灾后社会景气变动趋势:基于后疫情期的考察

灾后社会景气作为表征性因素,是实质性恢复重建工作中长期潜在的隐蔽公理,对于更好促进灾后恢复重建具有重要的社会意义。通过对原有文献中社会景气概念的修复性界定,指出它不仅仅是主观满意度和信心的问题,更涉及客观景象的整体状况。基于后疫情期主客观社会景气的案例,通过实证比较分析进行具体考察,从而揭示疫灾过后经济社会恢复发展和社会景气回升繁荣的艰难之因。在此基础上,提出加强灾后社会景气研究和监测分析,着眼于宏观、中观、微观层面促进灾后恢复重建和社会景气回升。

河北省数字化引领文化旅游产业应用场景实践与创新

河北省是华夏文明的发源地之一,拥有历史悠久和丰富多样的文化旅游资源。为了传承优秀的传统文化并实现河北省旅游产业的持续发展,数字化与文化旅游产业的融合成为新的方向和动力。在总结河北省文化旅游资源的主要类型、分布和数量情况的基础上,发现了一些发展问题和困境,如数字化技术水平有限、项目无法真正落地、数字技术与人文服务关系失衡以及区域内景点之间缺乏衔接并存在严重同质化现象等。同时,结合场景理论,提出数字文旅产业应用场景开发的必要性,构建以数字文旅感知舒适物为核心,以文化资源与文化场景为软支撑,以5G新基建+区域数据库、数据系统为硬支撑,以数字文旅项目日常运营与反馈为助推器的河北省区域内数字文旅应用场景发展模型。最后应用场景理论,从深挖多元数字文化感知舒适物组合,搭建元宇宙文化旅游场景,建设区域统一数据库及数据系统,设计优质IP及反馈评价系统等四大方面提出河北省数字化文化旅游产业应用场景的实践与创新策略。

基于多尺度目标检测的人机协作装配场景认知方法

人机协作装配场景的快速理解对提高协作机器人认知能力、实现人机协作装配具有重要的现实意义。针对非结构化人机协作装配场景认知过程中目标尺度差异较大、缺少统一场景描述框架等问题,首先构建了一种轻量级多尺度目标检测网络LMS-Net,并在网络训练过程中引入目标检测框聚类机制以提高多尺度目标检测精度;然后将LMS-Net检测结果转换为人物交互图并建立了人机协作装配场景元描述模型,提出了基于多尺度目标检测的人机协作装配场景认知方法。在自建数据集HRC-Action上的实验结果表明所构建多尺度目标检测网络具有较高的准确率(平均89%)和较快的速度(深度学习工作站平均58.7 FPS,Jetson Nano B01嵌入式开发板平均25 FPS),所提人机协作装配场景认知方法具有较好的可行性和实用性。

基于YOLOv5的轻量级雾天目标检测方法

针对雾天场景下目标检测算法精度较低、模型复杂度较高,提出一种基于YOLOv5的轻量级雾天目标检测方法。采用感受野注意力模块(RFAblock)通过交互感受野特征信息,对感受野添加注意力机制,提高特征提取能力;采用轻量化网络Slimneck作为颈部结构,在保持精度的同时降低模型参数和复杂度;在损失函数中引入真实框与预测框之间的角度向量,提高训练速度和推理的准确性;采用PNMS(precise non-maximum suppression)改进候选框选择机制,降低车辆遮挡情况下的漏检率。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上进行测试,实验结果表明,与YOLOv5l相比mAP50分别提高了4.9和3.5个百分点,模型参数量仅为YOLOv5l的54.6%。

八景的景观多维感知机制研究

【目的】以景观多维感知为研究背景,聚焦中国八景的研究与应用。研究八景多维感知组成的主观元素、客观元素,以及主客观八景之间的互动机制。【方法】继承中国传统八景思想,在分析古今八景研究的基础上,提出八景的主观、客观、主客观合一及其构成要素,以及八景多维景观感知的分析评价方法,选取澳门地区新老八景中的灯塔松涛、路环渔韵、双湖塔影和普济寻幽四景,对其八维感知占比分别进行初步评价。【结果】从八景的主客互动、八景的主客流动、八景的景观多维感知3个方面分析,探索了八景与人类个体之间的互动交流机制。【结论】构建了主观八景的感受、认知、应对与客观八景的能量、信息、时空两方面相互流动的八景流理论框架。

三维交互式场景虚拟现实建模仿真研究

三维交互式场景构建精度过低会影响人机交互时的体验效果,为有效提升场景的真实性与场景构建效率,提出三维交互式场景虚拟现实建模方法。从前进后退、左右平移、左右旋转抬头与低头四个角度出发,运用虚拟现实技术对场景构建时用户动作的影响因素展开具体分析;根据分析结果对虚拟交互场景内的相机实施标定处理,通过相机的标定结果获取场景影像,并使用图像分割方法对影像目标实施分割处理;基于影像的目标分割结果结合用户动作影响参数,制定模型约束条件与目标函数,构建三维交互式场景构建模型,通过上述模型实现三维交互式场景的构建。实验结果表明,使用上述方法开展三维交互式场景构建时,场景构建的效果较好,分辨率较高,达到了预期目标。

动态场景下融合改进YOLOv7的视觉SLAM算法

针对传统的视觉同步定位与地图构建(SLAM)在动态场景下容易受到运动物体干扰,导致位姿估计精准度和鲁棒性下降的问题,提出了一种基于目标检测网络的视觉SLAM算法。该算法通过在ORB-SLAM2的跟踪线程中新增动态特征点检测剔除模块,从而利用静态特征点进行位姿估计。首先,选择YOLOv7作为目标检测的主干网络,结合GhostNet轻量化卷积网络和具有SE注意力机制的卷积(Conv_SE),以有效地检测周围环境;其次,对检测到的物体进行分类处理,剔除动态物体特征点,通过几何约束的方法进一步检测和剔除潜在运动物体;最后,仅利用静态特征点进行特征匹配和位姿估计。在TUM数据集上的验证结果表明,与ORB-SLAM2相比,提出的算法在动态Walk序列下,绝对轨道误差(ATE)的均方根误差平均减少96.5%,在其他动态序列下也有改进效果。实验证明,该算法在动态场景下能够显著提升系统的定位精度和鲁棒性。

基于改进YOLOX的轻量化交通监控目标检测算法

交通目标检测技术是道路交通管理部门进行交通流量监测、安全管控等核心工作的重要技术之一。面对大量的交通监控视频数据,需要使用检测速度更快、精度更高、占用计算资源更少的交通目标检测技术。为了满足这一需求,根据YOLOX算法和PP-LCNet网络,提出了一种面向交通监控场景的轻量型交通目标检测算法PL-YOLO。使用基于PP-LCNet改进的网络作为目标检测器的主干特征网络,使用深度可分离卷积代替YOLOX中的普通卷积,降低模型运算过程中的复杂度;根据交通监控场景下的车辆分布密集且尺寸小的特点,添加SimAM注意力机制模块,聚焦于更有意义的特征图像。实验结果表明,相对于YOLOX-s模型,改进后的PL-YOLO检测精度提升1.89个百分点,模型大小降低了54%,FPS从20.88帧/s提升到26.68帧/s。

基于分部特征计算的轻量化非结构目标检测

针对非结构化场景(工地、矿场)缺少特殊目标的通用数据集、复杂特征难以准确提取以及计算复杂度高的问题,构建了一个面向非结构场景的特殊目标检测数据集,并提一种轻量化目标检测模型YOLO-PT,以极低的计算量达到了较高的检测精度。通过构建分部特征计算(partial feature calculation, PFC)模型减少特征冗余信息的计算,并引入了多头自注意力机制来增强复杂特征的提取精度,同时设计多通道金字塔结构对多尺度特征进行渐进式融合,提高复杂对象的识别精度。最后在非结构场景进行实验验证,结果表明,所提出方法仅在4.3×10^(6)的参数量下就达到了53%的准确率,在精度、参数量以及浮点运算量上均优于其他方法。

改进的目标检测算法在司机室场景的应用

针对司机室智能分析系统中的智能检测模块进行优化改进,提升检测算法在复杂场景下的准确率。提出一种YOLOv8-DR方法,在YOLOv8的基础上引入坐标注意力机制,增加一个大尺度检测头分支,更好地捕捉玩手机等小目标的细节信息。通过实验对比,该方法提升13.5%的准确率,可实时预警规范司机驾驶行为,保证机车安全运行。

融合光流与多视角几何的动态视觉SLAM系统

视觉同步定位与地图构建(SLAM)在动态干扰的情况下,导致定位精度下降且无法准确构建静态地图,提出一种结合光流和多视角几何的动态视觉SLAM系统,该系统是在ORB-SLAM2的基础上进行改进的。在追踪线程中引入处理后的光流信息,结合多视图几何,得到动态区域掩码对视野内图像帧进行分割,实现动态区域检测并滤除动态区域中的特征点,在保证视觉SLAM系统实时性的同时提高追踪准确度,替换原本的地图构建线程。在新的地图构建线程中,引入光流信息及Mobile NetV2实例分割网络。利用实例分割网络分割结果结合光流动态区域掩码对获取到的有序点云逐层分割,解决地图构建中动态物体造成的“拖影”问题。同时对分割后的点云团融合语义信息,最终构建静态语义八叉树地图。在TUM Dynamic Objects数据集上的实验结果表明,相较于ORB-SLAM2,在高动态场景序列测试中,该算法的定位精度平均提升70.4%,最高可提升90%。

基于包围盒和二叉树的游戏虚拟场景碰撞检测方法

常规游戏虚拟场景碰撞检测方法由于缺乏对包围盒的简化处理,导致碰撞检测效率较低。对此,提出基于包围盒和二叉树的游戏虚拟场景碰撞检测方法。首先,通过对协方差矩阵进行求解,对包围盒的方向进行判定,在此基础上根据原始虚拟物体的几何边缘构建出轴向包围盒。并采用二叉树原理,对轴向包围盒存储结构进行简化,从而减少待测节点的数量。最后通过计算随机包围盒的中心点距离,对包围盒的相交情况进行判定,从而实现碰撞检测。测试结果表明,采用提出的方法对游戏虚拟场景中的物体进行碰撞检测时,该算法的平均碰撞检测时间始终低于0.8 ms,具有较高的检测效率。

稀疏表示下大场景视频图像运动目标跟踪仿真

大场景视频中存在复杂的背景信息,这些背景信息与目标的外观相似,导致难以准确跟踪目标。为了解决这一问题,提出基于稀疏表示的大场景视频图像运动目标跟踪方法。通过提取视频图像haar-like特征并对特征投影压缩,在字典中融入背景信息,构造超完备字典。改进传统粒子滤波,提出基于残差的Unscented粒子滤波算法,在传统稀疏表示中添加判别函数生成判别稀疏表示,利用L1范数最小化求解候选目标稀疏系数,在字典不断更新下通过基于残差的Unscented粒子滤波算法,实现大场景视频图像运动目标跟踪。实验结果表明,所提方法目标跟踪精度和重合度均在0.9以上,且跟踪平均时间短。

动态场景下融合YOLOv5s的视觉SLAM算法研究

为了解决视觉同步定位与建图(Simultaneous Localization and Mapping, SLAM)系统在动态场景下容易受到动态物体干扰,导致算法定位精度和鲁棒性下降的问题,提出了一种融合YOLOv5s轻量级目标检测网络的视觉SLAM算法。在ORB-SLAM2的跟踪线程中添加了目标检测和剔除动态特征点模块,通过剔除图像中的动态特征点,提高SLAM系统的定位精度和鲁棒性。改进了YOLOv5s的轻量化目标检测算法,提高了网络在移动设备中的推理速度和检测精度。将轻量化目标检测算法与ORB特征点算法结合,以提取图像中的语义信息并剔除先验的动态特征。结合LK光流法和对极几何约束来剔除动态特征点,并利用剩余的特征点进行位姿匹配。在TUM数据集上的验证表明,提出的算法与原ORB-SLAM2相比,在高动态序列下的绝对轨迹误差(Absolute Trajectory Error, ATE)和相对轨迹误差(Relative Pose Error, RPE)均提高了95%以上,有效提升了系统的定位精度和鲁棒性。相对当前一些优秀的SLAM算法,在精度上也有明显的提升,并且具有更高的实时性,在移动设备中拥有更好的应用价值。

一种融合场景解译与面向对象分割精准识别城市边缘区域闲置地的方法

为了快速准确识别城市边缘地区闲置土地,文章基于高分2号遥感影像提出了一种融合场景解译与面向对象分割的方法,用于识别城市边缘区域的闲置土地。文章引入四叉树分割方法制作了多尺度场景解译标签;选取性能优越的Vision Transformer模型作为提取工具,进行训练以得到解译模型;将该解译模型应用于经过面向对象分割处理后的影像对象进行场景分类。实验结果表明,相比传统方法,该方法在闲置土地识别方面取得了显著提升。

基于VR技术的室内物体可视化建模设计

室内物体建模过程中,每一项建模参数的确定与调整都需要经过大量计算,使得室内物体可视化建模时间较长。为了提高建模效率,提出基于虚拟现实(Virtual Reality,VR)技术的室内物体可视化建模方法。通过标定后的三维扫描仪和相机采集室内物体图像,并通过二值化处理提取物体边界轮廓,依据双目感知原理,建立以加强真实感为核心的可视化视觉通道,运用VR技术构建三维虚拟场景,在虚拟场景内运用多层次细节模型构建室内物体3D几何模型,并通过VR交互处理实现对建模参数的智能调整,结合缓慢剔除算法和体绘制方法对模型进行渲染处理,完成物体可视化建模。实验结果表明该方法每个建模阶段平均耗时3 s,总建模时间为18 s,满足了可视化建模时效性要求。

基于驾驶场景的高效多模态融合检测方法

目标检测是自动驾驶中重要的组成部分。为解决在弱光条件下单一的可见光图像不能满足实际驾驶场景检测的需求并进一步提高检测精度,提出一种用于红外和可见光融合图像的交通场景检测网络,简称AM-YOLOv5。AM-YOLOv5中改进的Repvgg结构可以提升对融合图像特征的学习能力。此外,在主干网络末端引入自注意力机制并提出一种新的空间金字塔模块(SimSPPFCSPC)充分获取信息;为提升网络推理速度,在颈部网络的前端使用一种全新的卷积(GS卷积)。实验结果表明,AM-YOLOv5在FLIR数据集融合图像上的mAP_(0.5)达到了69.35%,与原YOLOv5s相比,在没有牺牲推理速度的前提下,检测精度提升了1.66%。

基于扩散模型下结合全卷积掩码自编码器的雾天目标检测方法

针对自动驾驶车辆在雾天场景下所采集可见光图像因清晰度低以及噪声干扰等因素导致行人、车辆等目标检测精度降低的问题,提出一种基于扩散模型下结合全卷积掩码自编码器的雾天目标检测方法(HD-DiffusionDet)。首先,在图像编码阶段引入ConvNeXtv2架构以及全卷积掩码自编码器训练策略,以提升网络对低清晰度的有雾图像高表征能力,获得有雾图像的编码特征;然后,利用基于扩散模型生成真实边界框的噪声框,通过生成的噪声框对图像编码器生成的特征图进行RoI特征的裁剪;随后,将裁剪后的RoI特征输入检测解码器,用于检测对象的分类和边界框回归。通过在自动驾驶真实雾天数据集RTTS上进行实验,所提方法的平均检测精度均高于其余方法,mAP值达到77.3%,降低了雾天场景下行人的漏检和误检情况,证明了所提方法的可行性与有效性。

贴近摄影测量技术在实景三维生产上的应用探索

随着实景三维中国、新型基础测绘和智慧城市的发展,基于倾斜摄影测量的三维建模技术已经不能满足日益增长的城市实景三维模型的展示、利用、语义分割和单体化需求。本文结合实际生产案例,从数据采集源头引入贴近摄影测量技术,通过在同一控制网下,对比分析倾斜摄影、贴近摄影和全站仪采集成果的精度,探索贴近摄影测量在实景三维生产上的应用,为实景三维中国建设提供参考。