推荐6篇关于视觉感知的计算机专业论文

今天分享的是关于视觉感知的6篇计算机毕业论文范文, 如果你的论文涉及到视觉感知等主题,本文能够帮助到你

基于视觉感知与多特征融合的无参考图像质量评价算法研究

这是一篇关于无参考图像质量评价,色彩特征,视觉感知,多特征融合,高阶语义特征的论文, 主要内容为随着信息技术和人工智能的快速发展,图像作为一种重要的信息传递媒介,在遥感技术、生物医学、智慧交通、气象预报等领域扮演着至关重要的角色。然而,图像在采集、传输、处理等过程中会产生各种失真,这些失真会降低图像的视觉质量,从而影响人们对图像内容的理解和感知。因此,探究图像质量评价算法对现代科技发展具有重要意义。本文基于多特征融合思想,并从人眼视觉感知特性出发,针对失真图像设计优秀的质量评价算法,主要研究内容如下:(1)提出了一种基于底层特征和高阶语义特征的无参考图像质量评价算法。考虑到人眼视觉系统对色彩和纹理等底层图像特征较为敏感,而传统的图像质量评价算法对色彩和纹理等特征研究不够深入,因此本算法提出结合底层图像特征和高阶语义特征的方式共同表征图像质量。首先利用传统特征提取方式来提取图像的颜色直方图作为底层色彩特征,然后结合局部二值化描述算子和灰度共生矩阵提取出图像的底层纹理特征,再通过改进的Res Net-50网络提取出失真图高阶语义特征。最后融合底层特征和深度学习高阶特征,并将融合特征映射到质量预测分数。实验结果表明,所提算法能够高效且准确地评价失真图像的质量,与人眼主观评价结果具有较高的一致性。(2)提出了一种基于颜色、结构和深度特征的无参考图像质量评价算法。考虑到颜色直方图不能全面描述图像的颜色失真,并且使用多特征融合策略容易产生大量的冗余信息等缺陷,因此本算法对颜色和结构等信息进行分析,提出了一种基于多特征融合思想的无参考图像质量评价算法。首先在提取颜色直方图的基础上加入颜色矩来增强颜色特征表达能力。然后引入预训练的稠密连接网络,通过迁移学习的方式来提取梯度图的结构特征,随后利用改进的Res Net-50网络提取失真图的深度特征。为了降低特征融合阶段的冗余信息,采用四种不同的统计结构对提取的特征进行聚合。最后,将聚合后的特征映射到主观质量分数,构建质量预测模型。实验结果表明,本研究算法与人眼视觉主观评价有较高的一致性,总体性能稳定且运行效率高。

人工智能教育用机器人开发设计

这是一篇关于人工智能,教育用机器人,模块化编程,知识图谱,视觉感知的论文, 主要内容为教育是国家的立国之本,编程教育和个性化教育是未来教育的趋势。人工智能作为新一轮科技革命和产业变革的核心力量,正在改变人类生产生活,而教育也急需人工智能技术的赋能。为了将教育和人工智能深度结合,响应编程教育与个性化教育的真实场景,适应中小学人工智能教育的需求,机器人成为人工智能教育的代表性载体。所以,设计并开发一款人工智能教育用机器人成为适应未来教育发展的关键。本次设计在充分调研国内外人工智能教育用机器人研究现状的基础上,对机器人的适用性、智能架构、感知与交互做了深度分析,提出了机器人及模块化编程平台,数据处理平台,双模态感知与交互的方案。在机器人的适用性方面,PC端搭建Scratch模块化编程平台,开发机器人编程应用,学生通过编写模块化程序发送至机器人,在机器人内部基于Android系统定制客户端应用,执行指令的解码并调用机器人内部接口完成机器人的动作和数据的传输,实现了编程教育的理念。在智能架构方面,采用数据层,业务逻辑层和接口层三层架构的方式,为人工智能教育用机器人搭建了数据处理平台,将智能算法、内容存储、登录管理等环节部署到数据处理平台上,提升了数据处理的能力和效率。感知与交互方面,基于Media Pipe感知学生的手势姿态,与学生进行手势互动,通过Arcface算法生成特征提取器对学生进行人脸识别,标记学生的登录状态,基于GPT-2生成Dialog和MMI模型为用户的的日常对话生成应答语句,定制智能问答应用,基于Deep KE做实体抽取,并调用CN-DBpedia的知识图谱接口查询答案,基于朴素贝叶斯分类器找到不同学生的兴趣,建立兴趣文档,在机器人智能问答客户端为学生提供兴趣相关内容,将每个学生的历史问题和答案存储到数据库中,方便学生后续复习和整理,实现了对个性化教育的探索。功能测试表明,人工智能教育用机器人可以作为模块化编程教育的载体,良好的响应PC端的指令;数据处理平台能有效支持机器人的数据请求,机器人可以通过本机智能将数据提供给使用者;机器人视觉感知可以感知学生的手势姿态,识别学生的人脸并更新登录状态;机器人语音交互可以与学生进行普通对话交互,也可以通过智能问答帮助学生找到兴趣。人工智能教育用机器人对编程教育和个性化教育做了有力探索,具有较好的实用价值。

人工智能教育用机器人开发设计

基于深度学习的复杂道路场景下遮挡中小目标检测算法研究

这是一篇关于视觉感知,复杂道路场景,遮挡中小目标,特征融合,注意力机制的论文, 主要内容为近年来,随着汽车智能化驾驶技术的不断深入研究,基于深度学习的复杂道路场景目标检测技术得到了迅猛发展。但因受到目标尺度变化大、遮挡、复杂背景、光照强度变化、复杂天气状况等诸多因素的影响,导致模型检测识别的漏检率和误检率较高,难以满足检测任务的需求,且现阶段算法模型存在对于复杂场景适应能力弱、鲁棒性较差,模型不够轻量化等问题。针对上述问题,本文以深度学习目标检测算法为依托,提出了能适应复杂道路场景的遮挡中小目标检测算法,结果表明:所改进算法具有较好的检测识别性能,同时又平衡了模型的计算效率和硬件成本。主要进行了以下三部分的研究工作:(1)针对交通场景的目标检测数据集大多为国外开源的数据集,国内公开数据集较为缺乏的问题,以车载行车记录仪为依托,构建了一个新的复杂道路场景数据集CQTransport,包含18091张图像样本。数据集构建过程中进行了数据采样、严格的筛选与标注,保证了数据集的数量与质量的提升。对图像进行数据增强,解决了样本不均衡问题,并使得CQTransport场景多样化,在训练过程中提升模型的泛化性能。(2)针对复杂道路场景下遮挡目标、中小尺度目标漏检率、误检率较高的问题,提出了基于自适应特征融合机制的改进算法。在YOLOv5s基准模型中融入改进的相邻尺度特征有效融合模块,缓解了模型特征融合过程产生的负面影响;提出了多尺度宽感受野自适应融合模块,增强模型对上下文信息的有效提取与利用;并通过融入注意力机制与改进损失函数、增加预测尺度等方法提升模型的检测性能,改善了道路场景中小目标、遮挡目标的漏检率和误检率高的问题。通过多个数据集实验结果表明,提出的改进方法有效提升了复杂道路场景下中小目标的检测精度,并具有较好的鲁棒性。其中改进算法算法在BDD100K、Udacity、Cqtransport三个数据集上分别提升了6.7%、4.9%、7.9%的m AP。(3)针对目前环境感知算法在移动端设备和嵌入式设备的部署需求,提出了多尺度轻量级的道路场景目标检测算法。以YOLOv5s和YOLOX-s算法为基准模型进行了轻量化改进,首先在主干网络中融入Ghost Net模块实现参数量和计算量的削减;针对融合Ghost Net模块后主干网络特征提取不充分的问题,进一步提出改进策略,通过在网络模型加入Vo VGSCSP、Sim AM、ODConv、SPD-Conv等高效的方法提升了模型的性能。在BDD100K数据集上改进算法检测速度分别达到了126.6帧/s、117.6帧/s,更能满足在移动端设备的配置条件,同时提升了复杂道路场景下中小尺度目标、遮挡目标的检测效果,有效解决了智能驾驶环境感知算法部署难,性能低等问题。