虚拟专题文章

    第二十一届中国虚拟现实大会

    默认 最新文章 浏览次数
    Please wait a minute...
    选择: 显示/隐藏图片
    1. 虚拟现实大空间下多虚拟目标被动触觉交互方法
    王杰科, 李琳, 张海龙, 郑利平
    《计算机应用》唯一官方网站    2022, 42 (11): 3544-3550.   DOI: 10.11772/j.issn.1001-9081.2021122123
    摘要341)   HTML8)    PDF (2818KB)(93)    收藏

    针对虚拟现实(VR)大空间下为重定向行走的用户提供被动触觉时存在的虚实交互目标无法一一对应的问题,提出了一种用两个物理代理作为触觉代理为多个虚拟目标提供触觉反馈的方法,以在基于人工势场(APF)的重定向行走过程中,交替地满足用户被动触觉的需求。针对重定向行走算法本身以及标定不精确等原因造成的虚实不对齐的问题,对虚拟目标的位置及朝向进行设计并且在交互阶段引入触觉重定向。仿真实验表明对虚拟目标位置和朝向的设计可以大幅降低对齐误差;而用户实验结果证明触觉重定向的引入进一步提升了交互准确性,且能为用户带来更丰富、更具沉浸感的体验。

    图表 | 参考文献 | 相关文章 | 多维度评价
    2. 基于多粒度特征生成对抗网络的跨分辨率行人重识别
    耿艳兵, 廉永健
    《计算机应用》唯一官方网站    2022, 42 (11): 3573-3579.   DOI: 10.11772/j.issn.1001-9081.2021122124
    摘要347)   HTML6)    PDF (2598KB)(119)    收藏

    现有基于生成对抗网络(GAN)的超分辨率(SR)重建方法用于跨分辨率行人重识别(ReID)时,重建图像在纹理结构内容的恢复和特征一致性保持方面均存在不足。针对上述问题,提出基于多粒度信息生成网络的跨分辨率行人ReID方法。首先,在生成器的多层网络上均引入自注意力机制,聚焦多粒度稳定的结构关联区域,重点恢复低分辨率(LR)行人图像的纹理结构信息;同时,在生成器后增加一个识别器,在训练过程中最小化生成图像与真实图像在不同粒度特征上的损失,提升生成图像与真实图像在特征上的一致性。然后,联合自注意力生成器和识别器,与判别器交替优化,在内容和特征上改进生成图像。最后,联合改进的GAN和行人ReID网络交替训练优化网络的模型参数,直至模型收敛。在多个跨分辨率行人数据集上的实验结果表明,所提算法的累计匹配曲线(CMC)在其首选识别率(rank?1)上的准确率较现有同类算法平均提升10个百分点,在提升SR图像内容一致性和特征表达一致性方面均表现更优。

    图表 | 参考文献 | 相关文章 | 多维度评价
    3. 用于虚拟现实系统的眼动交互技术综述
    侯守明, 贾超兰, 张明敏
    《计算机应用》唯一官方网站    2022, 42 (11): 3534-3543.   DOI: 10.11772/j.issn.1001-9081.2021122134
    摘要699)   HTML34)    PDF (1617KB)(473)    收藏

    眼动人机交互利用眼动特点可以增强用户的沉浸感和提高舒适度,在虚拟现实(VR)系统中融入眼动交互技术对VR系统的普及起到至关重要的作用,已成为近年来的研究热点。对VR眼动交互技术的原理和类别进行阐述,分析了将VR系统与眼动交互技术结合的优势,归纳了目前市面上主流VR头显设备及典型的应用场景。在对有关VR眼动追踪相关实验分析的基础上,总结了VR眼动的研究热点问题,包括微型化设备、屈光度矫正、优质内容的匮乏、晕屏与眼球图像失真、定位精度、近眼显示系统,并针对相关的热点问题展望相应的解决方案。

    图表 | 参考文献 | 相关文章 | 多维度评价
    4. 基于注意力模型和轻量化YOLOv4的林业害虫检测方法
    孙海燕, 陈云博, 封丁惟, 王通, 蔡兴泉
    《计算机应用》唯一官方网站    2022, 42 (11): 3580-3587.   DOI: 10.11772/j.issn.1001-9081.2021122164
    摘要450)   HTML9)    PDF (4972KB)(155)    收藏

    针对当前林业害虫检测方法检测速度慢、准确率较低和存在漏检误检等问题,提出一种基于注意力模型和轻量化YOLOv4的林业害虫检测方法。首先构建数据集,使用几何变换、随机色彩抖动和Mosaic数据增强技术对数据集进行预处理;其次将YOLOv4的主干网络替换为轻量化网络MobileNetV3,并在改进后的路径聚合网络(PANet)中添加卷积块注意力模块(CBAM),搭建改进的轻量化YOLOv4网络模型;然后引入Focal Loss优化YOLOv4网络模型的损失函数;最后将预处理后的数据集输入到改进后的网络模型中,输出包含害虫种类和位置信息的检测结果。实验结果表明,该网络的各项改进点对模型的性能提升都有效;相较于原YOLOv4模型,新模型的检测速度更快,平均精度均值(mAP)更高,并且能有效解决漏检和误检问题。新模型优于目前的主流网络模型,能满足林业害虫实时检测的精度和速度要求。

    图表 | 参考文献 | 相关文章 | 多维度评价
    5. 3D场景渲染的视觉显著性驱动间接光照复用算法
    齐淑杰, 陈纯毅, 胡小娟, 于海洋
    《计算机应用》唯一官方网站    2022, 42 (11): 3551-3557.   DOI: 10.11772/j.issn.1001-9081.2021122181
    摘要303)   HTML2)    PDF (2946KB)(106)    收藏

    为提高路径追踪渲染3D场景的速度,提出3D场景渲染的视觉显著性驱动间接光照复用算法。首先,根据视觉感知中感兴趣区域显著性高、其他区域显著性低的特点得到场景画面的2D显著性图,该显著性图由图像的颜色信息、边缘信息、深度信息以及运动信息构成。然后,重新渲染高显著性区域的间接光照,而低显著性区域则在满足一定条件的情况下复用上一帧的间接光照,达到加速渲染的目的。实验结果表明:该算法生成画面的全局光照效果真实,在多个实验场景下的渲染速度均有提升,速度最高能达到高质量渲染的5.89倍。

    图表 | 参考文献 | 相关文章 | 多维度评价
    6. 基于时间注意力机制和EfficientNet的视频暴力行为检测
    蔡兴泉, 封丁惟, 王通, 孙辰, 孙海燕
    《计算机应用》唯一官方网站    2022, 42 (11): 3564-3572.   DOI: 10.11772/j.issn.1001-9081.2021122153
    摘要490)   HTML11)    PDF (2885KB)(137)    收藏

    针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题,提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征,同时利用轻量化EfficientNet提取前景图中的帧级空间暴力特征,并利用卷积长短时记忆网络(ConvLSTM)进一步提取视频序列的全局时空特征;接着,结合时间注意力机制,计算得到视频级特征表示;最后将视频级特征表示映射到分类空间,并利用Softmax分类器进行视频暴力行为分类并输出检测结果,实现视频的暴力行为检测。实验结果表明,该方法能够减少模型参数量,降低计算复杂度,在有限的资源下提高暴力行为检测准确率,提升模型的综合性能。

    图表 | 参考文献 | 相关文章 | 多维度评价
    7. 融合优化特征提取结构的目标检测算法
    向南, 潘传忠, 虞高翔
    《计算机应用》唯一官方网站    2022, 42 (11): 3558-3563.   DOI: 10.11772/j.issn.1001-9081.2021122122
    摘要402)   HTML3)    PDF (1607KB)(162)    收藏

    针对DETR对小目标的检测精度低的问题,基于DETR提出一种优化特征提取结构的目标检测算法——CF?DETR。首先通过结合了优化跨阶段部分(CSP)网络的CSP?Darknet53对原始图进行特征提取并输出4种尺度的特征图;其次利用特征金字塔网络(FPN)对4种尺度特征图进行下采样和上采样后进行拼接融合,并输出52×52尺寸的特征图;最后将该特征图与位置编码信息结合输入Transformer后得到特征序列,输入到作为预测头的前向反馈网络后输出预测目标的类别与位置信息。在COCO2017数据集上,与DETR相比,CF?DETR的模型的超参数量减少了2×106,在小目标上的平均检测精度提高2.1个百分点,在中、大尺寸目标上的平均检测精度提高了2.3个百分点。实验结果表明,优化特征提取结构能够在降低模型超参数量的同时有效提高DETR的检测精度。

    图表 | 参考文献 | 相关文章 | 多维度评价
2025年 45卷 4期
刊出日期: 2025-04-10
文章目录
过刊浏览
荣誉主编:张景中
主  编:徐宗本
副主编
:申恒涛 夏朝晖

国内邮发代号:62-110
国外发行代号:M4616
地址:四川成都双流区四川天府新区
   兴隆街道科智路1369号
   中科信息(科学城园区) B213
   (计算机应用编辑部)
电话:028-85224283-803
   028-85222239-803
网址:www.joca.cn
E-mail: bjb@joca.cn
期刊微信公众号
CCF扫码入会