关键词： 下咽癌   磁共振成像(MRI)   目标检测   语义分割   深度学习   检测病灶  

摘要： 相比于肺癌、肝癌等常见的癌症,下咽癌是一种罕见的疾病。由于下咽癌的磁共振影像往往亮度不均、模糊、噪声重,因此如何从这些磁共振图像中获取有用信息是一个难题,如何使用深度学习通过磁共振图像来检测下咽癌的病灶是一项重大挑战。首先,综述了下咽癌的磁共振图像特点及成因,概括了Faster-RCNN、RetinaNet、FCOS、Cascade-RCNN等常见目标检测网络的特点和应用领域,并且分析了目标检测网络应用在下咽癌病灶定位上所面临的挑战,介绍了行之有效的解决方法:可变形卷积和应用定制的锚框。然后,介绍了常见的语义分割网络,并分析了把这些语义分割网络应用在下咽癌病灶分割上所面临的挑战。最后,对上述提到的目标检测网络和语义分割网络进行了总结,并对未来下咽癌医学影像的目标检测和语义分割工作进行了展望。

关键词： 计算机视觉技术   农作物   病虫害检测   农业生产  

摘要： 现代农业发展更趋集约化、信息化,这为计算机视觉技术的运用提供了空间。以计算机视觉技术在农作物病虫害检测中的运用优势为切入点,在此基础上分析其具体运用方法,包括建设信息作业系统、强调信息采集、运用可视化技术、重视信息复用等内容。最后就该技术在农作物病虫害检测中的未来运用进行展望,一方面客观呈现技术优势、特点,另一方面为其发挥价值提供必要参考。

关键词： RT-DETR   自动驾驶   道路环境   目标检测   多尺度特征融合  

摘要： 目标检测技术作为自动驾驶技术的关键环节,对于车辆实现自主导航和决策功能至关重要。现有算法在同时满足检测精度和检测速度上仍有困难。对此,文中提出一种基于RT-DETR的实时目标检测算法FSSD-DETR。该算法在主干网络中引入FADC模块,对特征提取过程进行优化;通过引入小目标检测层提升对远处车辆行人小目标的检测性能;基于SSFF模块和TFE模块对颈部网络进行了重新设计,进而提升检测的准确性;采用DySample上采样算子改善最近邻插值法可能出现的细节丢失、锯齿状边缘和图像失真等问题。实验结果表明,相比原始的RTDETR模型,改进算法在SODA10M和BDD100K数据集上mAP分别提升了3.6%和2.1%。实验说明,FSSD-DETR在保证实时性的同时显著提升了检测精度,具有应用价值。

关键词： 计算机视觉   生物特征识别   步态识别   三维人体   身份识别   三维建模  

摘要： 步态识别在身份识别领域具有重要的研究意义。随着技术的发展,步态识别的研究热点正从二维(2D)转向三维(3D)。与图像固有的2D信息相比,用视觉技术还原的3D信息能更有效地预测人员的身份。在2D视觉领域中,由于受到物体遮挡、视角变化等因素的影响,传统的步态识别方法在实际应用中难以取得理想的识别性能。基于人体3D重建和人体3D姿态估计等3D人体技术,近年来的研究在3D步态识别领域取得了一系列进展。本文介绍了3D步态识别方法,探讨了基于3D步态的身份识别领域的研究现状、优势与不足;总结了主要的3D步态数据集;讨论了3D识别方法与2D识别方法的对比;提出了3D身份识别领域未来潜在的研究方向,包括3D数据集的采集和整理、2D和3D数据的多模态融合等。

关键词： 小目标检测   注意力机制   特征融合   损失函数  

摘要： 小目标检测作为目标检测中一项极具挑战性的项目,广泛分布于日常生活中,在视频监控场景中,距离摄像头约20 m远处的行人人脸就可以被认为是小目标.由于人脸可能相互遮挡并容易受到噪声和天气光照条件的影响,现有的目标检测模型在这类小目标上的性能劣于中大型目标.针对此类问题,本文提出了改进后的YOLOv7模型,添加了高分辨率检测头,并基于GhostNetV2对骨干网络进行了改造;同时基于BiFPN和SA注意力模块替换PANet结构,增强多尺度特征融合能力;结合Wasserstein距离改进了原来的CIoU损失函数,降低了小目标对锚框位置偏移的敏感性.本文在公开数据集VisDrone2019以及自制的视频监控数据集上进行了对比实验.实验表明,本文提出的改进方法mAP指标在VisDrone2019数据集上提高到了50.1%,在自制视频监控数据集上高于现有方法1.6个百分点,有效提高了小目标检测的能力,并在GTX1080Ti上达到了较好的实时性.

关键词： 小目标检测   YOLOv8n   特征融合   注意力机制  

摘要： 针对无人机(UAV)图像中目标尺寸小及特征信息少导致检测精度低的问题,提出改进YOLOv8n的小目标检测算法。首先,引入Wise-IoU损失函数,通过动态非单调聚焦机制增强网络对普通质量锚框的关注,提高泛化能力。然后,添加小目标检测层(SODL)和双向特征金字塔网络(BiFPN)构建新的特征融合结构——Bi-SODL结构。SODL使网络更充分地捕捉小目标的浅层特征信息,BiFPN可以实现不同尺度特征层之间的信息交流和融合,提高小目标检测的准确性。最后,添加大型可选择模块(LSKBlock)注意力机制,通过空间选择机制和加权方式对输入特征进行处理,进一步提高小目标检测的性能和鲁棒性。实验结果表明,在VisDrone2019数据集上的检测精度指标P、mAP_0.50和mAP_0.50∶0.95分别提升6.4%、8.3%和5.2%,并且参数量降低25.78%。改进措施使得检测性能优于众多主流算法,证明了改进算法的有效性。

关键词： 目标检测   输电线路   绝缘子   无人机   YOLOv8   超分辨重构   生成对抗网络  

摘要： 为解决无人机在输电线路巡检时遇到的绝缘子故障难以检测的问题,提出一种绝缘子故障检测新方法。该方法结合了真实世界增强超分辨率生成对抗网络(Real-ESRGAN)和改进的YOLOv8n。首先,利用Real-ESRGAN对数据集进行超分辨率重构,优化数据集质量,有效减少复杂背景的干扰;然后利用高效视觉变压器框架替换YOLOv8的主干,加强模型的特征提取能力,同时使模型在推理阶段有更快的处理速度;再对YOLOv8的检测头进行轻量化处理,进一步加速模型推理。试验结果显示,该方法的均值平均精度达86.7%,证明了其在复杂背景下的卓越目标检测性能。通过分析热力图,展示了该算法与传统YOLOv8在关注区域上的差异,从而揭示了模型的内部工作机理。

关键词： 显著性目标检测   分层解码   渐进融合   邻间聚合   边界细化  

摘要： 现有显著性目标检测方法大多只关心模型的检测精度,容易忽略模型的编解码效率,导致网络运行速度较慢.针对上述问题,本文提出一种基于分层解码和渐进融合的快速显著性目标检测网络,并分别设计语义提取模块、空间增强模块和边界提取模块,对编码器提取到的多尺度特征进行分层筛选和高效解码.其中,语义提取模块可准确定位显著性目标的整体区域,空间增强模块可完整保留显著性目标的空域信息,边界提取模块可增强显著性目标的边界轮廓.由于不同层级特征的感受野和分辨率不同,本文设计了邻间聚合模块和边界细化模块,对筛选后的特征进行渐进式融合并逐步细化得到最后的显著性预测图.实验结果表明,所提方法不仅能够得到边界清晰、区域完整的显著性预测图,还能显著提升模型的编解码效率,快速检测显著性目标,在ECSSD和HKU-IS数据集上的最大值F max分别为0.947和0.936,优于其他方法.

关键词： 人工智能   计算机视觉   自然语言处理   大模型  

摘要： 人工智能技术的发展和产业化应用正推动着各行各业的变革。基础技术如机器学习、深度学习、自然语言处理、计算机视觉,以及云计算等,是人工智能产业化的核心,我国在图像识别、语音识别等技术领域达到了国际领先水平。随着人工智能技术的不断发展,政府、企业和研究机构正在共同努力,将人工智能与其他领域结合起来,以实现更大的整体效益。中国已准备好释放“人工智能+”领域的巨大潜力。人工智能在制造业、医疗保健、金融和教育等行业发挥的作用越来越深入广泛,正在形成新质生产力,并改变未来的商业模式和创造新的产业链。

关键词： 海上   船舶   检测   YOLOv5  

摘要： 为了应对海上开阔环境目标检测面临的挑战,并致力于开发先进的海上目标检测技术,文章提出了一种基于深度学习框架YOLOv5的海上船舶自动检测与识别技术。该技术具备实时检测海上船舶等小目标的能力,并且体积较小,克服了传统目标检测技术在速度和性能上的限制。这项技术的应用能够有效提高航海运输、海上搜救和国防安全等领域的效率和可靠性。实验结果表明,文章提出的针对船舶视觉识别的方案快速而精准,能够验证YOLOv5在船舶检测中的重要价值,为相关领域的应用提供了重要的支持和保障。