沉浸式旅游研究进展、热点和趋势

随着沉浸式技术(VR、AR等)的快速发展,沉浸式技术被推广应用于旅游领域,沉浸式旅游成为旅游研究热点。基于1997—2022年Web of Science核心合集收录的557篇沉浸式旅游文献,借助Citespace软件进行文献计量学分析,运用内容分析法对文献研究内容进行系统化梳理。结果发现,沉浸式旅游作为新兴的旅游形式,文献数量快速增长,学科交叉研究特征显著,研究主题逐渐多元化,研究方法多样化;研究热点集中于沉浸式技术的作用、沉浸式体验的影响因素、沉浸式体验作用、沉浸式旅游接受意愿、沉浸式旅游消费者行为等方面;未来的研究应关注沉浸式体验的概念化及测量、沉浸式体验的理论、不同情境沉浸式体验以及沉浸式旅游与可持续发展等研究。

沉浸式旅游助力文旅产业创新发展分析

作为文旅行业的新业态,沉浸式旅游产业发展迅速,成为推动传统文旅行业转型、带动新兴产业发展的重要引擎。本文通过分析沉浸式旅游产业发展的现状、发展机遇和挑战,研究沉浸式旅游发展的优势、机会、劣势和不足。最后,为沉浸式旅游助力文旅产业创新发展提出策略性建议。

基于网络游记的大运河文化遗产游客感知研究

以大运河为研究对象,借助Python网络爬虫方法爬取网络游记数据并利用网络文本分析法进行词频分析、语义网络分析和情感分析,评估游客对大运河文化遗产感知的特点和层次。结果表明:游客对大运河文化遗产感知具有偏好性、表层性、综合性;游客对大运河文化遗产的感知积极性有待提升。从大运河沿线城市、游客对大运河遗产点文化感知、情感感知和整体文化遗产形象感知方面阐释大运河文化遗产游客感知处于初级阶段的机理,提出了大运河文化遗产感知的提升策略。

基于Faster RCNN的智能车道路前方车辆检测方法

使用Fast RCNN方法进行特征提取存在耗时较长且检测准确率较低的问题。为此,结合Faster RCNN前方车辆检测模型与3种不同大小的卷积神经网络,提出一种改进的前方车辆检测方法,研究对比各方法在3种交通场景数据库上的前方车辆检测能力。实验结果表明,与深度卷积神经网络方法相比,该方法提高了车辆检测的准确性和鲁棒性,具有一定的泛化能力。

基于改进的FAST R-CNN的前方车辆检测研究

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题。在这种背景下,使用深度学习的方法检测前方车辆更为有效。首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆。已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题。而且,与先提取HarrLike特征然后利用Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能。结果表明,该方法提高了车辆检测的准确性和鲁棒性。