关键词： 图像处理   压缩感知   灵敏度编码   字典学习   交替方向乘子法  

摘要： 灵敏度编码(SENSE)方法利用多个线圈的灵敏度信息来减少扫描时间,利用SENSE模型重构的图像易存在伪影,不利于医学诊断。为减少重叠伪影,提高磁共振成像质量,将分类图像块的快速正交字典引入SENSE模型中,得到一种基于多分类字典学习的灵敏度编码重建算法。该算法通过对图像块分类,在每个类中训练字典,得到不同类别的多个字典,运用交替方向乘子法进行图像重构。在人体脑部和膝盖数据上进行实验,结果表明:相比于TV-SENSE、TVLORAKS-SENSE和LpTV-SENSE算法,所提算法的平均信噪比分别提高了1.53 dB、1.22 dB和1.05 dB,重构图像与参考图像的一致性较高,图像细节部分和边缘轮廓信息保留完整。

关键词： 无人机   目标检测   可变形卷积   YOLOv8s   注意力机制  

摘要： 针对目前无人机航拍图像目标尺寸较小,图像背景复杂,导致现有的无人机目标检测算法检测精度较低的问题,提出一种改进YOLOv8s的无人机目标检测算法。首先使用可变形卷积替换标准卷积,以增强网络对不规则形状目标的特征提取能力;然后使用可分离大核注意力机制(LSKA)改进快速空间金字塔池化(SPPF)模块,改善因目标尺度差异较大导致检测精度较低的问题。在网络颈部结合双向特征金字塔网络(Bi-FPN)实现多尺度特征融合,改善网络对小目标的漏检和错检问题。在网络头部,使用自注意力机制动态检测头(DyHead)替换原检测头,增强对遮挡物体和小目标的检测能力。最后,针对数据集中存在大量低质量样本对训练过程产生负面影响的问题,使用Wise-IOU损失函数,提升模型收敛速度和检测精度。实验结果表明,改进后的方法在VisDrone2019数据集上获得了41.7%的平均精度均值(mAP),与原YOLOv8s算法相比,mAP@0.5提升了3.0%,mAP@0.5∶0.95提升了1.9%,参数量下降了17.5%,计算量下降了12.63%。实现了模型轻量化和检测精度双重提升。

关键词： 超声检查   深度学习   图像处理   人工智能   乳腺肿块  

摘要： 目的探究一种融合了SAM-YOLOV 5深度学习网络和图像处理技术的人工智能(AI)新模型在乳腺影像报告与数据系统(BI-RADS)4类肿块超声动态视频良恶性分类中的应用。方法回顾性收集2019年5月至2023年6月汕头大学医学院第一附属医院经病理证实的BI-RADS 4类的乳腺肿块患者458例(530个肿块),按7∶3的比例进行模型的训练和测试,分析模型的ROC曲线下面积(AUC)、敏感性、特异性、阳性预测值、阴性预测值。先与单张静态图像下的测试效果进行比较,再与3个传统的深度学习网络以及高、低年资医师组的测试效果进行比较。分析新模型在BI-RADS 4a、4b、4c类肿块中的诊断效能。结果二维超声动态视频在新模型中测试所得到的AUC、敏感性、特异性、阳性预测值、阴性预测值高于使用单张超声静态图像(均P<0.05)。基于二维超声动态视频下,新模型的AUC、敏感性、特异性、阳性预测值、阴性预测值高于3个深度学习网络模型(YOLOV 5、VGG 16、Resnet 50)和低年资医师组(均P<0.05),低于高年资医师组(其中仅特异性、阴性预测值P<0.05)。新模型对BI-RADS 4b类肿块诊断效能最低。结论基于SAM-YOLOV 5深度学习网络和图像处理技术开发的用于BI-RADS 4类乳腺肿块动态超声分类诊断的新模型有较高的诊断价值,有望用于辅助临床诊断。

关键词： 图像处理   卷积神经网络   位姿估计   非合作目标   软分配编码  

摘要： 针对空间非合作目标六自由度位姿估计问题,基于卷积神经网络设计一种轻量化网络LSPENet,无须手动设计特征便可实现端到端的位姿估计。使用深度可分离卷积、高效通道注意力(ECA)机制构成基本模块,兼顾了网络的复杂度和准确度。设计两个分支分别用于估计位置和姿态,位置估计使用直接回归法,姿态估计引入软分配编码。在URSO数据集的实验结果表明:姿态软分配编码相比直接回归姿态能够显著减小姿态误差;相比其他端到端位姿估计网络,所提网络的参数量减少76.7%,单幅推理时间降低13.3%,同时位置估计精度提高54.6%,姿态估计精度提高57.8%。实现的轻量化端到端位姿估计网络为星载单目视觉位姿估计提供了新思路。

关键词： 主动声呐   水下探测   混响   噪声   非负矩阵分解   双曲调频信号   回波增强   目标检测  

摘要： 双曲调频信号是主动声呐中常用的多普勒不敏感信号。在实际使用中,由于信道变化和混响影响,目标回波较弱。针对水下航行器主动声呐探测性能下降问题,本文提出基于非负矩阵分解的双曲调频信号目标回波增强方法。该方法对目标回波和干扰信号的基矩阵分别定义,将发射信号的时频图作为目标回波的频率信息矩阵,对目标回波的时间信息矩阵做出约束,迭代处理完成目标回波的增强,获得较高增益的匹配回波检测结果。数值仿真和海上试验结果表明:本文方法与传统匹配滤波方法相比,其峰均比值提高了2 dB以上,提高了回波检测结果。

关键词： 空间目标视觉检测   黑盒迁移实例攻击   对抗训练   SRMNet  

摘要： 随着航天航空技术的发展,空间目标视觉检测技术作为航天器智能在轨服务的重要技术支撑,获得了国内外研究学者的广泛关注.考虑到太空中恶劣的光照条件以及未知的动态场景,空间目标视觉检测的鲁棒性问题亟待深入研究.首先,提出一种黑盒迁移实例攻击方法,将图像识别领域的对抗样本攻击方法应用于空间目标检测任务,实现对EfficientDet目标检测模型的欺骗攻击;同时,提出一种协同防御策略,将对抗训练和SRMNet去噪器相结合,有效增强目标检测模型的鲁棒性.实验结果表明,所提出防御策略不仅能够成功抵御对抗样本攻击,还能取得高于原始空间目标检测模型的检测精度.

关键词： 目标检测   低照度图像   YOLOv8网络   图像增强   特征融合  

摘要： 低照度环境会导致图像目标特征不明显,噪声干扰严重等情况,影响目标检测器的检测性能。针对以上问题,构建了一个多尺度图像特征增强模块FEM,并与YOLOv8s目标检测网络联合,构建了端到端的低照度目标检测算法FE-YOLO。首先,使用FEM从输入图像中构建三个不同尺度下的特征信息并进行高效融合,得到具有丰富特征表达的增强图像。然后,在YOLOv8s颈部网络中添加目标特征增强模块TFE,通过抑制高层特征中的背景噪声信息,突出目标特征的表达能力。实验结果表明:在低照度图像目标检测数据集ExDark上的平均精度均值(mAP)达到了75.63%,与原始的YOLOv8s算法相比,提高了3.03%,本文算法在低照度目标检测任务中取得了更好的检测效果。

关键词： 黄花菜   采摘机器人   神经网络   机器视觉   图像处理   目标检测  

摘要： 传统的目标检测算法仅能得到目标框,无法确定黄花菜的生长姿态。针对这一问题,在现有目标检测算法的基础上优化神经网络(Neural Network)结构,由检测框预测改为关节点的预测。首先,按照锚点匹配的方式确定黄花菜的生长方向及长度,统计黄花菜目标生长角度和长度,按照统计结果设置多个锚点,实际生长角度和长度与锚点进行比较,获得目标的相对长度和角度,并将其作为模型预测值进行训练;其次,在模型中加入热力图预测分支,对4个关节点进行预测;最后,利用目标长度和角度信息连接关节点得到黄花菜目标的生长姿态。设计针对线段拟合特点的评估模型方法,在计算精度的过程中引入部分亲和度字段。并据此改进非极大值抑制算法(Non-Maximum Suppression)。试验结果表明:采用热力图校准后的模型对采摘目标识别精度达91.02%,定位精度达99.8%。

关键词： 单目3D目标检测   深度学习   动态卷积   实例分割  

摘要： 针对单目3D目标检测在视角变化引起的物体大小变化以及物体遮挡等情况下效果不佳的问题,提出一种融合深度信息和实例分割掩码的新型单目3D目标检测方法。首先,通过深度-掩码注意力融合(DMAF)模块,将深度信息与实例分割掩码结合,以提供更准确的物体边界;其次,引入动态卷积,并利用DMAF模块得到的融合特征引导动态卷积核的生成,以处理不同尺度的物体;再次,在损失函数中引入2D-3D边界框一致性损失函数,调整预测的3D边界框与对应的2D检测框高度一致,以提高实例分割和3D目标检测任务的效果;最后,通过消融实验验证该方法的有效性,并在KITTI测试集上对该方法进行验证。实验结果表明,与仅使用深度估计图和实例分割掩码的方法相比,在中等难度下对车辆类别检测的平均精度提高了6.36个百分点,且3D目标检测和鸟瞰图目标检测任务的效果均优于D4LCN(Depth-guided Dynamic-Depthwise-Dilated Local Convolutional Network)、M3D-RPN(Monocular 3D Region Proposal Network)等对比方法。

关键词： 计算机技术   印染图案   蜡染工艺   印染材料  

摘要： 随着科技的不断进步,计算机技术已经深入到了多个领域之中。其中,在传统印染图案设计中的应用较为广泛。本文详细探讨了计算机技术模拟传统印染图案的应用优势,能够呈现良好的动画效果,实现创意丰富的材料搭配。介绍了模拟人体动态式款式图的绘制技巧,蜡染工艺与拔染工艺,利用Photoshop技术模拟扎染图案等关键技术点,以计算机技术为传统印染图案设计带来新的创作空间。