计算机多媒体辅助教学手段在音乐教学中的应用

计算机多媒体辅助教学在今后的音乐教学中会越来越多地受到关注,本文就计算机多媒体辅助教学在音乐教学中的应用,制作音乐教学计算机多媒体课件时值得注意的问题,在音乐教学中如何使用好多媒体计算机辅助教学这三方面进行阐述。

基于多特征融合的铁路护栏网格提取

铁路护栏是列车高速安全运行免受异物入侵的必要保障,其图像精确提取是铁路基础设施自动化检测的关键步骤。针对铁路护栏因背景干扰因素多而难以准确提取其图像的问题,提出一种融合多特征和二维最大熵的铁路护栏网格图像提取算法。首先采用双边滤波降噪和伽马变换增强铁路护栏网格图像,其次在提取护栏网格的线性特征、方差特征和矩特征后进行二维最大熵初分割,最后根据三类特征图的初分割进行加权融合与连通域去噪。结果表明,本文算法对铁路护栏网格图像的提取具有较强的鲁棒性。

基于多尺度滤波的视网膜血管分割算法

眼底视网膜血管图像的纹理与结构信息可作为医学对相关疾病诊断的重要依据。针对视网膜血管存在伪影与尺度结构复杂等难题以及微血管分割较低等问题,提出一种基于多尺度滤波的有监督学习视网膜血管分割算法。采用二维K-L变换综合分析彩色图像三通道的频带信息得到视网膜灰度图像,并利用受限对比度直方图均衡化增强血管与背景的对比度,利用Retinex降低伪影与视盘的干扰;由多尺度高斯匹配滤波、多尺度形态学滤波、Frangi滤波以及2D-Gabor滤波提取相关血管特征,并将提取好的特征集由AdaBoost初步提取血管;利用血管连通域信息去除初分割结果的非血管像素,获得最终的血管图像。该算法在DRIVE与STARE数据集上实验,准确率分别达到96.34%与95.83%。

改进的CornerNet-Saccade车辆检测算法

针对现有的CornerNet-Saccade算法在车辆检测任务中存在明显的误检和漏检现象,提出了一种改进的CornerNet-Saccade算法。首先通过加深堆叠沙漏网络结构,增强车辆高级特征提取能力;其次,增加更小尺度的attention maps以改善小目标车辆的检测能力,引入Dense Block模型和瓶颈残差单元降低堆叠沙漏网络参数的复杂度,保证层与层之间的最大信息流;最后,通过Sigmoid激活函数得到最终的检测结果。在KITTI数据库和自制数据库上对改进算法进行了仿真实验,平均精确率分别达92.56%和95.21%,检测速度分别达40 FPS和49FPS,同时在自制数据库上对原CornerNet-Saccade算法和改进算法进行了仿真实验,精确率和召回率相比原算法分别提高了3.8%和8.5%。结果表明:此改进的CornerNet-Saccade算法在车辆检测任务中具有明显优势。

基于中心点的多类别车辆检测算法

针对多类别车辆检测任务中存在计算复杂、检测精度不高的问题,提出一种基于中心点的多类别车辆检测算法。该算法首先通过Hourglass网络对各类型车辆特征进行提取,考虑到多类别车辆检测时易受车辆大小、视觉变化及非刚体形变等因素的影响,采用可变形卷积替换传统卷积的方法对Hourglass网络重建;在网络预测模块中,结合不同的预测分支支路,采用组合损失函数度量模型拟合的程度,同时引入GIoU损失提高模型拟合效果,减少车辆检测中漏检和误检现象的发生;最后通过Sigmoid激活函数得到最终的检测结果。在公开数据库上仿真实验,测试精度和检测速度分别达到了93.42%和49 f/s,在自制数据库上仿真实验,所提算法的精确率和召回率相比CenterNet算法分别提高了2.7%和5.6%。实验结果表明,本文算法在车辆检测任务中具有明显优势。

基于多级特征金字塔网络的目标检测研究

针对目标检测中广泛的尺度变化所带来的问题,提出一种基于多级特征金字塔网络的一级目标检测方法。以SSD算法模型为基础,将主干网络提取的特征融合为基础特征,将基础特征送入设计的一个交替连接的U型模块和特征融合模块中,从每个U型模块输出的特征进行尺度特征聚合,用来构造一个多级特征金字塔网络用于最终的目标检测。该方法在MS COCO数据集和PASCAL VOC数据集上进行了仿真,实验结果表明,该算法优于目前其他主流的目标检测方法。

基于改进型CenterNet的车辆检测应用

CenterNet算法在车辆检测领域中表现优异,具有检测精度高和速度快的特点,但其也具有明显的缺点,由于网络采用复杂的Hourglass-104结构导致检测速度达不到实时性要求,同时检测过程中也有误检和漏检的现象发生。针对这些问题,提出一种基于改进型CenterNet的车辆检测算法。该方法首先对网络结构进行精简,将2个堆叠的Hourglass网络中的下采样和上采样次数减少为3次,然后用空洞卷积替换传统卷积以增大网络的感受野,捕捉多尺度上下文信息,最后通过在残差单元中增加一条支路以实现检测精度的提升。在KITTI数据集上进行仿真实验,检测精度和每张图片的检测时间分别为58.9%和105 ms,总体性能优于现有算法。

融合轮廓信息与条件生成对抗的视网膜血管分割

针对现有视网膜血管分割算法存在主血管末端易断裂、中心黄斑和视盘边界易误分割等问题,本文提出一种融合血管轮廓信息与条件生成对抗网络的视网膜血管分割算法。首先,采用非均匀光照移除和主成分分析处理眼底图像,增强血管与背景的对比度,并获得特征信息丰富的单尺度灰度图像。其次,将集成了带偏移量的深度可分离卷积和挤压激励(SE)模块的密集块同时运用到编码器和解码器,缓解梯度消失和梯度爆炸,同时使得网络专注于学习目标的特征信息。然后,引入轮廓损失函数,提升网络对血管信息和轮廓信息的辨识能力。最后,在DRIVE与STARE数据集上分别进行实验,受试者曲线值分别达到0.9825和0.9874,准确率分别达到0.9677和0.9756。实验结果表明,本文提出的算法能够准确辨别轮廓与血管,减少血管断裂,在临床眼科疾病诊断中具有一定的应用价值。

自适应尺度信息的U型视网膜血管分割算法

针对视网膜血管形态结构和尺度信息复杂多变的特点,提出一种自适应血管形态结构和尺度信息的U型视网膜血管分割算法。首先采用二维K-L(Karhunen-Loeve)变换(即霍特林变换)综合分析彩色图像三通道的频带信息,从而得到视网膜灰度图像以及多尺度形态学滤波增强血管与背景的对比度信息。然后将预处理图像经U型分割模型对图像进行端对端训练,并利用局部信息熵采样进行数据增强。该网络编码部分的密集可变形卷积结构根据上下特征层信息有效地捕捉图像中多种尺度信息和形状结构,底部金字塔型的多尺度空洞卷积扩大局部感受野,同时解码阶段带有Attention机制的反卷积网络将底层与高层特征映射有效结合,解决权重分散和图像纹理损失的问题。最后通过SoftMax激活函数得到最终的分割结果。在DRIVE(Digital Retinal Images for Vessel Extraction)与STARE(Structured Analysis of the Retina)数据集上对该算法进行了仿真,准确率分别达到97.48%与96.83%,特异性分别达到98.83%与97.75%,总体性能优于现有算法。