近日，安徽新華學院王琦進教授團隊在稀疏目標檢測技術(shù)研究上取得新進展。研究論文“Apply prior feature integration to sparse object detectors”被SCI國際頂級期刊《Pattern Recognition》收錄。該校2022級聯(lián)培碩士研究生錢雨為第一作者，王琦進教授為通訊作者，該論文的發(fā)表是學校在科學研究與人工智能學科建設上的又一重要成果。

《Pattern Recognition》是模式識別與人工智能領(lǐng)域國際公認的頂級學術(shù)期刊，由Elsevier公司出版。該期刊2024年的影響因子為7.5，穩(wěn)居中科院計算機科學一區(qū)TOP期刊，同時被國家一級學會—中國計算機學會(CCF)列為人工智能領(lǐng)域B類推薦期刊、中國自動化學會(CAA)A類推薦期刊，彰顯了其卓越的學術(shù)影響力與地位。

論文聚焦于稀疏目標檢測中的高斯噪聲框去噪難題，針對噪聲框在特征金字塔中的低效匹配以及全局特征捕捉的挑戰(zhàn)，團隊創(chuàng)造性地提出了Prior Sparse R-CNN目標檢測框架。該框架巧妙設計了一種聚合編碼器，通過擴展殘差塊和特征聚合策略，有效解決了目標尺度變化帶來的檢測難題，并在單特征圖下實現(xiàn)了檢測效率的顯著提升。

尤為值得一提的是，Prior Sparse R-CNN引入了區(qū)域生成網(wǎng)絡(Region Generation Network, RGN)，通過額外的訓練過程生成特征圖的先驗預測，這些先驗信息與噪聲框進行精準匹配，顯著提升了訓練的精確度。與現(xiàn)有方法相比，Prior Sparse R-CNN的平均精度(AP)提高了1.5個百分點，同時訓練周期縮短至原來的3/5，展現(xiàn)了良好的性能提升與效率優(yōu)化。

該成果不僅為稀疏目標檢測技術(shù)的發(fā)展開辟了新的路徑，也進一步彰顯了安徽新華學院在人工智能領(lǐng)域的研究底蘊與貢獻。未來，學校將繼續(xù)在人工智能及相關(guān)科研領(lǐng)域深耕細作，不斷攀登科技高峰，為高質(zhì)量應用型人才培養(yǎng)貢獻力量。（邱國新  特約通訊員：翟漱文）

原標題：安徽新華學院團隊在模式識別與人工智能領(lǐng)域國際頂級期刊《Pattern Recognition》發(fā)表論文