近日，安徽新華學(xué)院王琦進(jìn)教授團(tuán)隊(duì)在稀疏目標(biāo)檢測(cè)技術(shù)研究上取得新進(jìn)展。研究論文“Apply prior feature integration to sparse object detectors”被SCI國(guó)際頂級(jí)期刊《Pattern Recognition》收錄。該校2022級(jí)聯(lián)培碩士研究生錢雨為第一作者，王琦進(jìn)教授為通訊作者，該論文的發(fā)表是學(xué)校在科學(xué)研究與人工智能學(xué)科建設(shè)上的又一重要成果。
《Pattern Recognition》是模式識(shí)別與人工智能領(lǐng)域國(guó)際公認(rèn)的頂級(jí)學(xué)術(shù)期刊，由Elsevier公司出版。該期刊2024年的影響因子為7.5，穩(wěn)居中科院計(jì)算機(jī)科學(xué)一區(qū)TOP期刊，同時(shí)被國(guó)家一級(jí)學(xué)會(huì)—中國(guó)計(jì)算機(jī)學(xué)會(huì)(CCF)列為人工智能領(lǐng)域B類推薦期刊、中國(guó)自動(dòng)化學(xué)會(huì)(CAA)A類推薦期刊，彰顯了其卓越的學(xué)術(shù)影響力與地位。
論文聚焦于稀疏目標(biāo)檢測(cè)中的高斯噪聲框去噪難題，針對(duì)噪聲框在特征金字塔中的低效匹配以及全局特征捕捉的挑戰(zhàn)，團(tuán)隊(duì)創(chuàng)造性地提出了Prior Sparse R-CNN目標(biāo)檢測(cè)框架。該框架巧妙設(shè)計(jì)了一種聚合編碼器，通過擴(kuò)展殘差塊和特征聚合策略，有效解決了目標(biāo)尺度變化帶來的檢測(cè)難題，并在單特征圖下實(shí)現(xiàn)了檢測(cè)效率的顯著提升。
尤為值得一提的是，Prior Sparse R-CNN引入了區(qū)域生成網(wǎng)絡(luò)(Region Generation Network, RGN)，通過額外的訓(xùn)練過程生成特征圖的先驗(yàn)預(yù)測(cè)，這些先驗(yàn)信息與噪聲框進(jìn)行精準(zhǔn)匹配，顯著提升了訓(xùn)練的精確度。與現(xiàn)有方法相比，Prior Sparse R-CNN的平均精度(AP)提高了1.5個(gè)百分點(diǎn)，同時(shí)訓(xùn)練周期縮短至原來的3/5，展現(xiàn)了良好的性能提升與效率優(yōu)化。
該成果不僅為稀疏目標(biāo)檢測(cè)技術(shù)的發(fā)展開辟了新的路徑，也進(jìn)一步彰顯了安徽新華學(xué)院在人工智能領(lǐng)域的研究底蘊(yùn)與貢獻(xiàn)。未來，學(xué)校將繼續(xù)在人工智能及相關(guān)科研領(lǐng)域深耕細(xì)作，不斷攀登科技高峰，為高質(zhì)量應(yīng)用型人才培養(yǎng)貢獻(xiàn)力量。（邱國(guó)新 特約通訊員：翟漱文）
