中国教育在线
安徽新华学院团队在模式识别与人工智能领域国际顶级期刊《Pattern Recognition》发表论文
近日，安徽新华学院王琦进教授团队在稀疏目标检测技术研究上取得新进展。研究论文“Apply prior feature integration to sparse object detectors”被SCI国际顶级期刊《Pattern Recognition》收录。该校2022级联培硕士研究生钱雨为第一作者，王琦进教授为通讯作者，该论文的发表是学校在科学研究与人工智能学科建设上的又一重要成果。
《Pattern Recognition》是模式识别与人工智能领域国际公认的顶级学术期刊，由Elsevier公司出版。该期刊2024年的影响因子为7.5，稳居中国科学院计算机科学一区TOP期刊，同时被国家一级学会—中国计算机学会(CCF)列为人工智能领域B类推荐期刊、中国自动化学会(CAA)A类推荐期刊，彰显了其卓越的学术影响力与地位。
论文聚焦于稀疏目标检测中的高斯噪声框去噪难题，针对噪声框在特征金字塔中的低效匹配以及全局特征捕捉的挑战，团队创造性地提出了Prior Sparse R-CNN目标检测框架。该框架巧妙设计了一种聚合编码器，通过扩展残差块和特征聚合策略，有效解决了目标尺度变化带来的检测难题，并在单特征图下实现了检测效率的显著提升。尤为值得一提的是，Prior Sparse R-CNN引入了区域生成网络(Region Generation Network, RGN)，通过额外的训练过程生成特征图的先验预测，这些先验信息与噪声框进行精准匹配，显著提升了训练的精确度。
与现有方法相比，Prior Sparse R-CNN的平均精度(AP)提高了1.5个百分点，同时训练周期缩短至原来的3/5，展现了良好的性能提升与效率优化。
该成果不仅为稀疏目标检测技术的发展开辟了新的路径，也进一步彰显了安徽新华学院在人工智能领域的研究底蕴与贡献。未来，学校将继续在人工智能及相关科研领域深耕细作，不断攀登科技高峰，为高质量应用型人才培养贡献力量。（邱国新 翟漱文）
免责声明：
① 凡本站注明“稿件来源：中国教育在线”的所有文字、图片和音视频稿件，版权均属本网所有，任何媒体、网站或个人未经本网协议授权不得转载、链接、转贴或以其他方式复制发表。已经本站协议授权的媒体、网站，在下载使用时必须注明“稿件来源：中国教育在线”，违者本站将依法追究责任。
② 本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者在两周内速来电或来函联系。