首页期刊导航|现代计算机
期刊信息/Journal information
现代计算机
现代计算机

林楚昭

半月刊

1007-1423

lnzss@mail.sysu.edu.cn

020-84110804

510275

广州市海珠区新港西路135号中山大学园东区106栋西座1楼

现代计算机/Journal Modern Computer
查看更多>>《现代计算机》于1985年创刊，由中山大学主管主办，是一本面向计算机全行业的综合性学术刊物，一直以来致力于营造一个融洽的学术交流平台，帮助读者对象在学业、事业上更上一层楼。现为中国学术期刊综合评价数据库统计源期刊，中国期刊全文数据库全文收录期刊，中国核心期刊（遴选）数据库收录期刊，中国学术期刊（光盘版）收录期刊，全文入编中国学术期刊（光盘版）、中国期刊网、中华期刊网和中文科技期刊数据库、万方－数字化期刊数据库。
正式出版
收录年代

    基于CBW-YOLOv5s轻量化模型的学生课堂行为快速检测

    张杰魏艳龙薛红新
    1-7页
    查看更多>>摘要：针对目前学生课堂行为检测算法准确性和模型复杂度的挑战,提出一种基于CBW-YOLOv5s(CA-BiFPN-WIoU)的轻量化学生课堂行为识别算法.从整体上采用了GhostNet轻量化结构,旨在保证检测性能的同时,精简网络结构,从而大幅降低模型复杂度;BiFPN取代原模型的PANet,以增强模型对课堂行为特征的提取和融合能力;在一些C3模块中引入CA注意力机制,使网络能够更好地关注特征层的空间和通道信息;采用Wise-IoU损失函数以提升模型性能.实验结果表明,这些方法有效简化了模型复杂度,并保持了较高的检测精度.

    学生课堂行为YOLOv5s深度学习目标检测轻量化

      原文链接:
    • 万方数据

    基于YOLOv8的宁夏地区玉米害虫检测系统研究

    邹鑫
    8-13页
    查看更多>>摘要：基于流行的深度学习算法——YOLOv8框架,训练出一个智能识别玉米害虫的目标检测模型.采用PyQt5开发设计出一款可视化UI界面,实现图片检测、视频检测以及摄像头实时跟踪识别,系统可准确检测宁夏地区常见的13种玉米害虫类别,测试结果可以保存起来方便后续数据分析.基于YOLOv8的玉米害虫检测系统简单易用、界面友好、实时性好、准确率高,为宁夏玉米种植害虫识别提供了解决方案,满足农民现实需求,具备可推广价值.

    玉米害虫YOLOv8目标检测UI图片视频摄像头

      原文链接:
    • 万方数据

    一种基于BiLSTM-ConvGRU模型的地震预测方法

    王思远陈雨
    14-19页
    查看更多>>摘要：地震预测在地球科学中是一项极具挑战性的任务,但由于地震数据呈现出非线性及复杂的时空特征,传统的预测方法难以有效处理.提出了一种结合双向长短期记忆网络(BiLSTM)与卷积门控循环单元(ConvGRU)的方法,应用于加州中部和北部的地震数据分析.该方法通过捕捉数据中的时空相关性,提升了模型的建模能力.实验结果显示,BiLSTM-ConvGRU模型在MSE和PSNR等评价指标上均显示出显著的优势,具有广阔的应用前景.

    地震预测BiLSTMConvGRU加州中部和北部

      原文链接:
    • 万方数据

    基于可变形卷积和注意力机制的视频目标检测算法

    魏一帆郭本华粟长权钱淑渠...
    20-25页
    查看更多>>摘要：视频帧中目标模糊、遮挡和形变是影响视频目标检测精度的重要原因,针对此类问题,提出一种DG-YOLOv8n算法.首先,基于可变形卷积对骨干网络中的C2f模块进行了重新设计,以增强骨干网络对于目标变化的处理能力;其次,在颈部网络引入GAM全局注意机制,放大全局交互表示来提高算法的性能;最后,在ImageNet VID数据集上的实验结果表明,改进的DG-YOLOv8n算法的平均精度为84.5%,较原YOLOv8n算法提高了6.1个百分点,验证了改进算法的有效性.

    目标检测视频目标检测可变形卷积GAM全局注意机制YOLOv8

      原文链接:
    • 万方数据

    融合多层次特征的钢材表面缺陷检测方法

    宋涛胡颖涛
    26-31页
    查看更多>>摘要：完整的缺陷检测任务旨在实现图像中每个缺陷的分类和定位,相关方法往往难以兼顾两者的准确性,在实践中的应用仍具有挑战性,缺陷检测的实现依赖特殊的检测数据集,该数据集包含昂贵的手动标注.对一种基于深度学习的新型缺陷检测系统进行研究,专注于一个实际的工业应用:钢板缺陷检测.为了实现较强的分类能力,该系统采用基线卷积神经网络(CNN)在每个阶段生成特征图,然后所提出的多级特征融合网络将多个层次特征组合为一个特征.基于多级特征,采用区域建议网络生成感兴趣区域(ROI),由分类器和边界框回归器组成的检测器产生最终检测结果.建立一个缺陷检测数据集HGSZ-DET,用于训练和评估.使用120个样本,在基线网络ResNet18上mAP值达到了75.1%,在基线网络ResNet50上mAP达到84.6%.此外,通过仅使用50个样本,该方法可以在单个GPU上以31英尺/秒的速度进行检测,并达到上述性能的95%,具有实时检测的潜力.

    卷积神经网络钢材缺陷检测

      原文链接:
    • 万方数据

    基于ISSA-ELM的温室温度预测研究

    王坤肖劲松叶韩农高海...
    32-37页
    查看更多>>摘要：针对温室温度预测精度不足的问题,提出一种改进麻雀搜索算法(ISSA)优化极限学习机(ELM)的组合预测模型.考虑SSA算法存在局部最优问题,引入PWLCM混沌初始化麻雀种群,以提高种群的多样性;同时利用自适应t分布变异增强算法的探索和开发能力.将极限学习机网络作为麻雀搜索算法的一个寻优函数,通过其迭代优化极限学习机的输入层与隐含层连接权值和隐含层阈值,将得到的最优值重构ELM模型,进而建立ISSA-ELM模型,用于温室温度的预测.仿真结果表明,构建的ISSA-ELM模型相较于ELM、PSO-ELM和GWO-ELM等模型对温室温度的预测具有更高的精度和更好的效果.

    温室温度PWLCM混沌麻雀搜索算法极限学习机

      原文链接:
    • 万方数据

    融合图像处理技术的红树林鸟类鸣声识别算法

    陈炀周雁王庆娟张馨元...
    38-42,48页
    查看更多>>摘要：鸟类的物种监测一直是生物多样性研究的重要内容.然而,目前的鸟类鸣声识别算法大多未考虑环境干扰和算法速度.提出一种基于深度学习、融合图像处理技术对鸟类鸣声音频进行识别的算法.算法对鸟鸣声进行降噪后采用音频与图像处理技术相结合的方法提取鸟类鸣声特征;利用卷积神经网络ResNet进行建模,并将最优模型转换为TensorRT模型,提升推理速度.经实验测试,该算法对鸟类鸣声的分类识别具有良好效果,识别速度也有明显的提高.

    鸟类鸣声识别Mel谱图卷积神经网络TensorRT

      原文链接:
    • 万方数据

    基于改进YOLOv7的遥感图像飞机目标检测

    林瑞鸿刘超谭浩
    43-48页
    查看更多>>摘要：针对遥感图像背景复杂所带来的检测精度低、小目标特征丢失的问题,提出一种改进YOLOv7的遥感图像飞机目标检测算法.该算法采用迁移学习的策略,微调预训练模型,提升了模型的泛化能力;通过在模型的检测头引入融合注意力机制模块(CBAM),获取上下文语义信息,以增强对遮挡物和小目标的特征提取能力.采用RSOD数据集来验证改进算法的效果,结果表明:改进后YOLOv7算法mAP达到了97.13%,相比原始YOLOv7提高了3.08个百分点,有效提高了遥感图像飞机的检测精度.

    遥感图像目标检测YOLOv7迁移学习CBAM

      原文链接:
    • 万方数据

    基于YOLO、SSD与Faster R-CNN的视频监控目标检测算法优化研究

    凌英杰
    49-53,58页
    查看更多>>摘要：随着视频监控系统的复杂性增加,海量、实时且准确的视频监控目标检测变得至关重要.现有的视频目标检测算法如YOLO、SSD和Faster R-CNN各有优劣,且对于海量视频进行目标检测,单一算法均难以满足不同的视频检测需求.鉴于此针对视频目标检测,提出了一种混合的目标检测算法,该算法结合了YOLO的快速检测能力、SSD的多尺度处理优势以及Faster R-CNN的高精度特点,旨在优化视频监控的性能.通过在合成数据集和真实世界数据集上的实验验证,该混合算法在速度和准确性上均展现出显著改进,特别是在处理小目标和高密度交通场景时的表现良好.

    目标检测YOLOSSDFasterR-CNN视频监控算法优化

      原文链接:
    • 万方数据

    基于压缩感知的深度学习的图像重构算法研究

    徐传想
    54-58页
    查看更多>>摘要：压缩感知图像重构是近年来图像处理领域的研究热点之一.传统的压缩感知方法在图像重构过程中存在着计算量大、恢复质量低等问题,难以满足实际应用需求.提出了一种基于深度学习的压缩感知图像重构算法,旨在提高图像恢复的质量和效率.为压缩感知图像重构技术的发展提供了新的思路和方法,具有重要的理论和实践意义.未来,将进一步优化模型结构和训练算法,探索更加高效和精确的图像重构技术,以满足实际应用中对图像质量和效率的需求.

    压缩感知深度学习重构算法

      原文链接:
    • 万方数据