XiaoMi-AI文件搜索系统
World File Search System中读
从全局表示对象跟踪中读取相关功能
来自模板或历史框架的参考特征对于视觉对象跟踪至关重要。先验工作利用固定模板或内存的所有功能进行视觉对象跟踪。然而，由于视频的动态性质，在不同时间步骤下，不同搜索区域所需的参考历史信息也不一致。因此，使用模板中的所有功能和内存都会导致冗余并损害跟踪性能。为了减轻此问题，我们提出了一种新颖的跟踪范式，包括相关的注意机制和全球表示记忆，可以自适应地帮助搜索区域从参考特征中选择最相关的历史信息。具体来说，这项工作中提出的相关性注意机制与以前的方法不同，因为它可以通过在全球访问跨框架信息来动态选择和构建当前帧的最佳全局表示内存。此外，它可以灵活地读取构造记忆中的相关历史信息，以减少冗余并抵消有害信息的负面影响。广泛的实验验证了所提出的方法的有效性，并在71 fps的五个挑战数据集上实现了竞争性能。
一种识别图像中读数的新方法... - IIETA
对于电力线路巡检，传统的人工巡检方式存在着抄表工作量大、准确率低、存在安全隐患等一系列问题。基于数字图像技术的电表读数图像智能识别方法具有很大的实用价值。但现有的基于深度学习的电表读数识别方法普遍忽略了电表仪表盘指针、刻度等关键点的提取，现有算法鲁棒性和抗干扰能力较差，因此本文旨在研究一种基于深度学习的电力线路巡检电表图像读数识别新方法。首先对电表仪表盘倾斜进行校正，精确定位仪表盘中心；然后基于YOLOv5网络模型构建电表读数识别模型，给出YOLOv5网络模型结构，介绍其工作原理；最后通过实验结果验证了所提出的电表读数图像处理方法及构建的识别模型的有效性。