关键词： 海上小目标   海杂波   特征提取   雷达试验   目标检测  

摘要： 海杂波背景下的海上小目标是海洋雷达探测的重难点。针对特征空间内海杂波与小目标特征可分性问题,提出了量化特征之间可分性的度量标准——重叠系数。通过开展对海探测试验获取的2~5级海况实测数据,分别提取时域特征相对平均幅度(Relative Average Amplitude,RAA)、相对峰值峰高(Relative Peak Height,RPH)、时域熵值均值(Time domain Entropy Mean,TEM),频域特征相对多普勒峰高(Relative Doppler Peak Height,RDPH)、相对多普勒向量熵(Relative Vector Entropy,RVE)、频域熵值二阶矩(Second moment of Frequency domain Entropy,SOFE),计算出重叠系数。通过特征检测器进行检测性能对比,低海况下,相对平均幅度、相对峰值峰高、时域熵值均值、相对多普勒峰高、频域熵值二阶矩特征之间重叠系数均在0.3以下,对应特征检测器的检测概率均在85%以上;高海况下其特征之间重叠系数均在0.7以上,对应特征检测器的检测概率均在50%以下。相对多普勒向量熵在4种海况下可分性较小,其对应的特征检测器性能较差。结果验证了重叠系数在一维特征选择的应用可行性,为多特征融合目标检测提供了一定支持。

关键词： 机器视觉特征强化   动态目标检测   速度矢量   速度平滑性约束   颜色分量约束  

摘要： 针对降质图像中的动态目标特征不明显,易出现检测偏差的问题,提出基于机器视觉特征强化的降质图像动态目标检测方法。采用帧间阈值法确定图像中含有动态目标的区域,通过平滑、动态目标强化和背景抑制处理,引入SE-ResNeXt模块,基于挤压-激励操作后提取动态目标的特征信息,计算动态目标与背景间的速度和光流矢量,在速度平滑性、方向平滑性和颜色分量约束条件下,检测得到动态目标的准确位置。结果表明,所提的方法在准确率、召回率和F 1分数的最优参数组合下,PSNR和SSIM平均提高了3.41%和0.16%,提升了降质图像整体质量,实现了对动态目标的精准检测与识别。

关键词： 深度学习   刑侦图像处理   人脸识别   物体检测   行为分析  

摘要： 深度学习技术在刑侦图像处理中的应用展示了显著的成果,尤其在人脸识别、物体检测和行为分析等领域。通过模拟人类视觉系统的工作方式,深度学习技术能够有效处理复杂图像,从而提取犯罪现场的图像数据及相关信息中的线索和证据,已在全国范围内涌现出多个成功案例。然而,模型的鲁棒性、数据隐私保护、算法公平性以及实时性等问题仍然是深度学习技术面临的主要挑战。尽管如此,深度学习技术凭借其强大的数据处理能力和精准的分析能力,显著提升了刑侦图像处理的效率和准确性,为未来的研究和实际应用提供了广阔的发展空间。

关键词： 深度学习   目标检测   输电线路  

摘要： 针对输电线路无人机巡检图像中小目标检测精度低下的问题,提出一种改进型YOLOv7的输电线路变尺度多目标的检测方案。方案首次将基于YOLO7的目标检测模型应用到输电线路目标检测中,引入Transformer注意力工作机制,使用g^(n)Conv代替高效聚合网络中的卷积层提取巡检图像特征,经过RFPN网络将不同分辨率特征进行融合后,分别进行不同尺度目标的预测,提高对小目标的检测精度,达到了93.68%的平均检测精度,也可以检测到被遮挡的目标,具有一定的泛化能力。结果表明,上述模型能够有效检测出巡检图像中的防震锤和绝缘子,为后续故障诊断提供了理论依据。

关键词： 深度学习图像重建算法   图像处理   计算机断层扫描   主动脉  

摘要： 目的探讨70 kVp联合深度学习图像重建(DLIR)算法在低辐射剂量低对比剂用量的情况下对胸主动脉血管内修复术(TEVAR)后主动脉CT血管成像(CTA)图像质量的影响。方法前瞻性纳入65例TEVAR术后需接受主动脉CTA扫描的患者,随机分为两组。常规剂量组(A组)接受100 kVp管电压和60 mL对比剂扫描,低剂量组(B组)接受“双低”方案:管电压70 kVp,对比剂用量为0.5 mL·kg^(-1)。A组图像采用50%多模型迭代重建算法(ASIR-V)重建,B组图像分别采用滤波反投影(FBP)算法(B1亚组)、50%ASIR-V(B2亚组)、90%ASIR-V(B3亚组)及DLIR-H算法(B4亚组)重建。测量并比较各组主动脉CT值、图像噪声、对比噪声比(CNR)及品质因数(FOM)。采用5分制对图像噪声、血管锐利度和整体图像质量进行评估。结果B4亚组噪声最低,较A组降低约23.49%(P<0.001)。A组、B4亚组主动脉各感兴趣区(ROI)CT值、CNR值及图像主观评分差异无统计学意义(P>0.05);B4亚组FOM值大于A组(P<0.001)。与A组比较,B组辐射剂量降低约52.38%(P<0.001),对比剂用量和注射流率分别降低约39%和33.6%(P<0.001)。结论采用70 kVp结合DLIR算法在TEVAR术后主动脉CTA扫描中可获得与常规剂量相当的图像质量,且辐射剂量和对比剂用量大幅度降低。

关键词： 人工智能   计算机视觉   深度学习   图像识别   自动驾驶  

摘要： 计算机视觉是研究如何使机器“看懂”世界的科学,备受关注。本文深入探讨了人工智能在计算机视觉领域的应用,详细阐述了其实现方式和技术细节。通过运用深度学习、机器学习等尖端技术,我们成功解决了图像识别、物体检测、语义分割等计算机视觉的核心难题。研究结果显示,人工智能技术不仅能显著提升图像处理的精度,还能大幅提高分析速度。这一成果展示了人工智能在计算机视觉领域的巨大潜力和广阔的应用前景,为未来的相关研究和实践提供了新的思路和方法。此外,我们还探讨了人工智能在计算机视觉中的挑战以及未来的可能性。本文的研究成果不仅对计算机视觉研究有所贡献,也为相关领域如自动驾驶、医疗诊断等提供了有价值的参考。

关键词： 浮选   特征提取   机器视觉   神经网络  

摘要： 浮选过程是一种复杂的物理化学过程,对于矿产资源的提取具有重要意义。然而,传统的人工观察方法主观性高、效率低,易出现浮选性能波动、资源损失等问题。使用基于图像处理的浮选过程监测可提高生产效率和自动化水平,目前国内涉及对泡沫的图像分析较少,本文旨在解决浮选泡沫的特征提取和品位分析难题,研究适应性强,计算复杂度较低,有助于提高选矿生产效率和自动化水平。

关键词： 深度学习   卷积神经网络   目标检测   YOLO  

摘要： 目标检测是计算机视觉中的一项重要任务,其目标是从图像或视频中检测出并定位感兴趣的目标对象。这与图像分类不同,目标检测不仅需要确定图像中是否存在特定对象,还需要准确地标定对象的位置。YOLO(You Only Look Once)是将目标检测问题转化为一个回归问题,从而实现了从端到端的一种检测方法。与传统的两阶段的目标检测算法相比,单阶段的目标检测算法在速度上有很大的提升,从而实现的速度与准确性的平衡。该文主要是对YOLO系列算法的网络结构以及相关改进进行了详细的阐述。首先是对YOLO算法基本思想进行相关阐述,然后对YOLO中相关网络架构进行的相关阐述,包括YOLO V1,YOLO V2,YOLO V3,YOLO V4,YOLO V5,以及YOLOX YOLO V7,YOLO V8。

关键词： 目标检测   飞机检测   YOLOv5   注意力机制   损失函数  

摘要： 针对现有目标检测算法在遥感影像飞机目标检测上存在检测速度慢、精度低、影像背景复杂、不易区分背景和目标,以及预测过程的收敛速度较慢、效率低等问题,本文在YOLOv5算法模型的基础上,采用引入注意力机制和更换损失函数两种优化策略,提升了算法对飞机目标的检测性能。在DOTA数据集上的训练结果显示,通过在YOLOv5网络结构主干部分的C3模块中引入CBAM注意力机制,算法检测性能得到显著提升。其中,模型训练结果的精确度(P)提升6%,召回率(R)提升2%,平均精度(mAP)提升2.8%;在YOLOv5预测过程中分别采用Focal EIoU和SIoU损失函数对原有CIoU损失函数进行替换,试验结果表明,改进后的算法模型回归精度显著提高,其中采用SIoU损失函数的模型优化效果最好,模型训练结果的精确度(P)提升4.3%,召回率(R)提升2%,平均精度值(mAP)提升2.7%。改进后的YOLOv5算法为实现对飞机目标的高精度实时检测提供参考。

关键词： 目标检测   自注意力   解耦检测头   轻量化卷积   YOLOv5s  

摘要： 为应对车流量、时间地点和天气等因素给交通车辆检测带来的挑战,提出基于YOLOv5s模型的新算法。该改进模型适用于各种交通场景,其改进如下:在特征串联阶段引入高效的二维局部特征叠加自注意力(ELFSa),以增强模型对目标的感知能力;将YOLOv5s的检测头替换为简易特定于任务的上下文解耦(S-TSCODE),以实现分类和定位子任务之间的完美平衡,从而改善模型的收敛;为减少运算负担,模型中的大于3×3的部分卷积操作被替换成了GSConv。实验结果显示,改进的YOLOv5s在各方面均有提升,其中mAP_(@0.5)为98.9%,mAP_(@0.5:0.95)为87.0%,分别提升0.1%和1.5%。针对各种复杂的交通场景,所提出的方法增强了车辆检测的性能和鲁棒性。