关键词： 深度学习   图像篡改检测   计算机视觉   卷积神经网络   图像处理   图像取证   图像伪造   伪造检测  

摘要： 随着数字图像编辑工具的普及，图像篡改变得越来越容易，大量被篡改后的虚假图像通过网络和社交媒体进行传播，这对法律、新闻媒体和科学研究等领域的真实性和可信度构成了威胁。图像篡改检测的目的是检测和定位篡改图像中的篡改区域，以保护图像的可信度。本文对基于深度学习的篡改检测方法进行了回顾总结。首先，介绍了目前图像篡改检测领域的研究现状。其次，对近5年的深度学习方法进行了分类整理。然后，介绍了主要的数据集和评价指标，以及各种方法的性能对比。最后，探讨了目前篡改检测方法的局限性并对未来的发展方向进行了展望。

关键词： 目标检测与跟踪   高速路侧雷达   毫米波雷达   多模态融合   智能交通系统  

摘要： 相机是智能交通系统（Intelligent Transportation Systems ，ITS）中使用最广泛的传感器，但目标遮挡和外界环境干扰导致的检测和定位精度下降一直是制约ITS发展的重要因素。为解决此问题，设计了一种基于高速路侧毫米波雷达（Millimeter-Wave Radar，MWR）和相机的多模态融合目标检测与跟踪方法。与相机相比，高分辨率MWR具有更好的测量精度和天气鲁棒性，是对相机感知的更好补充。提出的方法使用基于中心点的雷达-相机融合算法进行目标检测，并使用贪婪算法进行目标关联。提出的算法在具有挑战性的nuScenes数据集和自建的高速路侧多模态数据集上进行了评估。在nuScenes数据集中实现了69.1% AMOTA，并优于基准中所有基于视觉的3D跟踪方法；在自建数据集验证了适用性以及准确性，每张图像的运行时间为35ms。实验结果表明提出的方法达到预期是应用效果，非常适合ITS应用。

关键词： 除草机器人   视觉导航   图像处理   位姿关系   滑窗算法   坐标转换  

摘要： 除草机器人在进行田间除草作业时,需要获得准确的导航信息以防止在除草过程中损伤水稻幼苗。传统的图像处理方法或卫星定位系统在水田环境下并不能直接得到车身与水稻行的相对位置。为此,提出了一种基于水稻行线与车轮航向位姿关系的视觉导航方法。通过优化滑窗算法提取图像中车轮和水稻行的特征点,将得到的车轮航向点和水稻行线点通过坐标转换公式,由像素坐标转化为世界坐标,得到车轮在水稻行之间行进的位置信息,进而得到导航信息。算法部署在Nvidia Jetson TX2平台上,处理每帧图像得到导航信息的时间可稳定在0.25 s内。导航信息提取实验结果表明,横向偏差提取平均误差为20.3 mm,航向角偏差提取平均误差为1.76°,可以满足除草机器人作业行进间导航的实时性与行线跟踪准确性的要求。

关键词： YOLOv8   小目标   多尺度特征融合   轻量化  

摘要： 在无人机航拍图像目标检测任务中，存在小目标多且分布密集，目标背景复杂，类别样本数量不平衡，无人机算力偏低等问题。为此提出一种改进YOLOv8的算法MFF-YOLOv8（Multi-Feature Fusion YOLOv8）。首先在C2f模块的Bottleneck模块中融合可变形卷积DCNv3（Deformable Convolution v3），增强模型主干部分的特征提取能力。然后设计了一种新的MFFPN(Multi-Feature Fusion Pyramid Network)特征融合网络结构，增加更多特征融合路线，保留更多的底层特征图细节和特征，提高模型对小目标的检测能力。其次增加P2小目标检测层并优化原有的P5检测层，增强了对小目标的检测精度并降低参数量。最后引入动态头Dyhead（Dynamic Head），进一步增强模型的检测精度在Visdrone2019公共数据集的实验中，MFF-YOLOv8s算法的检测精度mAP50和mAP50:95相比YOLOv8s分别提高10.2%和7.1%，参数量降低77.04%，检测精度超越YOLOv11，满足无人机平台对精度和轻量化的需求。

关键词： 霍夫变换   深度学习   语义圆目标检测  

摘要： 目标检测领域的模型设计愈发复杂且精密，对于利用目标的固有特性进行模型设计的研究工作寥寥无几，并且这类方法对于深度网络模型具有更强的可解释性。在细胞检测领域数据往往具有明显的形状特征，通过形状先验的引入，模型具有更好拟合数据的能力。因此将经典的圆形霍夫变换与深度学习相结合，提出了可以单阶段端到端训练的Anchor-free语义圆目标检测框架。通过圆形参数化及深度霍夫变换，将二维特征图中圆形先验信息对应的特征值沿着圆形参数化变换方式，聚合到三维霍夫空间中的一个点，将语义圆检测问题转化为检测三维霍夫域中的一个点。其次，提出偏移量预测来缓解圆形参数化中离散化处理引发的精度下降问题。在CBC与TXL-PBC等多种血细胞检测数据集上测试结果表明，圆形先验信息的引入，增强深度检测算法的可解释性和泛化能力。

关键词： 行人重识别   少样本学习   目标检测   图像识别  

摘要： 行人重识别任务通常依赖于大规模标注数据。然而，在少样本场景中，标注数据的有限性导致模型难以充分学习到类别间的判别性特征。为应对这一挑战，研究者们提出了多种方法以提升模型在数据匮乏条件下的性能表现。根据所需标注数据的依赖程度，相关研究可以归纳为以下四个主要类别：有监督学习的方法、基于弱监督学习的方法、基于半监督学习的方法、基于无监督学习的方法。随着对标注数据依赖的逐渐降低，行人重识别领域呈现出从有监督学习到无监督学习的技术发展趋势。系统性地总结了当前在数据集和评估指标上的研究现状，并对未来可能的研究方向进行了展望。

关键词： 视频编码   目标检测   率失真优化   人眼视觉质量   量化  

摘要： 为了降低视频编码失真对目标检测性能的影响，提出了一种面向目标检测和人眼视觉的视频编码优化方法。首先，调整I帧的量化参数，提升率-编码失真性能；其次，将目标检测算法引入到视频编码器中提取编码帧中的目标区域信息；接着，采用深度网络模型提取当前编码单元的特征，并采用余弦距离计算特征失真；然后，通过改进的VGG网络模型预测编码单元的量化参数；最后，将特征失真引入到率失真优化问题中，通过计算码率-编码失真-特征失真代价函数选择编码单元的最优编码参数。实验结果表明，与最新视频编码标准参考软件VTM-23.0相比，对于目标检测性能，所提算法平均可取得10.5%的BD-rate节省；对于人眼视觉，所提算法平均可取得2.2%的BD-rate节省。

关键词： 机器学习   损失函数   遥感图像   目标检测   注意力机制  

摘要： 针对遥感图像目标检测中的复杂背景干扰,目标密集堆积导致遥感图像目标检测模型效果差的问题,通过对YOLOv5s目标检测模型进行改进.首先使用混合注意力机制对CBAM (convolutional block attention module)加以改进并添加至骨干网络中,使得模型所提取到的特征含有局部信息和全局信息,以加强模型识别复杂背景下目标的能力;其次使用超轻量级的动态上采样器DySample结构,减少模型参数并提高检测效率,最后使用EIoU损失函数提高对于待检测目标的定位水平.在RSOD和DIOR数据集上进行了实验验证,结果表明,改进后的YOLOv5s在遥感图像目标检测中的准确度要比原始模型高7.8%,同时能够满足遥感图像实时目标检测的需求;此外与其他目标检测模型相比,改进模型也能保有一定优势.

关键词： 目标检测   红花   YOLOv5   ShuffleNet v2   多尺度   排斥损失函数  

摘要： 针对自然环境中红花智能采摘存在红花尺度变化大、遮挡情况复杂的问题，该研究对YOLOv5模型进行优化，提出了一种基于多尺度特征提取的YOLO-SSAR目标检测算法。首先，采用ShuffleNet v2轻量化结构对Backbone层主干特征提取网络进行替换，减少模型参数量和计算量；其次，在Neck层添加基于空洞卷积和共享权重的Scale-Aware RFE模块，提高模型对于多尺度特征信息的提取能力；最后，为解决目标检测中类内、类间遮挡问题，在Head层引入排斥损失函数对原损失函数进行替换，减少因非极大值抑制（non-maximum suppression,NMS）阈值选取不当造成的漏检或误检，提高模型的检测精度。试验结果表明，YOLO-SSAR算法在测试集上的精确率、召回率和平均精度均值分别为90.1%、88.5%、93.4%，比YOLOv5原始模型分别提升了5.9、9.2和7.7个百分点，推理速度为115帧/s，模型大小为9.7 MB，与主流算法YOLOv4、YOLOv7、YOLOV8s、Faster R-CNN、SSD相比，精确率分别高出6.8、7.2、6.3、16.2和10.8个百分点、召回率高出9.4、10.3、9.5、17.3和59.4个百分点，平均精度均值高出8.8、8.2、8.1、14.9和19.4个百分点。研究表明，YOLO-SSAR算法在提升综合检测性能的同时也降低了计算复杂度，研究结果可以为红花智能采摘研究提供算法参考。

关键词： 激光雷达   目标分类   语义分割   目标检测   对抗攻击   后门攻击  

摘要： 自动驾驶技术的迅猛发展，推动了激光雷达的应用.激光雷达以其卓越的环境感知、导航和避障能力，在自动驾驶领域扮演着关键角色.随着人工智能和深度学习技术的不断进步，三维数据处理技术取得了显著成果，并在多个场景中得到应用.然而，随着技术的应用深入，其安全性问题日益凸显，例如行驶中的车辆可能会错误识别出不存在的物体.而现有研究多聚焦于单一任务，缺乏对安全性问题的综合性论述，尤其是对后门攻击的研究相对匮乏.因此，本文首次全面评估和分析了基于激光雷达在自动驾驶中的安全性问题，特别是对抗攻击和后门攻击的挑战.文章首先阐述了激光雷达的工作原理及其在自动驾驶任务中的应用，包括目标分类、目标检测和语义分割三大类.具体而言，本综述深入探讨了55篇相关论文，系统地介绍了不同任务下的攻击方法和防御策略.进一步，本文提供了11个公共数据集、7个评估指标、7个常用模型和4个仿真平台，为研究者提供了宝贵的资源和工具.最后，文章结合当前面临的挑战与未来机遇，对激光雷达在自动驾驶安全应用的研究方向进行了前瞻性展望，旨在为激光雷达技术的安全可靠应用提供指导和参考.