关键词： 显著性目标检测   计算机视觉   边缘检测   深度学习  

摘要： 为了高效利用深度特征信息辅助显著性检测，实现对不同尺度特征信息的融合，本文提出了一种基于CDINet算法改进的RGB-D图像显著性目标检测算法。首先，添加了多尺度特征融合模块用来加强编码器和解码器之间特征信息的传输，有效减少浅层特征丢失，通过辅助解码器的跳跃连接获得更多的显著物体的特征信息。接着，在CDINet的网络结构尾部连接了一个循环注意力模块，通过使用面向记忆的场景理解功能，逐渐优化局部细节。最后，对损失函数进行调整，使用一致性增强损失（CEL）处理因为不同尺度特征融合产生的空间一致性等问题，并在不增加参数的情况下均匀突出显著区域。实验结果表明，改进后的模型与原CDINet算法模型相比，在LFSD数据集上的F-measure提高了0.6%,MAE下降了0.4%；在STERE数据集上的F-measure提高了0.4%,S-measure提升了0.5%。相对于其他算法模型，本模型基本满足检测性能更好、适应性更高等要求。

关键词： 目标检测   倒置残差   位置编码   注意力机制   道路裂缝  

摘要： 阐述一种基于Transformer的轻量化道路裂缝检测算法。首先引入倒置残差移动块，并将其与级联分组注意力机制深度融合，构建iRMCGB模块提高模型学习长距离交互的能力。在Transformer编码器部分采用一种可学习的位置编码，使模型可以不受周期性限制，更灵活地捕获更加复杂的序列模式和相对位置，从而提高模型检测性能。最后使用加权双向特征金字塔BiFPN优化CCFM模块，实现多尺度特征融合，提高检测的准确性和鲁棒性。实验结果表明，改进算法与原算法相比，在参数量降低了20.2%的同时mAP值提高了2.2%，证明所提的道路裂缝检测算法的有效性，为道路裂缝的实时高精度检测提供理论基础。

关键词： 空间小目标   目标检测   异面交会   可见光图像   态势感知  

摘要： 空间交会任务执行成功与否的关键在于目标检测的准确性。针对远距离异面交会过程中空间目标与恒星成像相似、特征少、成像轨迹随机、星点像移缓慢等特点，提出了一种基于星点关联和轨迹匹配的空间目标检测算法。首先对多帧星图图像进行预处理，包括噪声处理、阈值分割、质心定位、以及图像配准，然后，基于所提出的关联度函数与关联法则进行多帧星点关联，滤除游离噪点的同时提取出星点帧间运动的轨迹，最后以目标尺寸、速度、方向三个指标进行轨迹匹配，检测出空间目标。经仿真验证算法满足异面交会过程中的检测要求，在存在一定程度帧间失配情况下，空间目标检测率可达99.8%，虚警率为0.04%，可以适应复杂空间环境下的目标检测需求。

关键词： 海冰   DeeplabV3+   语义分割   图像识别   深度学习  

摘要： 海冰是极地海域的典型环境特征，对船载视频图像进行像素级分类可获取高分辨率的海冰信息。由于极地场景中的光照条件与海冰形态较为复杂，传统计算机图形学方法的泛化性难以满足海冰要素的智能识别需求。因此，本文采用基于DeeplabV3+语义分割网络结构的深度学习方法对极地场景中海冰要素进行识别。将“雪龙”号科考船在冰区航行中的实测海冰图像制作为数据集，并对深度学习模型进行训练与验证。根据海冰要素的识别需求与走航观测视频图像特点，将像素信息划分为海冰、天空、海水与船体4种语义类别。根据训练集中的图像信息与语义信息间关联构建深度学习模型，并通过所训练模型对验证集或其他图像中像素点的语义信息进行预测，从而实现海冰信息的自动识别。为了研究该方法的鲁棒性进一步分析了海冰密集度、光照条件以及海冰类型对识别结果的影响。此外，研究了数据集规模与迭代次数对识别精度的影响。图像识别结果显示，4类语义信息识别结果的平均交并比高于95%。这表明深度学习方法能够在极地复杂的环境中较为准确地获取各类要素分类信息。

关键词： 动态环境   视觉SLAM   目标检测   特征剔除   稠密建图  

摘要： 针对同步定位与建图（Simultaneous Localization and Mapping,SLAM）算法在动态场景中存在的定位精度低且无法生成有效地图的问题，提出一种基于动态特征剔除与稠密建图的视觉SLAM算法。在ORB-SLAM3算法基础上新增特征点筛选线程，使用轻量化的YOLOV8网络检测环境中的动态物体，并结合光流法和对极几何约束剔除环境中的动态特征点。在新加入的稠密建图线程中利用生成的关键帧及计算出的位姿构建稠密点云地图。在公开的TUM数据集进行验证，相比于原ORB-SLAM3，各项定位误差下降达90%，同时在稠密建图结果中去除了动态物体所造成的重影。新算法通过加入的特征点筛选线程和稠密建图线程，有效地解决了视觉SLAM算法在动态环境中无法正常定位和建立有效地图的问题，极大增强了SLAM系统在动态场景中的精准度和鲁棒性。

关键词： 特征点提取   特征匹配   GMS   动态贝叶斯网络  

摘要： 针对传统图像处理中快速特征检测和描述算法(ORB)特征点提取不均匀、匹配速度慢、匹配准确率不高的问题，提出了一种改进ORB特征点提取与匹配的图像处理算法。首先，使用改进的四叉树算法对ORB特征点进行均匀化提取，最大限度利用整幅图像的信息；其次，进行特征点的暴力匹配和基于网格的运动统计(GMS)筛选，对特征匹配进行初步筛选，提高匹配准确率；最后，利用动态贝叶斯网络筛选得到最佳匹配模型和最佳匹配对，提高匹配准确率的同时减少筛选时间。实验结果表明，提出的改进算法较传统算法，均匀度有明显改善，完成提取与匹配所用的平均时间较其他改进算法均有减少，匹配准确率较其他算法均有提高，特别是相比传统ORB算法提高了49.1%,整体效果明显优于传统的ORB算法及其他改进算法。证明改进ORB特征点提取与匹配的图像处理算法可以较好地实现特征匹配准确率与特征匹配速度的同步提升。

关键词： 计算机视觉   超分辨   大核注意力   轻量化   自适应特征融合  

摘要： 针对高性能图像超分辨网络通常参数量庞大的问题，提出了一种轻量级模型。首先，集成了3种大核注意力，即双路大核注意力、大核像素注意力和大核通道注意力，旨在扩大模型感受野，建立像素的长程依赖性。其次，引入了自适应注意力融合机制，增强了特征的表征能力，提升了模型性能。实验证明：本文模型在视觉感知和量化测试上表现优异。在Urban100数据集上，与目前流行的ARRFN算法相比，4倍重建结果的峰值信噪比均值提高了0.25 dB。重建图像视觉效果更逼真、纹理更为清晰和自然，充分证明了该算法的有效性。

关键词： 机器视觉   目标检测   注意力机制   多头混合自注意力机制   YOLO  

摘要： 为解决传统注意力机制导致的模型的表征能力和检测性能受限或复杂性和计算成本高的问题，提出一种创新的轻量级多头混合自注意力机制（MMSA），旨在提升目标检测网络的性能，同时保持模型的简洁性和效率。MMSA模块巧妙地整合通道信息与空间信息，以及局部与全局信息，引入多头注意力机制进一步增强网络的表征能力。与其他注意力机制相比，MMSA在模型表示效果、性能与复杂性之间实现更为优越的平衡。为验证MMSA的有效性，将其集成到YOLOv8n网络的Backbone或Neck部分，以增强模型的多尺度特征提取和特征融合能力。在CityPersons、CrowdHuman、TT100K、BDD100K和TinyPerson这5个公开数据集上进行对比实验，结果显示，采用MMSA的YOLOv8n的平均精度均值（mAP@0.5）相较于原始算法分别提高0.9百分点、0.9百分点、2.3百分点、1.0百分点和1.7百分点，且模型体积并未显著增加。此外，加入MMSA后的模型检测速度达到145 frame/s，充分满足实时应用场景的需求。实验结果充分证明了MMSA注意力机制在改进目标检测效果方面的有效性，展现了其在实际应用中的实用价值和广泛适用性。

关键词： YOLOv8n   多尺度卷积   特征金字塔   轻量检测头   NWD  

摘要： 针对遥感图像中存在因背景复杂、尺度变化大、小目标密集而导致的目标检测准确率低等问题,提出了一种改进YOLOv8n的检测算法:MGL-YOLO。首先,设计MSConv减少模型参数,基于MSConv重构C2f模块,提高多尺度特征提取能力;其次,基于GLSA和GSConv模块改进Bi FPN结构,简化颈部网络,增强网络的特征处理能;在头部设计Light-head进一步轻量化模型,加强小目标特征提取能力;最后引入NWD损失函数替换原损失函数,增强对小目标的定位精度。在DIOR-R、DOTAv1.0和VEDAI数据集上验证,实验结果表明MGL-YOLO模型在DIOR-R数据集上准确率和m AP@0.5比基准模型提高了1.7%和1.3%,在DOTAv1.0数据集上提高了1.0%和1.1%,在VEDAI数据集上提高了2.4%和2.1%。参数量降低47%,计算量降低32%,与其他小目标检测算法相比也得到了较好的检测性能。

关键词： 计算机视觉   深度学习   无监督   异常检测   ROI  

摘要： 【背景和目的】烟叶中实际异物难以预料，而常用的有监督目标识别类算法仅适用于被训练过的已知类型异物。为实现对零样本的未知类型烟叶异物实时检测能力，有效提高物料纯净度。【方法】应用无监督的图像异常检测（Anomaly Detection,AD）技术，考虑人眼视觉系统（Human Visual System,HVS）的注意机制与基于深度学习的条件归一化流（Conditional Normalizing Flows,CFlow）框架，将感兴趣区域（Region of Interest,ROI）与正常烟叶样本构建的检测模型结合，共同预测图像像素块的未知异物概率。【结果】1）对未知异物检测F1分数为94.61%，而目标识别类算法YOLOv8对已知异物的检出率为100%，对未知异物的检出率为0%。2）提出的基于计算机视觉的烟叶异物检测部署方案，平均预测时间为0.26 s/张，可满足实时性的要求。【结论】该方案比常见的目标识别类异物检测算法应对非期望输入的鲁棒性更强，能实时检测烟叶中异物，具备成本低、部署快等优点，有良好的推广价值。