关键词： 图书数字化   版本数字化   图像处理   生成式人工智能  

摘要： 在信息技术快速演进的当下,尤其是生成式人工智能技术的飞速发展下,图书的数字化处理尤显关键。图书数字化涉及的关键环节,包括扫描技术、图像处理、字符识别、内容编辑与校对、元数据生成及数据存储与发布。在生成式人工智能必将获得广泛应用的未来,图书版本数字化将朝着数字化技术的发展、跨界融合、社会化参与的方向发展。为了使图书版权持有者、图书馆及数字化服务提供者可以充分利用生成式AI的优势,出版社需要基于不同技术的应用成效,大幅提升图书版本数字化的效率和质量,提供更加丰富多样的数字化产品和服务。

关键词： 宫颈细胞图像异常检测   YOLOv5   图像处理   全局和局部特征融合  

摘要： 目标建立一种新的基于全局-局部注意机制和YOLOv5的宫颈病变细胞检测模型(Trans-YOLOv5),为准确、高效地分析宫颈细胞学图像并做出诊断提供帮助。方法使用共含有7410张宫颈细胞学图像且均包含对应真实标签的公开数据集。采用结合了数据扩增方式与标签平滑等技巧的YOLOv5网络结构实现对宫颈病变细胞的多分类检测。在YOLOv5骨干网络引用CBT3以增强深层全局信息提取能力,设计ADH检测头提高检测头解耦后定位分支对纹理特征的结合能力,从而实现全局-局部注意机制的融合。结果实验结果表明Trans-YOLOv5优于目前最先进的方法。mAP和AR分别达到65.9%和53.3%,消融实验结果验证了Trans-YOLOv5各组成部分的有效性。结论本文发挥不同注意力机制分别在全局特征与局部特征提取能力的差异,提升YOLOv5对宫颈细胞图像中异常细胞的检测精度,展现了其在自动化辅助宫颈癌筛查工作量的巨大潜力。

关键词： YOLO   目标检测   行李处理系统   注意力增强   卷积神经网络  

摘要： 随着深度学习和人工智能的兴起,以及闭路电视监控系统对行李输送线的全覆盖,研究者开始使用图像识别技术对行李进行全程的识别跟踪,但在生产运营过程中,图像质量低、行李粘连堆叠等影响识别跟踪精度的问题时有发生。针对这些问题,提出一种注意力特征增强方法来抑制背景信息,使神经网络提取行李特征的过程中具有更好的鲁棒性。为了验证该方法的有效性,采用昆明机场的行李图像构建数据集,在此数据集上,该方法的检测精度达到了70.2%,以及很小的参数量,为行李处理的效率和准确率提升提供了支撑。

关键词： 深度学习   目标检测   红外小目标检测   注意力机制   YOLOv5  

摘要： 随着图像中显著目标检测准确率的提高,如何提升小目标的检测精度逐渐成为人们关注的重点。现有的目标检测方法主要研究以可见光图像作为输入的通用目标检测问题,小目标检测领域的大部分方法主要针对可见光图像,面向红外图像的较少。红外小目标不含颜色信息,与常规目标尺度差别大,更加依赖上下文信息。针对这些问题,提出一种基于YOLOv5的红外小目标检测模型。在标准的YOLOv5模型基础上,为了有效结合目标周围的局部信息和整体特征中的全局信息,同时适应红外小目标的细微形态变化,提出了动态上下文信息提取模块,引入通道-细节注意力模块汇聚红外小目标的通道信息和细节信息,提高回归精度。考虑到网络卷积过程中细节特征丢失的问题,在保证模型特征尺度相对应的情况下,上采样新的特征尺度与浅层特征融合,以捕捉更多红外小目标细节信息,避免特征混叠。为了证明方法的有效性,在公开的红外数据集ITTD、IRSTD-1k和NUAA-SIRST上进行验证。实验结果表明:在ITTD数据集中所提方法的mAP值超过对比方法5.1%。对比YOLOv5s基准模型,mAP值提高了3.7%,在IRSTD-1k和NUAA-SIRST数据集中也展示出良好的检测效果,并对自身模型进行了消融实验。本文所提出的红外小目标检测模型对复杂场景下的红外小目标鲁棒性很好,有效地提高了小目标检测的精度,降低了小目标的漏检率。

关键词： 计算机视觉   微表情识别   CIE Luv   颜色特征   光流特征   双流网络  

摘要： 针对光流法无法充分利用微表情面部颜色信息,导致识别准确率不高的问题,本文提出一种基于颜色和光流的多注意力双流网络方法。首先,提出以CIE Luv色差图的形式,初步提取人脸情感生理特征,弥补微表情光流特征的单一性和局限性;然后,将PAM模块和ECA block并行组合得到轻量化的双注意力模块,提取空间和通道关键特征;最后,设计一种交叉注意力机制以获取颜色和光流混合特征,将其与空间通道关键特征融合用于分类。本模型在实验中采用留一交叉验证法进行评估,在SAMM数据集上的准确率和F1分数分别达到69.18%和67.04%,在CASMEⅡ数据集上的准确率和F1分数分别达到72.38%和70.85%。实验结果均优于目前主流算法,进一步证明本文模型及其模块在识别微表情方面的有效性。

关键词： 大豆考种   豆荚表型   虚拟数据   旋转目标检测   YOLOv7-tiny  

摘要： 为解决传统大豆考种过程中人工测量大豆豆荚表型参数耗时费力的问题以及现有的自动化测量方式存在的人工数据标注需求量大、环境适应能力弱、计算代价高等问题,本研究提出一种基于虚拟数据集生成和旋转目标检测分析的豆荚关键表型参数自动化测量方法,重点关注荚长和荚宽的测量。该方法基于YOLOv7-tiny提出一种改进的豆荚检测模型(CSL-YOLOv7-tiny),通过引入环形平滑标签使模型获得对旋转目标的检测能力,提升对无序摆放的狭长豆荚目标检测的质量。为避免人工标注训练数据,采用虚拟图像生成方法得到含标注信息的虚拟豆荚数据集和虚拟硬币与豆荚混合数据集。利用迁移学习策略,将模型从虚拟豆荚数据集迁移至虚拟硬币与豆荚混合数据集,积累模型对豆荚特征的提取能力。设计一种基于K-均值聚类的后处理方法,对检测到的旋转边界框进行分析,得到荚长和荚宽,以减少拍摄环境差异带来的测量误差。试验结果表明,在无任何训练数据标注的条件下,使用虚拟图像训练的CSL-YOLOv7-tiny对硬币和豆荚目标检测的最优mAP_(0.50)和mAP_(0.50∶0.95)分别达到了99.3%和78.0%,其模型大小和推理时间分别仅为12.92 MB和12.5 ms,荚长和荚宽测量的决定系数(R^(2))分别达到了0.94和0.86,与实际测量均值分别仅相差0.42 mm和0.02 mm。此外,通过对本研究提出的方法进行对比分析,验证了其在模型训练、轻量化部署以及不同考种环境适应能力上的优势。研究结果可为大豆豆荚表型参数的自动化、智能化测量系统的研发提供参考,为加速优质高产大豆的选育进程提供支撑。

关键词： 雾天场景   目标检测   图像去雾   深度可分离卷积   注意力机制  

摘要： 文中提出了一个基于深度可分离卷积和注意力机制的雾天目标检测模型,旨在实现在雾天场景中对目标的快速、准确检测。该模型由去雾模块和检测模块组成,并在训练过程中共同训练。为确保模型在雾天场景中检测的准确性和实时性,在去雾模块方面,采用AODNet对输入图像进行去雾处理,以降低雾对图像中待检测目标的干扰,在检测模块中使用改进后的YOLOX_s模型,输出目标的分类置信度和位置坐标。为提升网络的检测性能,在YOLOX_s基础上采用深度可分离卷积和注意力机制来提高特征提取能力,扩大特征图感受野。所提模型能提高有雾场景中模型的检测精度,且不增加模型参数量和计算量。实验结果表明,所提模型在RTTS数据集和合成有雾目标检测数据集上均表现出色,有效提高了模型在雾天场景中的检测精度。与基准模型相比,平均精度(mAP@50_95)分别提升了1.9%和2.37%。

关键词： 多模态识别网络   毫米波雷达   目标检测   YOLOv5s   微光场景  

摘要： 近些年来,在目标检测以及图像分割等领域涌现了许多先进的算法。在能见度较差的微光场景下如夜晚、大雾天气等场景中,视频图像具有像素声高、对比度低、无彩色信息等特点,算法的检测性能受到明显限制。与目前主流的RGB相机相比,毫米波雷达对上述复杂环境具有一定的免疫能力,可以在不利条件下辅助RGB相机进行目标检测工作。以单阶段目标检测器中实时性较高的YOLOv5s为基础,结合毫米波雷达的特性,提出了用于微光环境下目标检测的多模态识别网络。与现有的传感器融合方法相比,多模态识别网络有几个关键优势。系统以基于学习的方式融合了2种模态,只需要少量新场景的标记图像和雷达数据,因为其可以充分利用已经开源的大型图像数据集进行大批量的训练。这一突出特性使新系统能够适应高度复杂的现实环境。由于使用了高度计算效率的融合方法,系统是非常轻量级的,因此适用于各个复杂场景下的实时应用。为了评估系统的性能,制作了一个小批量的雷达和摄像机融合数据集,包含普通光照和不同强度微光光照条件下的多模态数据。实验结果表明,微光场景下多模态识别网络的平均精度达到76.6%,相比Faster R-CNN算法和YOLOv7算法,全类平均精度(mean Average Precision,mAP)提高了16.8%和9.3%,且误检、漏检率低,达到了在微光环境下完成目标检测任务的要求。

关键词： 航天遥感   问题驱动   研究生教学   产教融合   成像技术  

摘要： 产教融合创新能力培养是我国新时代研究生教育的研究方向之一。该文结合航天遥感的行业特点,把研究生教育跟航天需求方案论证、问题驱动创新结合起来,探索新时代研究生更贴近产业需求的培养模式。从生活中常见的手机拍照入手,将专业遥感相机与“遥感手机”作对比,抛出问题并引导研究生拆解问题,查阅文献资料获取手机摄像头的主要成像参数,逐步分析计算手机作为遥感载荷对地成像的分辨力指标,引导学生对比专业遥感相机的成像指标参数,激发讨论热情,适当归纳结论,最终回归到图像处理与成像技术这门研究生课程的深层知识讲解。在提高课堂教学效率的同时,将目前航天遥感领域的产业状况与当下研究生教学紧密结合在一起,探索产教融合的研究生培养新模式。