为提高图像配准精度和稳定性,降低复杂度,提出一种基于最大后验概率耦合互信息的精确图像配准算法。引入图像最大后验概率(posterior A maximum,MAP),利用MAP抑制待匹配区域特征中的背景干扰因素,根据图像退化过程的差异,引入权重因子,通过特征之间对应关系的最小二乘估计,准确提取图像特征;定义最大互信息(mutual information,MI)准则,建立图像特征之间的对应关系,利用高分辨率图像估计对配准参数进行微调。实验结果表明,与当前常用配准算法相比,所提算法能够较准确地从背景中提取目标特征,完成配准,其具有更高的配准精度与更低的复杂度。
针对学生行为检测算法准确率不高、易出现漏检误检问题,文章提出了一种改进的RI-YOLO学生行为检测算法。该算法通过引入感受野注意力卷积(Receptive-Field Attention Convolution,RFAConv)对C3模块进行优化,提出新型的RFAC3模块,可以更精确地捕捉细微的局部特征,提升网络特征提取能力。此外,采用基于辅助边框的交并比(Intersection over Union,IoU)损失函数Inner-IoU替代传统损失函数,加速模型的收敛速度。在学生课堂行为数据集SCB-Dataset3上验证表明,RI-YOLO平均精度mAP50较YOLOv5提升了1.5%,mAP50:95提升了1.2%,与其他主流检测模型对比,展示出了优异检测效果。
