度测量方法.该方法包括图像获取、图像预处理、边缘检测和直线识别、角度计算四步.首先获取螺栓图像,用透视变换和图像灰度化技术对图像预处理,然后用Canny边缘检测算法检测边缘和Hough变换识别边缘直线,最后计算螺栓角度.设计了一个螺栓模型验证该方法的可行性,实验结果表明,该方法可以高效准确识别5°以上的螺栓松动,且最大误差仅为5%,满足实际工程精度要求,具有良好应用前景.

关键词： 公安教育   刑事数字图像处理技术   人工智能   实验教学   教学改革  

摘要： 随着人工智能技术的飞速发展,教育模式和教学内容正经历着前所未有的革新。结合公安院校刑事科学技术专业的人才培养目标和公安实战要求,本文探讨了在人工智能时代下,刑事数字图像处理技术课程实验教学的改革路径。首先,本文分析了当前课程教学中存在的不足。其次,从课程内容和教学模式优化、实验项目革新和课程评价三个方面详细阐述了实验教学改革的具体措施。通过引入人工智能理念和技术,旨在强化学生的实践创新能力,培养符合新时代公安实战需求的创新型人才。这些改革措施将有助于提升公安队伍的科技应用能力和战斗力,为新质公安战斗力的提升做出贡献。

关键词： pod pepper   machine vision   YOLOv8   attention mechanism  

摘要： Pod pepper (Capsicum annuum var. conoides), a common variety of chili pepper, poses a challenge for traditional object detection methods due to its complex morphological features and diverse types. This study focuses on the application of machine vision technology to address the issue of pod pepper object detection. Firstly, a large number of pod pepper sample images were collected, followed by data preprocessing and annotation. Subsequently, YOLOv3, YOLOv5, YOLOv6, and YOLOv8 pod pepper object detection models were established, with YOLOv8 yielding the best detection results with a mean Average Precision (mAP) value of 81.6%. Next, different attention mechanisms were incorporated into the YOLOv8 network structure, with experimental results indicating that the Triplet Attention mechanism performed the best in pod pepper object detection, achieving an mAP value of 82.5%, a 0.9% improvement over YOLOv8. To further optimize the effectiveness of the attention mechanisms, Triplet Attention was added at different positions within the YOLOv8 network. The experiment showed that the location of adding the attention mechanism significantly impacted the pod pepper detection results. When Triplet Attention was added at the 5th layer, the best detection performance was achieved, with an mAP value of 84.1%, a 2.5% improvement over the original YOLOv8. This research provides technical support for intelligent harvesting of pod pepper.