计算机视觉专辑
计算机视觉是人工智能 (AI) 的一个领域，是指让计算机和系统能够从图像、视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。 如果说人工智能赋予计算机思考的能力，那么计算机视觉就是赋予发现、观察和理解的能力。计算机视觉的工作原理与人类视觉类似，只不过人类起步更早。 人类视觉系统的优势是终身可以在适当的环境下训练分辨物体、物体距离、物体动静与否以及图像是否存在问题等能力。计算机视觉训练机器来执行这些功能，但它们依靠摄像头、数据和算法在更短的时间内完成工作，而不像人类是依靠视网膜、视神经和视皮质。 经过训练用于检验产品或监控生产资产的系统每分钟能够分析数千个产品或流程，并且会发现极其细微的缺陷或问题，因此计算机视觉的能力迅速超越人类。计算机视觉广泛用于许多行业，例如能源、公用事业、制造和汽车行业等等。为了更深入了解相关概念，整合了本刊发表的计算机视觉方面的相关研究，共计11篇。制作了计算机视觉专辑，欢迎浏览。
主题关键词： 计算机视觉目标跟踪计算机应用注意力机制
- 论文汇编
基于高分辨率孪生网络的无人机目标跟踪算法
摘要：针对无人机（UAV）目标跟踪任务中目标尺寸小、尺度变化明显和视点改变频繁等问题，本文提出一种基于高分辨率孪生网络的无人机目标跟踪算法。首先，利用改进高分辨率网络作为特征提取主干网络，并且采用动态多模板策略挖掘视频的帧间信息；然后，构建多帧特征融合模块，得到利于目标定位的融合特征；最后，选取无锚框策略定位目标位置，得到精确的跟踪结果。实验结果表明：本文算法在DTB70数据集测试的成功率和准确率分别为66.0%和84.7%，在UAV123数据集测试的成功率和准确率分别为65.7%和84.3%，有效地提升了目标跟踪性能。关键词：计算机视觉;目标跟踪;无人机;高分辨率孪生网络;多帧特征345|141|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于注意力机制改进的无锚框舰船检测模型
摘要：为提升模型对合成孔径雷达（SAR）图像多尺度舰船目标的检测能力，保证检测网络的实时性，提出一个基于注意力机制改进的无锚框舰船检测模型。在YOLOX网络特征金字塔处嵌入空洞注意力模块，调节感受野与多尺度融合的关系，强化特征的表示能力。在检测头部设计中心性预测分支，对锚点的分类得分进行加权处理，调整模型的损失函数，优化检测结果。在数据集SSDD上进行的对比实验结果表明：本文提出的模型优于主流的深度网络检测模型，精度达到94.73%，且在检测精度和检测速度中取得最佳平衡。关键词：计算机视觉;舰船目标检测;空洞卷积;注意力机制;无锚框213|117|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于亚像素定位的人体姿态热图后处理
摘要：为提高热图预测关节点的精度，提出了一种基于亚像素定位的人体姿态热图后处理方法，该方法包括2个策略：第一个策略是翻转图像热图的亚像素偏移处理，可以消除与原始图像热图的未对齐偏差；第二个策略是局部区域曲面拟合的热图解码，实现关节点的亚像素定位。本文热图后处理方法独立于网络模型，不需要对模型进行任何修改即可应用于当前基于热图的人体姿态估计模型。在COCO2017和MPII数据集上对本文方法进行了实验。以HRNet-W32-256×192模型和Simple Baseline-W32-256×192模型为例，COCO2017数据集上平均精度分别提高了0.9和1.1，验证了方法的有效性。关键词：计算机视觉;人体姿态估计;热图后处理;高斯拟合;热图解码230|185|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于多重注意力机制的无锚框目标跟踪算法
摘要：针对现有孪生神经网络跟踪算法两个分支相互独立缺少信息交互，在受到目标遮挡、相似目标干扰等挑战下无法精确鲁棒跟踪目标的现状，提出了一种基于多重注意力机制的无锚框目标跟踪算法。使用多重注意力机制编码目标模板特征和搜索区域特征，通过自注意力机制提升特征显著性后，利用互注意力机制聚合目标模板与搜索区域之间的特征信息，强化了算法对目标和背景的鉴别能力。同时，引入无锚框机制，以逐像素的方式完成端到端的视觉目标跟踪任务，避免了锚框机制人为干预的弊端。实验结果表明，在OTB50、OTB100、GOT-10K公开数据集上，本文提出的基于多重注意力机制的无锚框目标跟踪算法针对目标遮挡以及相似目标干扰等挑战具有较强的鲁棒性，有效提升了跟踪算法的准确率和成功率。关键词：计算机视觉;目标跟踪;注意力机制;无锚框机制580|176|0<HTML><网络PDF><WORD>更新时间：2025-05-26表观增强的深度目标跟踪算法
摘要：针对基于深度神经网络视频实时目标跟踪的研究主要集中在骨干网优化方面，设计及训练均比较复杂的问题，本文提出一种新的表观增强的深度目标跟踪算法。首先，通过引入简单且易于实现的传统表观特征，直接与深层语义特征融合，增强了类内目标的区分能力；其次，通过投票机制及自适应搜索模块，增强了算法跟踪的鲁棒性。在VOT系列数据集上的测试结果表明：本文算法相对基准算法在平均重叠期望（EAO）上均有2%~4%的提升，准确性及鲁棒性指标达到甚至部分超过了现有复杂优化算法。关键词：计算机视觉;孪生网络;表观信息;投票机制;自适应搜索444|86|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于动态模板更新的孪生网络目标跟踪算法
摘要：全卷积孪生网络SiamFC++在复杂场景下，尤其是当目标外观发生剧烈变化时，跟踪准确性会受到严重影响，为此提出了一种基于动态更新模板的孪生网络目标跟踪算法。该算法使用ResNet-50作为骨干网络提取图像的深度特征，增强网络的特征提取能力。对于深度特征互相关操作得到的响应图，直接通过无锚的方式预测目标对象的位置和比例。针对模板更新，首先使用模板动态更新策略判断模板是否更新，若需要更新则采用模板更新子网络，为下一帧的跟踪估计最佳模板。实验结果表明，本文算法针对目标外观剧烈变化和大气环境影响具有较强的鲁棒性，有效提高了跟踪的准确率和成功率。同时平均速率达到32 帧/s，满足实时性要求。关键词：计算机视觉;目标跟踪;孪生网络;动态更新模板;无锚方式434|69|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于滑动特征向量的小样本图像分类方法
摘要：针对在小样本图像分类中，几个样本的特征图不足以描述整个类特征空间，导致误分类的问题，提出了滑动特征向量神经网络（SFV），该方法通过集合同类样本的滑动特征向量构建类特征空间，并利用样本-类的特征向量度量方式分类查询样本。SFV融合了特征块的边缘信息以及位置结构的相关性，最大限度地利用深层特征信息的同时扩充了类特征空间。实验表明：在各数据集中SFV均能取得不错的效果，在细粒度数据集上，达到了最佳精度。关键词：计算机应用技术;计算机视觉;小样本学习;局部特征;度量学习56|60|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于深度学习的行人多目标跟踪方法
摘要：综合了近年来基于检测跟踪的主流行人多目标跟踪方法，介绍了基于检测的行人多目标跟踪方法概念，从目标检测、特征提取和数据关联与跟踪三个阶段对行人多目标跟踪方法进行了概述，比较并评价了这些方法在MOTChallenge系列数据集上的性能，阐述了多目标跟踪的未来研究方向。关键词：计算机视觉;多目标跟踪;目标检测;特征提取;数据关联636|102|0<HTML><网络PDF><WORD>更新时间：2021-01-26基于自然性和视觉特征通道的场景分类
摘要：为提高场景分类的识别率，使其更好地应用到目标检测和行为检测中，提出了一种改进的场景分类方法。该方法首先利用空域包络模型中的自然性，将场景进行基类划分，然后通过视觉特征通道模型，对场景进行更细致的分类，从而得到最终的场景语义类别。仿真实验结果表明：改进后的场景分类方法对于场景的语义分类要优于传统场景分类方法，具有更高的识别率。关键词：计算机视觉;场景分类;视觉特征通道;自然性;支持向量机197|36|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于多尺度特征融合的边界检测算法
摘要：针对以往边界检测算法提取的噪声边界过多,导致最终检测的效果提高不多的问题,本文提出了一种基于多尺度特征融合的边界检测算法。在单一图像尺度下,该算法利用图像抠图领域的Trimap和抠图算法生成图像中物体层次特征,并结合提取多尺度的像素层次特征得到边界信息。为了进一步减少过多的噪声边界,该算法提取多尺度图像下的边界信息,并通过融合这些边界信息来过滤噪声边界。在美国加州伯克利大学的BSDS500数据集上进行实验,实验结果表明该算法比单一图像尺度下的边界检测算法具有更高的准确率。关键词：计算机应用;计算机视觉;图像处理;边界检测;多尺度;图像抠图219|38|0<HTML><网络PDF>更新时间：2020-07-30
