关键词： 合成孔径雷达(SAR)   飞机检测   注意力机制   特征融合  

摘要： 针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中飞机目标尺度多样性及背景强散射干扰的问题,提出了一种基于坐标注意力和自适应特征融合的YOLOv4 SAR图像飞机目标检测算法。该方法首先在主干网络引入坐标注意力机制,以增强对于飞机散射点组合结构的聚焦能力以及抗背景干扰能力。其次,在特征增强网络中引入自适应特征融合机制,提高了对不同大小飞机的特征提取能力,同时改善了YOLOv4算法召回率和精确率不平衡的问题。最后,通过改进的K-Means聚类针对飞机目标调整先验框的尺寸,提高了模型的定位精度。实验结果表明,改进算法召回率达到91.01%,精确率达到90.09%,AP 0.5达到92.34%,分别较原YOLOv4算法提高2.49%,6.56%和3.62%。

关键词： 实例分割   计算机视觉   植物表型   叶片分割  

摘要： 植物叶片分割在高通量植物表型数据获取任务中起着关键作用。目前,多数植物叶片分割方法专注于提高模型分割精度,却忽视模型复杂度和推理速度。针对该问题,本研究提出一种基于稀疏实例激活与有效位置感知卷积的实例分割模型(ePaCC-SparseInst),实现植物叶片实时、精确分割。在ePaCC-SparseInst中引入1组稀疏实例激活图作为叶片对象表示方式,并使用二部图匹配算法实现预测对象与实例激活图的一一映射,从而避免了繁琐的非极大值抑制(Non-maximum suppression,NMS)运算,提高了模型的推理速度。此外,在实例分支中引入有效位置感知卷积(ePaCC)模块,在增大模型全局感受野的同时提高了模型的推理速度。在Komatsuna数据集上,ePaCC-SparseInst平均分割精度(AP)达到85.33%,每秒传输帧数达到43.52。在相同训练条件下,ePaCC-SparseInst的性能优于SparseInst、Mask R-CNN、CondInst等实例分割算法。此外在CVPPP A5数据集上,ePaCC-SparseInst较上述算法同样取得了更好的分割精度和推理速度。本研究提出的方法采用纯卷积的架构实现了叶片的实时分割,可以为在移动端或边缘设备上获取植物表型数据提供技术支持。

关键词： 深度学习   电子信息工程   声音识别   图像处理   数据挖掘  

摘要： 随着人工智能技术的飞速发展,深度学习在电子信息工程中的应用越来越广泛。此项研究主要探讨了深度学习在电子信息工程中的具体应用方式和效果。首先对深度学习的理论基础和算法进行了系统性研究,然后将深度学习技术应用于声音识别、图像处理、数据挖掘等电子信息工程的关键环节中,结果表明,使用深度学习技术处理的电子信息,其准确性和效率都有显著提升。最后讨论了深度学习在电子信息工程应用中面临的挑战和未来的发展趋势,认为深度学习将在电子信息工程中发挥越来越重要的作用。此研究的结果为电子信息工程技术的进一步发展提供了有益的参考。

关键词： 人机协同   分拣系统   目标检测   物流   插补算法  

摘要： 为了提高物流分拣系统工作效率及质量,研究提出将现有分拣系统中的单臂系统替换为双臂系统,再采用改进插补算法,规划机械臂的运动轨迹。研究还设计了基于深度的目标检测算法,辅助双臂系统的分拣工作。实验结果中,改进后插补算法的运行速度在0.55 s左右,损失度在0.05左右。研究对使用的两种算法进行改进后,提高了算法的运行速度,并降低了算法的损失度,提高了插补算法在路径规划中的使用效果,也提高了深度学习网络的目标检测效果。在仿真实验中,双臂系统的左右机械臂的末端位置,及姿态的变化曲线,均表现出平稳且连续的特点,完全符合研究的设计要求。

关键词： 证卡识别   模板匹配   深度学习   目标检测  

摘要： 论文设计和实现了一个端到端的身份证识别系统。该系统对传统的身份证识别流程进行了改进,采用多任务深度学习算法,将目标检测和结构化分析融合到同一深度网络中,然后对检测出的文字进行识别,最终输出身份证的结构化信息。实验结果表明,相较于传统身份证模板匹配方法,该方法在最终识别效果上得到了极大的提升,针对复杂场景下的身份证识别也取得了很好的效果。

关键词： 目标检测   YOLOv5s   特征重构  

摘要： 目标检测是计算机视觉领域的四大核心任务之一,它涵盖了目标的分类和定位,至今已有近二十年的研究历史。YOLOv5在YOLO系列目标检测算法中广泛应用,这得益于其稳定的工程实践能力,以及可以较好地平衡检测精度和速度,但YOLOv5算法的检测精度距两阶段目标检测器的性能还有差距。因此本文选取其作为研究对象,对其进行改进,力求在保证检测速度基本不变的同时尽可能地提升精度。针对YOLOv5s目标检测算法不能充分利用特征信息的问题,对YOLOv5s进行改进后,提出一种基于特征重构模块的目标检测模型(F-YOLOv5s)。该特征重构模块将w-h平面上的特征信息转移到空间维度,能够减少下采样带来的信息损失,从而提高目标检测的准确率。实验表明,在PASCAL VOC2007和VOC2012数据集上,本文提出的特征重构模块能有效提高特征信息的利用率,使得检测精度大幅度提升。

关键词： 无人驾驶车辆   烟雾遮挡   红外相机   毫米波雷达   目标检测   目标跟踪   改进YOLOv4网络  

摘要： 战场环境下无人驾驶车辆的感知系统易受烟雾、扬尘等天气的影响,对关键目标的检测与跟踪能力大大下降,造成目标漏检、目标误检、目标丢失等严重后果。针对该问题,开发毫米波雷达和红外相机融合系统,采用目标级融合方式建立简洁有效的融合规则,提炼和组合各传感器的优势信息,最终输出稳定的目标感知结果。对毫米波雷达的目标进行有效性检验和提取,并提出改进的基于密度的含噪声空间聚类应用算法,以减少毫米波雷达噪音干扰。以YOLOv4网络为基础,引入MobileNetv2主干网络,在网络训练过程中运用迁移学习方法,同时对红外数据样本进行扩充,解决了红外图像训练样本少的问题。试验结果表明,相较于仅基于红外相机的算法,融合检测算法在烟雾环境下的精度显著提升,且算法实时性高,实现了烟雾环境下毫米波雷达与红外相机融合的目标检测与跟踪,提高了无人驾驶车辆目标检测与跟踪系统的抗烟雾干扰能力。

关键词： 苹果叶病   目标检测   损失函数   注意力机制   YOLOv7  

摘要： 我国是传统的农业大国,先进的苹果叶片病理检测方法可以有效减少林地的农药喷洒,减轻农民经济负担,同时对保护环境,减少土壤污染有着重要的意义,但是目前的苹果叶片病理虫害的很多检测模型都无法准确、及时、有效地检测到不同的虫害表面,这便阻碍了机器学习模块在苹果等林作物上的发展。在基于YOLOv7的基础上添加卷积注意力机制模块(CBAM)和轻量模型(MobileNet),建立一个新的检测模型Pest-Net。并采用CBAM注意力机制,兼顾空间和通道,多方位提高苹果叶片的缺陷检测精度,但会增加冗余的参数,需要更多的计算资源,因而结合MobileNet轻量模型,减少计算量,提高检测速度。引入SIOU损失函数提高该模型的鲁棒性。实验结果表明:与其他四种常见的目标检测模型相比,Pest-Net在mAP值(97.1%)和精确度(94.5%)上均取得了更高的准确率,有着更好的应用前景。

关键词： 生成对抗网络   图像处理   混合注意力机制   类别预测  

摘要： 乳腺癌是一种凶险的恶性肿瘤,医学上需要根据人表皮生长因子受体2(HER2)水平来判断乳腺癌的侵袭性,从而制定治疗方案,这就需要对组织切片进行免疫组化(IHC)染色。为了解决IHC染色昂贵且费时的问题,首先,提出一种基于混合注意力残差模块的HER2预测网络,在残差模块中加入了CBAM模块,使得网络能够在空间、通道维度上更有侧重性地学习。预测网络能够由HE染色切片直接预测HER2水平,并且预测准确率达到97.5%以上,对比其他网络提升了2.5个百分点以上。随后提出一种多尺度生成对抗网络,使用引入混合注意力残差模块的ResNet-9blocks作为生成器,PatchGan作为判别器,并自定义多尺度损失函数。生成对抗网络可以由HE染色切片直接生成模拟IHC染色切片,在低HER2水平下生成的图像与真实图像的SSIM为0.498,PSNR为24.49 dB。

关键词： 图形图像处理   计算机技术   作用   应用  

摘要： 在当今数字化时代,图形图像处理作为计算机科学中的一个重要领域,涵盖许多关键技术和算法。通过对图形图像进行处理,可以实现图像的自动分析和识别,对图像进行增强和优化,从而提高计算机视觉的能力和效果。研究表明,计算机技术在图形图像处理中被广泛应用,对各行各业有巨大的推动作用。本文针对计算机技术在图形图像处理中的优势进行阐述,并探讨计算机技术在图形图像处理中的应用。