计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。替代原 CIoU 损失，动态调整难易样本权重，弱光、模糊目标的定位精度显著提升，模型训练收敛速度更快。：轻量易部署，边缘设备实时跑参数仅 2.3M，算力需求低，完美适配现场

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。现有 YOLO 系列模型虽轻量化、速度快，但多尺度特征融合易引入冗余背景，检测头参数冗余，在井下复杂场景仍有提升空间。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。煤矿井下环境复杂，光线差、粉尘大、目标小，传统检测模型

除了个人科研成绩突出，更有丰富的论文辅导经验，不仅自己能写出顶会一作，更指导出多名发独立一作论文的学生，满足各个方向的辅导需求。不止是交付论文初稿就结束服务，针对指定服务方案的学员，哪怕遇到拒稿、退稿情况，也会提供免费修改优化的维护服务，1v1量身制作您的科研课程，不同的分区价格不同，课程顾问会根据你的情况给你做详细的介绍，以及后期的学习规划。篇幅有限，仅展示部分课题，名额有限，先到先得，趁着开学

用大核卷积捕捉长距离特征关联，绕过被作物遮挡的杂草区域，联动无遮挡区域增强有效特征，通过通道注意力过滤噪声，让模型 “看穿” 遮挡。将多尺度池化与边缘感知结合，大感受野获取遮挡目标周边背景信息，精准推断被遮挡杂草特征，强化叶片边缘细节，清晰区分杂草与作物边界。算法，专为复杂田间环境的遮挡 / 重叠杂草检测设计，轻量化同时实现精度大幅跃升，为智能除草、农田精细化管理提供硬核技术支撑！未来研究团队将持

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。数据集，覆盖 13 类垃圾：瓶子、树枝、易拉罐、杯子、泡沫、塑料袋、成堆垃圾、塑料盒、纸板、遮阳棚、桌子、椅子、大伞，精准匹配城市河道真实场景。整套监测单元包含：AI 云台相机、NVIDIA Jetson 边缘计算设备、雷达水位计、气象站，支持昼夜全天候作业，数据不上云也能实时推理。

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。未规范佩戴安全帽、违规吸烟、脚手架变形、安全网破损、线缆损坏等隐蔽隐患，依靠人工巡检难以实时发现，成为施工安全的重大隐患。在无人机视角、高分辨率、遮挡作业等复杂场景下，改进模型的漏检率、误检率远低于原始 YOLOv5n，小目标与密集目标检测稳定性大幅提升。模型，在参数量、算力消耗、检

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院主要着重”技术研究“和“实践落地”。未来，团队将进一步优化轻量化主干网络、融合光谱 - 空间注意力，打造更低时延、更高精度的电网巡检专用检测器，为电力基础设施安全保驾护航！模型可精准识别复杂背景下的风筝、气球、鸟巢、垃圾等异物，即便异物与导线重叠、对比度极低，也能精准框定，无漏

模型，基于 YOLOv8s 深度优化，专为复杂监控环境的多尺度垃圾检测而生，兼顾轻量部署与精准检测，破解城市垃圾智能监控核心难题。新增 160×160 的 P2 检测头，保留细粒度特征与位置信息，专门捕捉 8×8 像素以下的微小垃圾，从根源解决小目标漏检问题。的监控场景垃圾检测，可直接接入城市监控系统，大幅降低人工巡检成本，助力自动化垃圾管理、数字城市与智慧环卫建设。SSMA-YOLO：一种轻量级

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。实现 34FPS 实时推理，完美适配无人机、智能监控、嵌入式边缘设备，为无人机巡检、交通感知、安防监控提供高精度、高效率的小目标检测方案。SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。ViT-YOLO：基于Transf

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。结语：YOLO 驱动的农业视觉检测，正从实验室走向田间地头，用 AI 守护粮食安全。随着技术持续迭代，轻量、精准、易用的病害检测方案，将成为智慧农业的标配！SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测。凭借 “速度 +