关键词： 机场道面   地下病害   领域知识   目标检测   关联关系推理  

摘要： 为促进道面地下领域知识和目标检测算法的深度融合,缓解不同病害样本间的特征复杂性和相似性导致的特征畸变问题,提升病害的自动化检测效果,提出了融合关联关系推理的机场道面地下病害检测算法。首先,所提算法结合残差网络和多尺度特征金字塔网络(FPN)提取目标特征信息;其次,通过挖掘机场道面地下病害关联关系矩阵,结合图推理设计地下病害关联关系推理模块,以区域生成网络(RPN)生成的特征向量作为输入特征,利用自我学习的变换矩阵设定图的传播权重,实现特征信息传播并构建有效的关联关系推理模块。实验结果证明,融合关联关系推理的机场道面地下病害检测算法可以有效地利用地下病害之间的关联关系,消除病害之间的相互干扰并且检测效果达到最优,检测的平均准确率达到87.38%。

关键词： 图像处理   非均匀光照校正   双边滤波   Retinex算法   数字图像相关  

摘要： 为了解决场景中非均匀光照导致散斑图像质量下降,进而影响数字图像相关测试精度的问题,采用多尺度双边滤波Retinex算法对散斑图像进行光学校正,实现光照不均匀场景下位移场与应力场的高精度光学测量;进行了模拟散斑图像的亚像素位移的实验,并与现有图像光学校正算法进行对比,取得了相应散斑图像位移均值误差、标准偏差以及质量评价指标数据。结果表明,所提出的算法对于非均匀光照散斑图像具有良好的校正效果,可以解决图像边界模糊和局部过度校正的问题,校正后散斑图像的平均灰度梯度从12.986上升到14.574,位移标准偏差从0.0443下降到0.0335。该方法可以增强散斑质量,保证光照不均匀场景下数字图像相关方法的测试精度和稳定性,提高复杂光照场景下数字图像相关方法的测试精度,为实际环境中光照突变的非接触测量提供了参考。

关键词： 变化检测   卷积神经网络   注意力机制   图像处理   信息融合  

摘要： 高光谱图像变化检测通过分析同一区域不同时间拍摄的高光谱图像,识别自然场景中地物变化。现有基于深度学习的检测方法主要包括卷积神经网络和基于注意力的方法两类:卷积神经网络方法使用卷积核提取特征,但感受野较小,关注局部信息,缺乏全局建模能力;而基于注意力的方法专注于全局依赖性建模,但对局部特征的捕捉不足,导致检测中漏检、误检现象严重。针对这些不足,提出了一种联合多尺度高低频信息融合的变化检测方法。具体而言,通过金字塔多尺度网络提取多时相高光谱图像的高低频信息,不同尺度的高频信息关注边界区域,低频信息捕捉背景区域细节。高频信息通过残差卷积算子网络提取多尺度局部特征;低频信息通过基于自注意力的网络提取全局特征,以此对图像全局和局部信息进行有效建模。为进一步增强特征提取的有效性,设计了双时相差分分类决策网络,自适应学习各分支的分类权重系数,生成最终的加权预测结果。在三个真实高光谱数据集上的实验表明,方法在可视化和定量性能上均优于现有方法,实现了更高的分类精度和更稳定的变化检测效果。

关键词： 人工智能生成内容   深度学习   计算机视觉   图像   质量评估  

摘要： 人工智能生成内容(AIGC)技术可为人类提供各种类型的信息生成服务,如何对AIGC进行准确的质量评估,是当前亟待解决的问题.本文主要针对大模型生成图像的质量及其评估指标开展深入研究.首先,从技术方面概述了当前评估AIGC的常见方法,如深度学习方法和计算机视觉方法等,介绍并分析了准确性、相关性、一致性、可解释性等指标在不同类型生成内容评估方面的表现.然后,为了展示评估指标的实际作用,以百度文心一言为例,对其生成的图像进行评估实验:使用直方图和噪点数量等量化指标对生成图像进行客观评估;使用整体协调性和美观性等视觉感官指标对生成图像进行主观评估.最后,综合对比客观评估和主观评估的结果,筛选出色偏、噪点数量、心理预期等AIGC产品质量评估的高可靠性指标.实验结果验证了综合使用主客观评估指标进行AIGC产品评估方法的有效性和可靠性.

关键词： 人-物体交互检测   计算机视觉   深度学习   目标检测   视觉关系  

摘要： 人物交互(human-object interaction,HOI)检测在复杂场景理解中发挥着至关重要的作用。目前的大多数方法都以一阶段的方式将参数交互查询直接映射到一组HOI预测中,这导致丰富的交互结构没有被充分挖掘和利用。对此可以通过多模态数据获取更多维度的信息,从而更全面地理解人物之间的交互行为。为此设计了一种Transformer风格的HOI检测器,该检测器基于查询的方式检索对比语言图像预训练(CLIP)知识,然后执行交互建议生成,通过结构感知网络将非参数交互建议转换为HOI预测。本文创新性地将CLIP知识迁移到HOI检测中,并通过对整体语义结构和局部空间结构进行额外编码提高了预测结果的准确性。实验结果表明,所提模型在公共数据集V-COCO上的准确率达到了64.83%,在HICO-DET数据集上的准确率达到了28.78%,与现有的HOI检测算法相比展现出优越的性能,证明了该算法的有效性。

关键词： 结构健康监测   变形识别   层间位移   计算机视觉  

摘要： 利用基于计算机视觉的接触式位移识别技术分析结构振动视频来捕捉结构层间位移响应,可以解决极端荷载作用下结构层间位移观测困难的问题。结合结构层间变形机理与多特征检测算法,提出了结构弯剪耦合变形识别方法,并在理论上验证了该方法在结构发生多种变形情况下的适用性。该方法利用倾角仪数据与视觉识别结果计算得到结构的层间位移、有害层间位移、无害层间位移及部分位移在总位移中的占比,并在缩尺模型振动台试验中验证了该方法的准确性与有效性。研究结果表明,该方法可用于建筑结构在地震过程中的关键变形监测,即通过结构不同层间变形成分的比例可以准确判断结构各层实际受力状态。该方法通过多数据计算显著提高了层间位移的识别精度,为建筑层间受力状态评估提供了重要依据。

关键词： 目标检测   半监督学习   伪标签   数据集  

摘要： 随着深度学习在目标检测中的应用越来越广泛,其对标记数据的过度依赖问题日益凸显。为了缓解目标检测任务对高成本标记数据的依赖,半监督学习算法备受关注且飞速发展。如何有效挖掘无标数据中蕴含的信息,并获取高质量的伪标签,是当前半监督目标检测算法面临的问题。对此,提出双分支的教师-学生(Teacher-Student,TS)网络结构缓解传统单分支教师-学生网络结构中的耦合问题,有效挖掘、利用无标数据。基于所提出的双分支网络结构设计一种伪标签生成机制,以获取高质量的伪标签用于模型训练,从而提升模型性能。在PASCALVOC数据集和MSCOCO数据集上分别进行多组实验,结果表明提出的方法能有效提升模型性能。

关键词： 太阳电池   表面缺陷   目标检测   注意力机制   多尺度特征融合  

摘要： 多晶硅太阳电池表面缺陷多源异类、小尺度缺陷检测困难。现有基于机器学习图像处理的表面缺陷检测算法在实际使用过程中存在检测精度不高、检测类型少、鲁棒性差等问题。基于深度学习,提出一种可提升精度、便于工业应用的多尺度特征融合的轻量化缺陷检测模型。该模型以YOLOv5目标检测算法为框架,为增强多尺度特征的融合效果,设计浅层通道融合分支和双采样结构,改进了多尺度池化金字塔,提升了模型对小尺度缺陷的检测能力;引入ECA注意力机制,增强颈部网络对有效信息的关注度;最后,设计新的降采样结构和C3(Light-CSP-Darknet53)结构,提升检测精度的同时降低参数量和计算量。实验表明,改进算法的全类平均精度(m AP_(0.5))比基线模型提高8.5%,参数量减少44.3%,计算复杂度降低33.7%。

关键词： 显著性学习   目标检测   幕墙   非规则板材   跨模态融合  

摘要： 针对现有幕墙安装机器人缺乏非规则板材检测能力的问题,提出了一种基于显著性学习的板材检测方法,通过分析板材与背景的显著性关系来定位目标,避免板材纹理、形状、大小等因素对检测精度的影响。该方法基于可见光-深度(red-green-blue depth,RGB-D)双模态特征信息,使用多尺度残差互补模块来抑制跨模态特征的发散问题,并结合多尺度注意力引导模块和融合感知模块以实现精细的显著推理,同时构建了包含180幅RGB-D图像的幕墙板材数据集(curtain wall panel,CWP)来做模型测试。将提出的方法在4个公开数据集进行训练与测试,结果表明,所提算法性能优于8种显著性检测方法。在自建CWP实验测试中,提出的方法在Sα、Fβ、Eξ、MAE指标分别达到0.843、0.802、0.864、0.053,证明了所提算法针对未知的非规则幕墙板材检测具有很好的鲁棒性。

关键词： 域自适应   目标检测   自训练   伪标签   一致性  

摘要： 作为一种重要手段,自训练方法极大提升了域自适应目标检测(DAOD)性能,其主要通过教师网络对目标域数据进行预测,然后选择高置信度的预测结果作为伪标签来指导学生网络训练。然而,由于源域与目标域存在显著的域差异,教师网络产生的伪标签质量不佳,进而影响学生网络训练,降低了模型性能。因此,提出一种面向DAOD的一致无偏教师(CUT)模型。首先,在教师网络设计自适应阈值生成(ATG)模块,该模块通过高斯混合模型(GMM)在训练过程为每张图像生成自适应阈值筛选伪标签,保证伪标签数量时序一致性,提高伪标签质量。其次,提出预测引导样本选择(PSS)策略,借助教师网络中区域建议网络的预测结果为学生网络选择样本,使选择的样本与真实结果具有一致性,降低质量不佳伪标签对学生网络的影响。此外,为了提升对小目标和数量较少困难类别目标的检测性能,设计混合域增强(MDA)模块,在训练过程中生成包含源域和类目标域随机信息的混合域图像对学生网络进行训练。将该模型在3个场景数据集进行实验,性能分别提升4.0%,5.8%和3.7%,验证了该算法的有效性。值得注意的是,该模型CUT首次利用自训练方法来解决可见光图像到红外图像的较大域差异问题。