关键词： 安卓恶意软件   深度学习   计算机视觉  

摘要： 为了更好地利用深度学习框架防范安卓平台上恶意软件攻击,提出了一种新的应用程序可视化方法,从而弥补了传统的采样方法存在的信息损失问题;同时,为得到更加准确的软件表示向量,使用了Swin-Transformer架构代替传统的卷积神经网络(CNN:Convolutional Neural Network)架构作为特征提取的主干网络。实验采用的数据集中的样本来自Drebin与CICMalDroid 2020数据集。研究结果表明,新提出的可视化方法优于传统的可视化方法,检测系统的准确率达到97.39%,具有较高的恶意软件识别能力。

关键词： 裂缝量化   骨架提取   最近距离法   骨架法向法   安全评估  

摘要： 对裂纹量化技术进行了研究,从而获取对应裂缝的长度、宽度信息。针对长度特征的量化,分析现有细化算法提取裂缝骨架的不足,提出新的删除模板与保留模板,通过模板匹配的方式消除裂纹骨架中的冗余像素,并设置合理的长度阈值消除骨架中的冗余骨刺结构,优化骨架的提取,进而获取精确的裂缝长度信息。针对裂缝宽度特征的量化,根据裂纹走向,优化最近距离法,减少计算裂缝宽度的迭代次数,提高量化效率。同时,为了获取更精确的裂缝宽度信息,结合裂缝特征和提取的骨架,采用骨架法向法获取像素级精度的裂缝宽度信息。

关键词： 指针式仪表   读数识别   深度学习   图像处理   视觉技术  

摘要： 在高温高压强磁场等恶劣环境下,指针式仪表有着优于数显式仪表的良好性能表现,对指针式仪表读数识别进行研究具有重要的现实意义。近年来,深度学习与计算机视觉紧密结合,基于深度学习的指针式仪表读数识别技术是前沿研究的重点方向。文中首先概述指针式仪表读数识别的过程,然后从3个方面论述指针式仪表读数识别技术的研究现状与进展:仪表图像的预处理、仪表表盘区域的检测和仪表的读数识别,论述过程中分别阐述基于传统机器学习的方法和基于深度学习的方法。最后介绍公开的仪表数据集和应用场景,并从深度学习算法、巡检机器人工作特点和公共数据集的建立3个方面对未来的研究进行展望与建议。

关键词： γ光子   无损检测   软件设计   图像处理   点云配准  

摘要： 针对目前利用γ光子进行发动机叶片沉积物检测需要的流程多,且没有相应软件平台的问题,设计一个γ光子探测装置控制与图像处理系统软件,包括控制探测器进行数据的采集模块、检测图像处理模块以及点云配准模块等的设计。该系统基于Qt平台,集成了VTK、ITK、PCL等C++类库,并设计实现一种基于PCA-ICP的点云配准算法优化。经实验测试表明:该配准算法能够有效提高沉积物检测的效率及精度,并且该系统设计能够实现对探测装置的控制并满足对图像的处理要求。

关键词： 自动驾驶   目标检测   毫米波雷达   交叉注意力融合  

摘要： 对于自动驾驶领域而言,确保在各种天气和光照条件下精确检测其他车辆目标是至关重要的。针对单个传感器获取信息的局限性,提出一种基于cross-attention注意力机制的融合方法(AF),用于在特征层面上融合毫米波雷达和相机信息。首先,将毫米波雷达和相机进行空间对齐,并将对齐后的点云信息投影成点云图像。然后,将点云图像在高度和宽度方向上进行扩展,以提高相机图像和点云图像之间的匹配度。最后,将点云图像和相机图像送入包含AF结构的CenterNet目标检测网络中进行训练,并生成一个空间注意力权重,以增强相机中的关键特征。实验结果表明,AF结构可以提高原网络检测各种大小目标的性能,特别是对小目标的检测提升更为明显,且对系统的实时性影响不大,是提高车辆在多种场景下检测精度的理想选择。

关键词： 图像去噪   计算机视觉   真实噪声   多尺度特征   长距离通道注意力  

摘要： 针对真实世界图像去噪算法存在对上下文信息和全局信息利用不足导致的去噪效果不佳问题,提出一种U形金字塔注意力网络(UPCA)。U形结构由多尺度特征模块与长距离通道注意力模块融合形成的金字塔注意力模块组成,U形结构通过拼接操作可以将每一层的输出特征图融合,减少卷积过程以及下采样过程中图像细节特征的丢失。多尺度特征金字塔模块可以更好地利用上下文信息从而更好地恢复出干净的图像,而建立长距离依赖的通道注意力模块可以更好地利用全局信息,提高网络的去噪效果。同时在损失函数部分加入噪声项来加快训练时收敛的速度以及提高去噪效果。UPCA网络在数据集SIDD和DND进行对比实验,验证了UPCA网络的可行性和先进性,同时与同样使用通道注意力的RIDNet相比UPCA网络的PSNR/SSIM指标提升了0.81 dB/0.044,去噪后的效果图直观表现也更好,而且同等参数下训练所需的算力更小。

关键词： 遥感图像检测   YOLOv5算法   注意力机制   加权双向特征金字塔   目标检测  

摘要： 针对现有遥感图像目标检测中背景复杂和尺度变化大等问题,基于YOLOv5模型提出了一种改进的遥感图像目标检测算法。首先,利用Mosaic数据增强方法重构数据集,以改善模型的训练效果和鲁棒性;其次,在YOLOv5s的Backbone中添加SE注意力机制,使改进后模型能够更精准地捕捉目标特征信息;最后,采用BiFPN替代原模型中的FPN+PAN结构,使模型能够进行不同尺度的特征融合,以减少检测过程中浅层信息的丢失。实验结果表明,相较于原模型,改进后模型的平均精度均值、准确率和召回率都有所提升;相较于原模型,改进后模型具有更强的特征提取能力及更快的检测效率。

关键词： 图像处理   雾气特征   大气光幕   区间约束   夜间图像去雾  

摘要： 针对现有去雾算法未充分考虑图像雾气信息、复原图像细节模糊等问题,提出一种新颖的反映图像雾信息分布的雾气特征图,并采用不等关系约束方法提高图像质量。首先,提取退化图像的极值通道以实现雾气信息的粗略估计,并通过L-1正则化对其进行优化从而得到雾气特征图。其次,提出一种基于雾气特征的初级大气光幕函数,通过对颜色通道和大气光幕作深入分析,利用均值不等式获得约束后的退化场景大气光幕。最后,利用雾气特征图对局部大气光进行改进,并基于大气散射模型实现图像去雾。将所提算法在真实雾图和合成数据集雾图上与其他经典方法进行比较分析,可以发现,所提算法在单幅图像去雾中展现了较好的性能,且在夜间雾图复原中更具优势。

关键词： 自动代客泊车   目标检测   停车位检测   端到端深度学习   单目相机  

摘要： 针对现有检测算法在室内停车场景下对目标停车位检测精度不足、检测效率较低的情况,在现有的YO-LOv5m中增加了小目标检测层以增强对小目标样本的检测,并在此基础上引入一种坐标注意力机制来减少冗余信息输入,提升检测精度。同时建立包含8100张地下车位图像的大型室内停车场标注数据集,并在此数据集上进行实验。该方法的平均检测精度(mAP)为98.214%,准确率为97.254%,召回率为96.548%。结果显示该算法大大提高了模型精度、停车位检测性能以及模型检测的实时性,在室内停车场景的停车位检测上具有可行性。

关键词： 毫米波   大规模MIMO   波束预测   深度学习   目标检测  

摘要： 针对移动环境下毫米波大规模MIMO通信系统下行链路的快速波束预测问题,提出了一种基于深度学习的图像辅助波束预测方案.该方案将基站采集的RGB图像上传至MEC服务器,通过Faster RCNN目标检测模型与DNN神经网络结合,预测通信环境中用户图像与毫米波下行链路波束向量的高维非线性关系.仿真结果表明:该方案预测下行链路波束向量的可达速率接近理论最优,在模型复杂度和高天线数低信噪比情况下的性能等方面均优于基线算法.