关键词： 目标检测   SAR图像   DETR网络   注意力机制  

摘要： SAR图像目标检测近年来一直是研究热点,但其成像不清晰的特点也导致DETR网络模型无法很好地提取其潜在特征,同时DETR网络也存在训练周期长、收敛慢的问题。为此设计了一种基于多标签分配的DETR网络(Multi-label Assignment DETR,MA-DETR)用于SAR图像飞机目标检测任务。本文利用添加大尺度抖动(Large Scale Jittering,LSJ)的数据增强模块增强网络训练效果,然后设计了一种多标签分配监督模块处理从编码器输出的数据,其中多个监督辅助头提取潜在特征并输入到解码器改善DETR网络一对一标签分配方式的不足之处。最后还设计了一种匹配增强模块加入解码器中,缓解由匈牙利匹配算法带来的匹配离散性,提高网络训练损失收敛速度。实验结果表明:在SAR AIRcraft数据集上,相较于原方法,本文方法使AP0.5和AP0.75精度分别提高了7.9%和7.4%,同时基于相同的训练网络,其损失收敛速度有3.3倍的提升。新的网络结构有效提高SAR图像目标检测精度,并且减少了DETR网络训练周期。

关键词： 深度学习   医学影像分割   视网膜血管分割   脑血管分割   冠状动脉分割   气道分割   图像处理  

摘要： 医学影像分析中,血管和气道分割是备受关注的研究。通过对血管和气道异常的评估,例如动脉壁增厚和硬化、脑血管破裂导致的出血以及肺部或气道内的肿瘤等,可以实现此类疾病的早期诊断和临床治疗指导。随着医学成像技术的发展,影像分割技术在评估和诊断这些结构异常方面变得越来越重要。然而,由于其复杂的结构和病理变化,血管和气道的准确分割仍然是一项具有挑战性的任务。许多研究都集中在特定类型的血管或气道分割上,对多种类型的血管和气道分割方法的综合回顾相对缺乏。对各类血管和气道的综合回顾可以为医学专家和研究人员提供更全面的临床参考价值。此外,不同类型的血管和气道具有形态上的相似性,一些算法和技术可以同时应用于它们的分割中,综合回顾也增强了讨论的广泛性。因此,本文对近20年来具有代表性的视网膜血管分割、脑血管分割、冠状动脉分割和气道分割4类研究工作进行了归纳,分别从传统方法、机器学习方法和深度学习方法3个方面对每类研究进行综述,同时总结了各种方法的优缺点,为后续研究提供了理论参考。此外,本文还介绍了适用于医学影像血管和气道分割的损失函数、评价指标,并收集了目前公开的各类血管和气道分割数据集。最后,本文讨论了目前医学影像血管和气道分割方法的局限性以及未来研究的方向。

关键词： 领域自适应   跨域目标检测   深度神经网络   平均教师  

摘要： 无偏跨域目标检测的主要目的是借助知识蒸馏最大限度地利用源域的知识,通过领域自适应减小模型的跨域差距。然而,通常用于无偏跨域目标检测的平均教师方法所产生的伪标签并不可靠,从而导致师生模型间仍然存在较大的领域偏差问题。受傅里叶变换中相位信息不变性特点的启发,在平均教师的基础上提出傅里叶增强无偏协同教师模型(FAUMT)。利用傅里叶相位信息的不变性,设计振幅混合的数据增强(AMDA)模块,其可以有效地混合源域和目标域间的相位信息从而实现数据增强。而数据增强会产生额外的噪声,设计两个一致性损失来保证数据增强前后预测的一致性。此外,为平衡模型训练过程中源域和目标域间的跨域偏差,还设计了多层对抗学习(MAL)模块,旨在对不同层次的像素级别特征进行域对齐。在三个基准数据集Cilpart1K、Watercolor2K、Comic2K上,该方法的mAP分别达到了47.5%、58.9%、46.1%,超过了其他算法。

关键词： 青贮玉米   枯叶病   YOLOv7-MLD   目标检测   注意力机制   智慧农业  

摘要： 为实现对青贮玉米枯叶病的精确检测,降低大田环境下的人工诊断成本,减少病害带来的影响,提出一种基于YOLOv7改进的智能检测与识别模型YOLOv7-MLD。首先,在YOLOv7网络的主干中添加DBB模块,增强主干的特征提取能力;其次,在3个输出特征层添加坐标注意力机制(CA)模块,增强对病害特征的提取能力;最后,将损失函数由CIoU替换为SIoU,以提高边界框的收敛速度和回归精度。在玉米枯叶病数据集的子集上进行实验,结果表明,YOLOv7-MLD模型的AP值达到84.2%,与原YOLOv7相比,F1值提高了5.9%,精确率和召回率分别提高了4.3%与7.3%。该模型实现了在田间复杂环境下对青贮玉米枯叶病病害的精准定位与识别,对于指导早期青贮玉米枯叶病病害防治具有十分重要的现实意义。

关键词： GhostNet   YOLOv5   无人船   全局自适应模块  

摘要： 针对复杂海况下无人船小尺度水面目标检测效果不佳及无人船数据集出现的样本不均衡的情况,本文提出一种改进YOLOv5的无人船水面目标检测方法。首先,将YOLOv5中主干网络部分替换为GhostNet轻量化网络。其次,在特征提取网络中加入全局空间自适应模块,以限制检测图空间维度上的影响。最后,损失函数部分基于多分类交叉熵损失函数加入可训练的噪声参数,降低样本不平衡带来的影响。通过无人船视角数据集试验结果表明,改进的方法mAP达到86.1%,相比于原始YOLOv5提升6.9%,网络的参数值降低43.4%,检测速度达到69.44帧数/秒,符合无人船等嵌入式设备的需求。改进的YOLOv5方法在检测无人船视角水面目标等情况,具有更好的检测效果。

关键词： 目标检测   YOLOv5s   线路巡检   高压输电线路  

摘要： 文章针对传统的高压输电线路巡检过程中存在的效率低下等问题,提出一种基于改进YOLOv5s的高压输电线路巡检故障实时检测方法。将卷积块注意力模块加入YOLOv5s骨干网络中最后一层,从通道注意力与空间注意力两个方面对特征图进行权重分配。所提出的方法在无人机获取的图像中进行训练和验证,结果表明所提出的方法相较基于YOLOv3、YOLOv5s,能保持较高检测精度的同时,还能保持较快的速度。

关键词： 隧道工程   结构裂缝   目标检测   深度学习   神经网络  

摘要： 卷积操作固有的局部性,导致难以捕获裂缝的全局特征表示。针对这一问题,以YOLOv5网络框架为基础,通过融合自注意力机制和卷积神经网络提出一种高精度隧道衬砌裂缝智能检测算法ST-YOLO。构建一种双分支特征提取模块,分支一采用基于自注意力机制的Swin Transformer网络提取裂缝的全局特征,分支二采用基于卷积神经网络的CSPDarkent提取裂缝的局部细节特征;采用卷积注意力增强的特征融合模块对两个分支所提取的裂缝特征进行多尺度融合,以实现裂缝全局特征和局部细节特征互补;借助YOLOv5的解耦头模块输出得到裂缝的分类置信度和位置结果。为验证本文提出算法的有效性,选用SSD、YOLOv4、YOLOv5、EfficientDet、Faster-RCNN五种基于卷积神经网络的目标检测算法进行对比分析。结果表明:在本文构建的隧道衬砌裂缝数据集上,ST-YOLO模型的F1分数和AP分别为8395%和8526%,相较于五种对比算法具有更高的识别精度及更好的环境适应性,适用于实际隧道工程裂缝病害检测任务。

关键词： 数字图像技术   中阳剪纸   图纹整理   角点检测  

摘要： 中阳剪纸的图纹整理工作对于保护和传承这一非物质文化遗产至关重要。传统的剪纸图纹整理主要由人工完成,效率低、误判率高,而在剪纸图纹整理中引入数字图像处理技术可提高分检效率,降低误判率。文章对数字图像处理技术在中阳剪纸图纹整理的应用进行了研究分析,从数字图像处理技术的特点和工作内容出发,主要对剪纸图像特征提取方法进行较为详细的分析说明,并在此基础上阐述了数字图像处理技术在中阳剪纸图纹整理中的发展趋势,为后续该领域的研究提供参考。

关键词： 图像处理   深度估计   自监督学习   方向感知  

摘要： 为解决现有单目深度估计网络复杂度高、在弱纹理区域精度低等问题,该文提出一种基于方向感知增强的轻量级自监督单目深度估计方法(DAEN)。首先,引入迭代扩展卷积模块(IDC)作为编码器的主体,提取远距离像素的相关性;其次,设计方向感知增强模块(DAE)增强垂直方向的特征提取,为深度估计模型提供更多的深度线索;此外,通过聚合视差图特征改善解码器上采样过程中的细节丢失问题;最后,采用特征注意力模块(FAM)连接编解码器,有效利用全局上下文信息解决弱纹理区域的不适应问题。在KITTI数据集上的实验结果表明,该文模型参数量仅2.9M,取得δ指标89.2%的先进性能。在Make3D数据集上验证DAEN的泛化性,结果表明,该文模型各项指标均优于目前主流的方法,在弱纹理区域具有更好的深度预测性能。

关键词： 自动驾驶   环境感知   路侧视角   多目标检测   YOLOv4   深度学习  

摘要： 面向道路交通场景中多类别、可变规模的目标车辆检测需求,如何有效地以低算力构建结构化数据,实现超视距感知并解决单车视距限制,是自动驾驶汽车环境感知技术领域亟待解决的重要问题之一.为此,提出兼顾精度和实时性的轻量化路侧视角多目标检测算法.首先,以嵌入通道域注意力机制的倒残差网络结构代替单阶段检测算法特征提取网络作为网络骨干部分,利用深度可分离卷积降低特征提取网络参数量;其次,采用空间金字塔池化(spatial pyramid pooling, SPP)处理深层网络输出特征图,选取轻量化后骨干网络不同深度特征图的输出,利用路径聚合网络(path aggregation network, PANet)融合深层语义信息与浅层表观信息构成检测模型颈部;最后,在检测模型头部设置3种不同特征图大小的网络输出,使同一图像信息不同尺寸目标在适宜网络深度进行目标信息回归,提出轻量化路侧视角多目标检测算法M3-YOLOv4.实验结果表明, M3-YOLOv4在数据集RS-UA表现的mAP值为0.906,相较YOLOv4的mAP值下降1.1%, M3-YOLOv4模型参数量缩减为YOLOv4的10%,同平台下模型前向推理速度也具备明显优势.