- 我的订阅
- 科技
我们正处于一个信息大暴发的时代，每天都能产生数以百万计的新闻资讯！
虽然有大数据推荐，但面对海量数据，通过我们的调研发现，在一个小时的时间里，您通常无法真正有效地获取您感兴趣的资讯！
头条新闻资讯订阅，旨在帮助您收集感兴趣的资讯内容，并且在第一时间通知到您。可以有效节约您获取资讯的时间，避免错过一些关键信息。
安徽新华学院团队在模式识别与人工智能领域国际顶级期刊《Pattern Recognition》发表论文
本文转自：人民网-安徽频道
近日，安徽新华学院王琦进教授团队在稀疏目标检测技术研究上取得新进展。研究论文“Apply prior feature integration to sparse object detectors”被SCI国际顶级期刊《Pattern Recognition》收录。该校2022级联培硕士研究生钱雨为第一作者，王琦进教授为通讯作者，该论文的发表是学校在科学研究与人工智能学科建设上的又一重要成果。
《Pattern Recognition》是模式识别与人工智能领域国际公认的顶级学术期刊，由Elsevier公司出版。该期刊2024年的影响因子为7.5，稳居中科院计算机科学一区TOP期刊，同时被国家一级学会—中国计算机学会（CCF）列为人工智能领域B类推荐期刊、中国自动化学会（CAA)A类推荐期刊，彰显了其卓越的学术影响力与地位。
论文聚焦于稀疏目标检测中的高斯噪声框去噪难题，针对噪声框在特征金字塔中的低效匹配以及全局特征捕捉的挑战，团队创造性地提出了Prior Sparse R-CNN目标检测框架。该框架巧妙设计了一种聚合编码器，通过扩展残差块和特征聚合策略，有效解决了目标尺度变化带来的检测难题，并在单特征图下实现了检测效率的显著提升。尤为值得一提的是，Prior Sparse R-CNN引入了区域生成网络（Region Generation Network, RGN)，通过额外的训练过程生成特征图的先验预测，这些先验信息与噪声框进行精准匹配，显著提升了训练的精确度。与现有方法相比，Prior Sparse R-CNN的平均精度（AP）提高了1.5个百分点，同时训练周期缩短至原来的3/5，展现了良好的性能提升与效率优化。
该成果不仅为稀疏目标检测技术的发展开辟了新的路径，也进一步彰显了安徽新华学院在人工智能领域的研究底蕴与贡献。未来，学校将继续在人工智能及相关科研领域深耕细作，不断攀登科技高峰，为高质量应用型人才培养贡献力量。（邱国新 翟漱文）
以上内容为资讯信息快照，由td.fyun.cc爬虫进行采集并收录，本站未对信息做任何修改，信息内容不代表本站立场。
快照生成时间：2024-11-06 17:45:11
本站信息快照查询为非营利公共服务，如有侵权请联系我们进行删除。
信息原文地址：
