关键词： 深度学习   目标检测   特征融合   小目标   计算机视觉  

摘要： 遥感图像目标检测向来有复杂背景干扰、目标尺度不一、小目标检测难的挑战。针对以上问题,文章提出了一种基于YOLOv5改进的遥感图像目标检测算法。首先,对YOLOv5的主干网络进行改进,引入了一种基于双通道注意力机制的CBAM卷积模块,以取代传统的卷积操作,从而提升模型的特征提取能力。其次,使用SIoU替换CIoU,添加角度惩罚,有效减少了损失的总自由度,提升检测框的定位能力。为了提高检测精度,文章还引入了一种自适应融合策略ASFF,将多个尺度的特征图进行自适应加权融合,解决目标尺度多变带来的问题。实验结果表明,该方法在公开数据集NWPU VHR-10上与其他算法进行对比并取得了优秀的检测性能,在实际应用中具有很高的实用性。

关键词： 铁路基础设施   高清移动视频   日常巡检   智能视频分析   图像处理  

摘要： 在高铁运行过程中,异物入侵、线路设备损坏会严重威胁动车的行车安全。为解决该问题,目前主要依靠人工进行监控和巡查。针对这种人工监控,耗费人力,物力且存在的效率低,时间长,主观判断失误等问题,本文突破常规的图像识别技术,基于高铁线路正样本数据,采用算法融合技术,研究对于高铁线路异物情况、设备外观异常情况的图像智能识别算法,同时结合DMS行车信息,将识别结果与线路里程等自动关联,形成一套基于高铁移动视频线路异物智能识别与报警系统,起到动车运行时自动识别、实时推送报警的作用,从而更加准确快速的辅助工务人员分析各种异物入侵,及时处理现场问题,为铁路运输的安全和高效提供有力保障。

关键词： 创新能力   医学图像处理   混合式教学  

摘要： 随着国家创新驱动发展战略的深入推进,教育领域正迎来前所未有的改革机遇。本文针对医学图像处理课程中存在的教学内容与应用需求脱节、实践项目缺乏创新性、课程评价方法单一等问题,进行了基于创新能力培养的混合式教学改革实践。通过重新组织和优化课程资源,完成课程内容重构,构建“学堂云+雨课堂”的混合式教学模式;设计“三阶四层”的实践教学系统,增强学生的实践操作能力和创新意识;设计注重“过程+效果+创新”的考核评价体系,将临床实践创新案例引入考核过程,明显提升了学生参与创新创业活动的积极性。课程实践证明,医学图像处理课程教学改革切实有效地促进了学生创新实践能力的培养。

关键词： 军事目标检测   YOLOV5   渐进特征金字塔网络   多尺度目标   注意力机制  

摘要： 针对现有算法特征学习能力欠佳、检测精度不高、计算量大等问题,提出一种基于YOLOV5s改进的多尺度目标检测算法AEM-YOLOV5(AFPN-EMA-MPDIoU-YOLOV5)。首先,在颈部网络引入AFPN渐进特征金字塔网络,以渐进的方式融合图像底层详细信息和顶层高级语义特征,增强了网络特征融合效果;其次,在每个检测分支前增添EMA注意力机制模块,跨空间聚合像素级特征,提高了复杂场景下对多尺度目标的关注程度;最后,使用MPDIoU替代YOLOV5原有C_(IoU)边界框损失函数,解决了预测框宽高比相同但绝对值不同时C_(IoU)退化的问题,使回归结果更为准确。实验结果表明,改进后算法在RSOD数据集上PmAP50达到94.5%,FPS达到42 frame/s,模型大小为14.8 MB。与现有算法相比,改进后算法性能显著提升,可满足军事目标检测的实时性要求、模型轻便。

关键词： 计算机视觉   增强现实   数字空间   虚拟现实   云计算   沉浸式   空间数据处理   空间计算  

摘要： 空间计算(Spatial Computing)是一项基于空间数据处理以及增强现实、虚拟现实和混合现实技术的前沿技术,能够通过感知、处理和理解真实世界的空间数据来构建虚实融合的数字空间。近年来,随着5G网络的普及、物联网(IOT)技术的快速发展以及硬件设备的不断进步,空间计算技术在多个行业中得到了广泛应用,包括游戏、医疗、制造等领域。这一技术还得益于计算机视觉、人工智能(AI)、云计算与边缘计算的协同发展,使得计算系统能够实时感知并理解三维空间的动态变化,为各行业提供更加沉浸式、智能化的解决方案。

关键词： 车辆检测   YOLO v8   数据增广   智能交通  

摘要： 本文基于YOLO v8预训练模型,提出一种智能交通场景下车辆目标检测的系统构建与优化方法。在进行YOLO v8模型预训练前,加入数据增广模块,模拟更复杂的场景信息,旨在优化提高模型的鲁棒性。实验结果表明,融合数据增广策略的YOLO v8模型具有更佳的问题处理能力,泛化性能显著提高,为自动驾驶和智能交通管理提供了可靠的技术保障。

关键词： 遥感图像   目标检测   YOLOv7   多层特征   注意力机制  

摘要： 遥感图像目标检测在军事侦察、智慧农业等领域意义重大,特别是小目标检测一直获得持续关注。然而,遥感图像中的小目标面临特征信息不足、检测难度大等问题,成为困扰遥感检测应用发展的最大障碍。为此,提出YOLO-HF(you only look once-hybrid feature)算法,该算法在传统YOLOv7模型的网络中,引入通道注意力和自注意力的混合注意力机制提取目标深层特征,并将浅层特征和深层特征进行融合,增加局部特征的丰富性;为进一步加强对全局信息的关注,在提取特征后为小尺度目标添加全局注意力机制,实现全局特征表达能力的提升;为避免传统损失函数对小目标位置偏差敏感,导致检测效果不佳,选择使用一种新的度量方式,将其嵌入边界框损失函数的计算中,从而加快损失函数的收敛,实现小目标检测精度的提升。实验结果表明:与传统YOLOv7算法相比,所提算法在RSOD和NWPU VHR-10数据集上均表现出优越性,特别地,在RSOD数据集上均值平均精度提升了2.90%,在NWPU VHR-10数据集上均值平均精度实现了3.61%的提升。

关键词： 野外蝙蝠   RT-DETR   多尺度特征   轻量级   目标检测  

摘要： 野外蝙蝠检测对于生态保护和科学研究具有重要意义。针对计算资源有限和复杂野外环境带来的挑战,提出了一种轻量型蝙蝠检测模型(LiteDETR-Bat),旨在实现高效的实时检测。首先为了解决特征映射冗余问题,引入重参数卷积高效层聚合网络(RCELAN)替换传统的ResNet主干网络,采用多分支特征聚合机制,有效降低了计算复杂度和参数量。其次设计了动态采样多尺度特征融合(DS-MFF),该结构集成空洞卷积和动态采样算子,通过扩大感受野并自适应调整采样位置,优化多尺度特征融合,提升多样化特征处理时模型的灵活性和鲁棒性。最后在安徽省野外环境下采集了一个涵盖多种光照条件、视角变化及蝙蝠形态变化的蝙蝠数据集,并进行了模型性能等相关实验。实验结果表明,该LiteDETR-Bat模型不仅能够使参数量降低了46.5%,mAP达到97.2%,同时在准确性和实时性上相比于YOLO系列算法均取得了一定地提升。LiteDETR-Bat模型为野外蝙蝠的监测与保护工作提供了有力的技术支持,展现了其在生态监测和生物多样性保护中的应用潜力。

关键词： YOLOv8   电梯轿厢   禁入目标检测   可变形注意力   SIou函数  

摘要： 电梯轿厢内禁入目标入户易造成火灾风险。针对电梯轿厢视频监控下,现有视觉检测方法存在禁入目标误检和漏检的问题,提出了一种基于改进YOLOv8的电梯轿厢禁入目标检测算法。首先在数据预处理阶段对禁入目标检测数据集进行数据增强,然后对模型引入可变形注意力模块,最后将原始YOLOv8的损失函数替换为SIou函数。实验结果表明,相比于YOLOv8基准模型,本文方法的评价指标值具有明显提升,表明该方法能够有效检测电梯轿厢禁入目标。

关键词： 水平集   太赫兹图像   太赫兹安检   图像分割   图像处理  

摘要： 为了能分割被动式太赫兹图像中的多亮温目标,满足太赫兹安检系统对不同亮温目标进行提取的需求,提出了一种基于多相水平集的被动式太赫兹图像分割方法。传统的单个水平集函数的方法仅能将图像划分为两个区域,当图像中存在多种亮温的目标物体时,不能将其完全提取出来。而该方法采用了多个水平集函数进行演化,能将图像分割成多个区域,满足分割多亮温物体的需要。使用多相水平集方法对多种目标物体进行处理,实验结果表明,该方法能够将被动式太赫兹图像中人体衣物下隐藏的多种亮温目标物体提取出来,比单个水平集的方法提高了准确性。