关键词： 智能化课堂管理系统   计算机视觉   学生行为监测   学生学习分析   实时反馈  

摘要： 研究开发了一种基于计算机视觉技术的智能化课堂管理系统,旨在提高教学效率和学生学习效果。系统实现了对学生行为的自动化监测、学生学习状况的分析以及实时反馈,从而辅助教师进行有效的课堂管理。实验采集了部分学生的行为、视频和学习数据,并进行了分析,实验结果显示该系统具有良好性能。伴随计算机视觉技术和教育信息化的发展,该系统将在教育领域发挥更大作用。未来研究可在改进模型和特征提取方法、提升系统智能化程度、优化用户体验以及加强数据保护等方面寻求突破。

关键词： 海杂波   SAR图像   海上运动   小目标检测  

摘要： 鉴于海杂波是一种非平稳性雷达信号,使用传统方法容易受到海杂波特征影响,导致检测结果不精准。充分考虑海杂波特征,提出了SAR图像海上运动小目标检测方法。根据雷达观测场景等距离环,确定波浪传播方向,分析海杂波特征。构建最优自适应海杂波抑制权矢量函数,结合约束最小方差准则抑制海杂波,避免慢速目标难以被有效检测。计算节点邻域内每个像素点到节点的距离,筛选孤立像素点。充分考虑海杂波特征,使用统计平均方式获取海杂波背景下的平均干涉幅度和相位,以此为依据检测运动小目标。实验结果表明,该方法在正常、中等和复杂海况下,检测结果与实际结果一致,说明使用该方法检测结果精准。

关键词： YOLOv8   小目标检测   可形变卷积   注意力机制   复杂道路场景  

摘要： 虽然,当前检测技术日趋成熟,但对于复杂环境下的小目标检测仍然是研究的重难点。针对道路交通场景中普遍存在的交通标志小目标比例较高,环境干扰因素较大的问题,提出了一种基于YOLOv8改进的道路交通标志目标检测算法。由于小目标检测中容易出现漏检的现象,利用BRA(bi-level routing attention)注意力机制提高网络对小目标的感知能力。此外,还利用可形变卷积模块DCNv3(deformable convolution v3),针对特征图中的不规则形状具有更好的特征提取能力,使骨干网络更好地适应不规则的空间结构,更精准地关注重要目标,从而提高模型对遮挡重叠目标的检测能力。DCNv3和BRA模块均在基本不增加模型权重大小的情况下提高模型准确性。同时引入基于辅助边框的Inner-IOU损失函数。在RoadSign、CCTSDB、TSDD、GTSDB四个数据集上,分别进行了小样本训练、大样本训练、单目标检测和多目标检测,实验结果均有所提高。其中,在RoadSign数据集上的实验结果最佳,YOLOv8改进模型的均值平均精度mAP50与mAP50:95分别达到了90.7%和75.1%,相较于基线模型,mAP50与mAP50:95分别提升了5.9和4.8个百分点。实验结果表明,YOLOv8改进模型有效地实现了在复杂道路场景下的交通标志检测。

关键词： 红外目标检测   图像增强   Faster R-CNN   频域注意力机制   多尺度特征融合  

摘要： 为提升红外目标的检测精度,提出了一种引入频域注意力机制的Faster R-CNN红外目标检测算法。首先,针对红外图像边缘模糊和噪声问题,设计了一种并行的图像增强预处理结构;其次,在Faster R-CNN中引入频域注意力机制,设计了一种新型红外目标检测主干网络;最后,引入路径增强金字塔结构,融合多尺度特征进行预测,利用底层网络丰富的位置信息,提升检测精度。在红外飞机的数据集上进行实验,结果表明,改进后的Faster R-CNN目标检测框架比以ResNet50为主干的算法的AP提升了7.6%。此外,与目前主流算法对比,本文算法提高了红外目标的检测精度,验证了算法改进的有效性。

关键词： 图像处理   水下图像增强   多阶段   空间细节   监督注意力  

摘要： 设计了一种多阶段水下图像增强模型,可以同时将空间精细纹理和高级上下文信息两种特征融合。模型由三个阶段组成,前两个阶段采用编码器-解码器结构,第三阶段则采用并行注意子网,所提模型可以同时学习空间细节和上下文信息两种特征,并且引入了监督注意力模块,能够加强特征学习,还设计了一个跨阶段特征融合机制用来巩固前后子网的中间特征。最后将所提模型与其他水下增强模型在同一测试集上运行,从运行结果得出,所提模型处理后的水下图像在主观视觉效果和客观评价质量上均优于大部分对比算法,在Test-1测试集上,峰值信噪比和结构相似度分别达到了26.2962 dB和0.8267。

关键词： 目标检测   损失函数   旋转不变性  

摘要： 目标检测广泛应用于工业领域,譬如缺陷检测。然而,在检测过程中依然存在任意旋转和大宽高比问题。一是水平锚框方法难以准确地定位物体;二是卷积神经网络(Convolutional Neural Networks,CNNs)在提取特征时表现不佳;三是普通的损失函数对细长的目标不敏感。针对上述问题,本文研究了SR-Det (Slender and Rotated Detecto)模型,包含以下3个部分。首先是旋转区域校准(Rotated Region Calibration,RRC)模块。该算法以不同大小和宽高比的水平提议作为输入,以相应的旋转提议作为输出。然后是旋转角度提议对齐模块(Rotated Angle Proposal Align,RAP-Align)来保证特征信息的质量。最后是基于交并比(Intersection Over Union,IoU)策略的R-IoU函数(Rotated Intersection Over Union)以指导模型最大化预测框和GT (Ground Truth)框之间的重叠面积。实验证明,本文提出的方法在金属罐数据集和幕墙数据集上取得了最优的效果,证明了该方法的有效性。

关键词： 计算机视觉   模式识别   博士研究生   硕士研究生   对抗训练   国家网络安全   武汉大学   长尾分布  

摘要： 近日,武汉大学国家网络安全学院王骞教授和王鹃教授课题组两项最新成果被计算机视觉领域著名会议——国际计算机视觉与模式识别会议(IEEE/CVF Conference on Computer Vision and Pattern Recognition,CVPR 2024)录用。第一项研究工作由武汉大学国家网络安全学院2022级硕士研究生岳新立完成,论文题目为“Revisiting Adversarial Training under Long-Tailed Distributions”(《重新审视长尾分布下的对抗训练》),指导老师为王骞教授、赵令辰副教授(通讯作者),武汉大学国家网络安全学院2021级博士研究生牟宁平参与了该成果的研究工作。

关键词： 分类器   哈希学习   旋转不变   遥感图像   目标检测   图像处理  

摘要： 分类器是目标识别、目标检测的重要部分,而针对遥感图像的目标检测在交通、军事、农业等方面具有重要的应用价值。但随着遥感图像的分辨率急剧增加,如何提高遥感图像目标检测的效率成为一个挑战。利用遥感目标具有的旋转不变特性以及哈希学习具有的快速分类能力,设计并实现了融合旋转不变约束的哈希分类器,其目的是使遥感目标在旋转前后具有相似的二进制哈希码。通过实验表明该分类器能在大幅提高检测速度的同时提高检测的准确性,并且可以拓展到其他哈希学习方法上。

关键词： 智能船舶   遮挡检测   多尺度特征融合   混合注意力机制   数据重采样  

摘要： 针对智能船舶在内河航道航行时经常出现的船舶互相遮挡而影响目标检测精度的问题,提出了一种基于多特征聚合的水面遮挡目标检测算法.首先,在骨干网络设置多尺度感受野特征融合结构,融合被遮挡船舶可视区域与周围环境特征;其次,在骨干网络及网络的特征拼接部分添加混合注意力机制,增强网络的长程依赖性,聚合船首和船尾的特征;然后,设计了数据重采样策略,在训练过程中根据船舶类别的数量自适应地调整样本采样频率,缓解数据集中船舶数量的严重不均匀;最后对算法进行验证。结果表明:算法通过聚合被遮挡船舶可视区域与周围环境等多尺度特征,聚合船首、船尾长程特征,相较于原算法精度提升达到了3.3%,有效提升了视觉遮挡状态下水面目标的检测精度.