基于DF-Track的水下鱼体跟踪方法

鱼类跟踪是分析鱼类行为、评估其健康水平的关键步骤。然而,由于真实水下养殖鱼群具有运动非线性、高外观相似度、鱼体互相遮挡、特征信息损失严重等特点,多目标跟踪鱼类是一项非常具有挑战性的任务。针对水下鱼体反射产生的伪影以及鱼体运动非线性、相互遮挡导致跟踪轨迹碎片化的问题,提出一种水下多鱼跟踪模型DF-Track。该模型采用基于检测的跟踪(TBD)范式,首先在YOLOv8的C2f结构中引入聚合感知注意力机制(APFA),提高在前向过程中提取图像特征的能力;然后使用SDI多层次特征融合模块对YOLOv8中的feature fusion部分进行重设计,减少特征融合阶段不同层级特征信息的冲突问题;最后提出一种优化轨迹管理的跟踪模型DF-Track,并引入Focal-EIoU补偿匹配空间中的运动估计偏差,平衡几何一致性。实验结果表明:与原YOLOv8相比,所提算法的精确率提高了1.7%,平均精度均值提高了2.1%;DF-Track与其他MOT跟踪算法相比,HOTA达到70.9%,MOTA达到91.9%,IDF1达到80.4%。证明DF-Track模型在水下鱼类跟踪任务中具有较好的性能。

基于神经网络和注意力机制的协同过滤推荐算法的研究

针对协同过滤推荐算法中用户-物品矩阵的稀疏性,使得传统协同过滤算法推荐度较差的问题,提出一种改进的基于神经网络和注意力机制的协同过滤推荐算法B-SDAECF,旨在解决传统推荐系统中数据稀疏的问题。结合Transformer模型的变式Bert模型和堆叠式降噪自动编码器(SDAE),利用Bert模型从用户评论中提取高质量的特征表示,以获得向量矩阵;并将向量矩阵作为SDAE的初始权重,从而使SDAE模型能够更快速地运算,进而填充原有的用户-项目评分矩阵。实验结果显示,相比传统方法,所提方法在推荐系统的准确性和鲁棒性上有显著提升,推荐效果更优秀。