本技术提供一种三维模型点云数据的全局配准方法及系统，该方法包括提取当前单帧输入点云中高度大于对应底座高度的点云数据作为感兴趣点云数据；基于预设评估模型将感兴趣点云数据分割为多个分块点云，并将多个分块点云与预设评估模型进行配准，以构建新评估模型；基于新评估模型确定下一单帧输入点云对应的多个分块点云；对各单帧输入点云的多个分块点云的变换矩阵进行迭代，基于迭代后形成的变换矩阵转换点云位姿，以输出转换后的点云集合。本发明解决通过刚体变换方式对三维点云数据进行配准会引入移动误差而导致配准精度下降或通过非刚体变换方式对三维点云数据进行配准会引起整体点云失真导致数据发生形变从而造成扫描精度低的问题。

本文实施例提供了一种模型优化方法、装置、计算机设备和存储介质，其中方法包括:获取样本图像，所述样本图像包括样本对象；调用对象检测模型对所述样本图像进行对象检测，得到所述样本对象的目标关键点的位置检测信息，及所述目标关键点的参考对象的位置检测信息；获取所述对象检测模型的位置损失函数，所述位置损失函数是根据所述目标关键点和所述参考对象之间需满足的目标位置关系构建的；采用所述位置损失函数，根据所述目标关键点的位置检测信息与所述参考对象的位置检测信息，计算目标损失值；根据所述目标损失值优化所述对象检测模型的模型参数，得到优化后的对象检测模型，有效提升对象检测模型的检测精准度和鲁棒性。

本文公开了一种摄像头遮挡检测方法、装置、电子设备和存储介质，所述方法包括:根据预设颜色的特征信息对应的门限值将图片分为目标区域和非目标区域，目标区域与预设颜色相关联，图片是通过摄像头获取的。确定目标区域的面积与图片的面积的比值；若比值大于预设比值，确定摄像头在获取图片的时刻被遮挡，且遮挡摄像头的对象的颜色与预设颜色匹配。如此，可以节省人力资源。

 本技术涉及计算机视觉技术领域，尤其是涉及一种轻量化农作物图像超分与病害识别的方法及系统。包括提取数据库中的农作物疾病图像作为数据集；对数据集进行预处理，根据深度卷积神经网络训练病害识别模型；然后训练图像超分模型；对图像超分模型进行蒸馏，得到轻量化的学生模型；获取目标农作物图像并进行图像预处理；对目标农作物图像进行图像超分，基于病害识别模型完成目标农作物的病害识别。本发明通过结合构建生成对抗网络和模型蒸馏手段，利用生成器和判别器不断对抗学习，利用模型蒸馏通过将知识从大型、复杂的教师模型转移到小型、高效的学生模型中，从而在保持图像增强性能的同时显著减少模型的参数数量和计算需求。

 本技术公开了一种基于深度骨架特征学习的细粒度体育运动检测方法及装置，方法包括:读取骨架图，运用图卷积网络提取深度姿态特征；将深度姿态特征输入时间边界分类器，以预测每个时间戳的边界概率和动作概率，并根据边界概率和动作概率确定可能的开始和结束位置，生成候选提名集；对候选提名集，通过提取边界位置的时间关系来重新评估每个候选提名的可能性，得到预测置信值；通过非极大值抑制将冗余的候选提名去除，得到最终提名集；将最终提名集输入至提名分类模块以估计每个提名的子动作类别。本发明通过捕捉人体运动的动态变化，提取出重要的姿态变化模式，对体育动作的类别和边界进行有效表征，解决细粒度体育动作的检测问题。

 本文涉及计算机机器视觉技术领域，公开了一种植物生长状况监测方法、系统、设备及存储介质，该方法包括:获取目标植物图像，将预处理后的目标植物图像输入改进的YOLOv9模型（包括主干网络、特征融合网络和预测分类网络），得到目标植物检测图像；通过主干网络对预处理后的目标植物图像进行特征提取，得到植物多尺度特征；通过特征融合网络对植物多尺度特征进行特征转换、分支处理和特征融合，得到植物融合特征；通过预测分类网络对植物融合特征进行分类处理，得到目标植物检测图像；将目标植物检测图像输入图像语义分割模型（包括图像超分辨率网络和图像分割网络），得到植物二值图像。该方法有效提升了植物生长状况监测的准确性。

 本文属于智能交通系统技术领域，公开了一种基于路侧监控相机图像识别计算道路覆盖率的评估方法，包括以下步骤:步骤1：获取待评估路段的道路参数；步骤2：将所述道路参数输入到CARSIM仿真软件中，设置不同的监控相机参数和道路几何条件，通过CARSIM仿真软件模拟监控场景，得到覆盖区域图像；步骤3：对模拟得到的覆盖区域图像依次进行灰度化处理、颜色空间转换、图像二值化和去噪处理，提取道路区域；步骤4：利用仿射变换技术计算覆盖区域图像中道路区域的实际覆盖面积，最终得到道路覆盖率。

 一种基于图注意卷积网络和图池化的Web服务推荐方法，属于服务计算领域，首先基于双塔模型构建服务网络图，并从中分化出焦点服务；其次，在图卷积过程中提出双级感知自注意力机制，在聚类感知自注意力机制中控制源节点向目标节点聚合的信息量，在查询感知自注意力机制中控制目标节点接收源节点发送的信息量；然后采用异构节点粗化策略为核心的图池化方法进一步提取服务信息；最后，将焦点服务的动态表示、图级表示以及目标服务进行拼接并学习组合嵌入表示，在预测层中预测下一时刻目标服务与用户交互的概率。本技术有效提升服务网络图的构建质量，提升服务嵌入聚合质量并提升服务推荐准确性。

 本技术公开一种基于SAM 2的视频概念解释方法，该方法主要包括如下步骤:针对所要进行的目标任务，定义若干语义类别，并获取各语义类别相应的语义分割数据集及提示符，利用每个语义类别对应的提示符和语义分割数据集训练提示生成模型；利用训练后的提示生成模型为待解释视频中的每帧图像生成相应提示符，逐帧提取待解释视频的特征，将每帧图像的提示符和特征一并输入至SAM 2模型，得到时空概念集；将每个时空概念视为博弈中的参与者，利用视频分类模型对待解释视频进行分类，并基于待解释模型的预测类别，计算每个时空概念的夏普利值，从而生成对视频数据的最优时空概念解释，对3D神经网络模型的预测结果进行高质量的概念解释。

 一种基于染色体簇的染色体分割方法、系统、设备及介质，属于生物信息学中的生物医学及人工智能技术领域，分割方法包括:将染色体原图像进行标注处理，针对不同任务，依次构建染色体簇识别数据集，对染色体簇识别网络进行训练；构建染色体簇分类数据集，对染色体簇分类网络进行训练；构建染色体簇分割数据集，对染色体簇分割网络进行训练；输入染色体原图像，依次利用训练好的染色体簇识别网络、染色体簇分类网络和染色体簇分割网络进行推理，得到染色体分割结果；本技术能够自动、准确地从观测图像中识别并分割出染色体；使用基于染色体簇的架构，降低染色体漏检的概率，网络对图像分辨率的向下兼容度高。