本具备更高的精确率与召回率，这得益于其对于数据集中阴影场景做了额外的阴影检测处理，用的系统来完成大部分功能，仅仅使用训练好的模型无法对事实与预测结果进行很好的展示，在不过拟合的情况下最小化，为模型训练的目标之一，针对本文涉及的两类实验，有不同的。素语义信息的分类越正确，最终评估标准能较好的反应检测错误的机率，评估模型是否具备。块的街景检测模块组成的完整阴影环境状态下的街景目标检测模型进行对比，以体

首先我们来了解一下『特征工程』。事实上大家在ShowMeAI的实战系列文章 Python机器学习综合项目-电商销量预估[2] 和 Python机器学习综合项目-电商销量预估(进阶)[3] 中已经看到了我们做了特征工程的处理。如果我们对特征工程（feature engineering）做一个定义，那它指的是：利用领域知识和现有数据，创造出新的特征，用于机器学习算法；可以手动或自动。在业界有一个很流行

在医学图像分割和小目标检测两大场景中，YOLO26原生模型的短板十分突出，这也是我们提出LGLBlock改进的核心原因。"""大核局部-全局-局部模块（LGLBlock），ACM 2025创新模块，即插即用，适配医学分割与小目标检测"""# 1. 输入通道对齐self.cv1 = Conv(c1, c2, 1) # 通道对齐，降低计算复杂度# 2. 局部特征提取分支（Local Branch）：双

伴随互联网技术蓬勃发展，人工智能愈发强大，对计算机视觉领域的研究也开创了新 的时代，计算机可以解决越来越多的问题，例如对现实中的图像进行目标分类、目标检测 和跟踪等[1]。目标检测是我国计算机视觉中图像处理应用研究的热点方向之一，其根本任 务是通过提取输入图像的目标特征，分析得到目标所属类别和目标所在的位置，并用框标 出位置，同时显示所属类别及得分[2-3]。因此对图像进行目标检测方法的研究，对于

在医学图像分割和小目标检测两大场景中，YOLO26原生模型的短板十分突出，这也是我们提出LGLBlock改进的核心原因。"""大核局部-全局-局部模块（LGLBlock），ACM 2025创新模块，即插即用，适配医学分割与小目标检测"""# 1. 输入通道对齐self.cv1 = Conv(c1, c2, 1) # 通道对齐，降低计算复杂度# 2. 局部特征提取分支（Local Branch）：双

如何从图像中解析出可供计算机理解的信息，是机器视觉的中心问题。深度学习模型由于其强大的表示能力，加之数据量的积累和计算力的进步，成为机器视觉的热点研究方向。那么，如何理解一张图片？根据后续任务的需要，有三个主要的层次。图像理解的三个层次，即是将图像结构化为某一类别的信息，用事先确定好的类别(string)或实例ID来描述图片。这一任务是最简单、最基础的图像理解任务，也是深度学习模型最先取得突破和实

在计算机视觉三大核心任务（小目标检测、图像分割、图像分类）中，特征提取的精准度直接决定模型性能上限。YOLO26作为单阶段模型的最新迭代版本，凭借端到端推理、高效特征融合的优势，在多任务场景中展现出良好的适配性，但原生模型采用的传统注意力机制（如SE、CBAM）存在明显短板——空间注意力与通道注意力相互独立，无法实现协同联动，导致模型对细粒度特征、微弱特征的捕捉能力不足，在小目标检测（特征微弱）、

在医学图像分割和小目标检测两大场景中，YOLO26原生模型的短板十分突出，这也是我们提出LGLBlock改进的核心原因。"""大核局部-全局-局部模块（LGLBlock），ACM 2025创新模块，即插即用，适配医学分割与小目标检测"""# 1. 输入通道对齐self.cv1 = Conv(c1, c2, 1) # 通道对齐，降低计算复杂度# 2. 局部特征提取分支（Local Branch）：双

模型测试阶段，YOLO-v4-Tiny、YOLO-v4-MobileNet-v3和YOLO-v4L-SA 在VOC2012数据集的检测的准确率、召回率和精度mAP值结果如下表4-3所示。骨干网络部分由1个卷积层和8个SA-bneck结构和7个bneck，本章设计的 SA-bneck结构为对MobileNet-v3中bneck结构的改进，保留MobileNet-v3中使 用1个3×3卷积和1个1×1

Open3D是一个开源库，支持快速开发处理3D数据的软件。Open3D后端是用C++实现的，经过高度优化并通过Python的前端接口公开。Open3D提供了三种数据结构：点云（point cloud）、网格（mesh）和RGB-D图像。对于每个表示，open3D都实现了一整套基本处理算法，如I/O、采样、可视化和数据转换。此外，还包括一些常用的算法，如法线估计、ICP配准等。模块功能Geometr