关键词： 深度学习   航空小目标检测   快速傅里叶卷积   特征融合  

摘要： 本文针对无人机航拍图像中目标分布不集中、尺寸变化大、特征不明显等特性造成的漏检、误检等问题，提出了一种基于YOLOv8n改进的航空小目标检测算法ASOD-YOLO。首先，重新设计了特征融合网络，将原有的特征金字塔结构的自顶向下部分替换为低层的信息分发结构（Low-GD），在减少特征损失的同时增强不同尺度间信息融合的能力。其次，将原有的20×20的大目标检测头替换为160×160的小目标检测头，以增强对小目标的检测能力，并且改进了多尺度跨层连接，为检测头提供更加丰富的语义信息。同时，引入了快速傅里叶卷积模块（FFCBlock），以减少下采样后小目标信息丢失，并增强全局上下文信息的提取能力。在航空小目标数据集VisDrone上的实验结果表明，ASOD-YOLO模型相较于基线YOLOv8n模型，在mAP@50指标上提升了4.1%，在mAP@50:95指标上提升2.3%，单张图片的处理时间仅有6.8ms，表明了本文提出的ASOD-YOLO模型能有效完成航空小目标检测的任务。

关键词： 三维目标检测   点云   流形学习   Transformer   形状关系  

摘要： 基于投票的方法在室内三维目标检测任务中展现出巨大的潜力，其中投票直接决定了检测结果的质量。然而位于物体空间重叠处的种子点容易出现错误投票的问题，即映射到错误目标物体中心附近。鉴于这些种子点在几何表面上通常是连续的，引入形状关系来改善这一问题。具体来说，提出了形状关系提取模块，通过构建二维流形并基于流形上的欧氏距离来表征形状关系，然后通过矩阵乘法实现形状关系对点云的约束。为了获取几何表面连续性信息，设计了二叉树Transformer模块。经过形状关系约束后的点云，通过优化的Transformer网络捕获全局上下文，从而学习到物体的表面结构。采用ScanNet和SUN RGB-D数据集进行对比实验，结果表明文中算法在mAP@0.25指标上分别达到65.1%和62.7%，相较于基线方法分别有6.5%和5%的提升，对比目前最优方法分别提高了0.6%和1.1%。

关键词： 液面重建   修正因子   计算机视觉   折射定律   虚拟实验  

摘要： 对单视角下透明液体剖面线的重建算法进行了研究，通过在迭代计算误差产生的计算步骤引入修正因子来对重建过程进行修正。对修正因子的影响因素进行探究，给出了修正因子确定方法。对算法有效性进行了验证，并应用优化后的算法对多个的液面剖面线及三维液面进行重建分析，结果表明：修正因子的添加应根据曲线的曲率及重建过程底部特征点布置步长来分段确定，分段修正后整体精度提升30.88%，最大误差降低4 5.72%。优化后的算法提高了同步长特征点下的重建精度，对于文中所重建的标准液面剖面线和标准三维液面，在达到同样精度的前提下将特征点布置分别减少38.46%和20%；在累积误差控制方面具有良好的效果，且具有普遍适用性。

关键词： RGB-D   显著性目标检测   非对称融合   深度监督  

摘要： 用于显著性目标检测的HDFNet模型在其编码阶段和解码阶段均缺乏有效的特征信息表示能力，分别由于其编码阶段仅把RGB特征和Depth特征进行简单相加，且解码阶段在多次上采样中缺乏有效监督，从而导致检测精度有待进一步提升。本文提出了一种新的RGB-D显著性目标检测模型HDF+。首先，在编码阶段构建了非对称融合模块，该模块通过非对称的方式融合RGB特征和Depth特征，有效利用RGB特征的语义信息及Depth特征的空间细节信息；其次，在解码阶段采用多个深度监督模块对网络进行监督训练，并在各监督层引入IoU损失作为前景损失替换原来的区域增强损失。对比实验结果表明，本文的方法优于主流的RGB-D显著性目标检测方法。

关键词： 图像处理   屏幕翻拍   摩尔纹去除   注意力机制   U-Net  

摘要： 针对现有公开摩尔纹数据集缺少人像数据及现有摩尔纹去除算法对屏幕翻拍人像摩尔纹去除效果不佳的问题。构建屏幕翻拍摩尔纹人像数据集，同时提出U-Net增强网络实现对该类摩尔纹的有效去除。该网络共有三大优势：首先，提出扩张残差稠密块实现对各尺度特征的充分交换与融合；其次，考虑到摩尔纹的不规则性和重复性，引入高效通道注意力机制增强感兴趣特征部分，较少计算冗余的同时增强不同通道维度的依赖关系；最后，提出多尺度L1-感知损失函数对模型训练过程进行监督引导。实验结果表明，在自建人像数据集及公开数据集中本文算法均取得良好的屏幕翻拍摩尔纹去除效果，较主流摩尔纹去除算法有着明显提升。

关键词： 单摄像头跟踪   跨场景跟踪   变换矩阵   图像匹配  

摘要： 当前跨场景多目标跟踪算法主要使用目标的外观特征来设计跟踪网络，而无人机在飞行高度较高时跨场景同一目标之间的外观出现较大形变，基于外观的跟踪算法在跨场景同一目标关联表现较差。针对上述问题，设计适用于高空无人机跨场景多目标跟踪算法名为CSMTT，将跨场景多目标跟踪算法分为单摄像头跟踪和跨场景关联两个子问题。单摄像头目标跟踪是指运用局部关联模型得到前后帧目标之间的关系。跨场景目标关联是运用深度学习的图像匹配方法充分挖掘不同场景图像之间的拓扑关系，并设计优化匹配方法将跨场景之间的目标进行匹配。提出的算法在高空无人机数据集MDMT上取得了鲁棒的效果，跨场景关联指标MDA值达到37.4%，单摄像头目标跟踪MOTA和idF1分别达到48.97%和51.63%。

关键词： 路面异常   目标检测   轻量化   车辆工程  

摘要： 为实现针对复杂路面多种异常状况的快速、准确检测，本文提出了一种行车视角下的路面异常检测算法ATFL-YOLOv8。首先，采用ADown卷积模块替换基线模型(YOLOv8n)中的部分普通卷积进行高效的特征提取及采样；其次，在基线模型主干网络末端添加Triplet注意力层，提升模型的感知能力；再次，采用部分卷积思想构造出新的轻量化模块C2f-Faster，替换基线模型颈部网络中的C2f模块；最终，引入全新的LSCD-Head检测头进一步减少模型参数量并提升模型检测性能。测试结果显示，相较于基线模型，ATFL-YOLOv8在自建的行车视角下包含坑洞、裂缝、井盖、减速带的路面异常数据集上mAP0.5与mAP@0.5:0.95分别提升3.1%、4.2%，达到89.9%、59.7%；同时参数量、浮点运算数量、模型大小分别下降47%、37%、45%，降至1.61M、5.2G、3.31MB，经实车验证，证明其具备一定低速下行车端路面异常检测能力。

关键词： 目标检测   钢板缺陷   PscSE   SPPFELAN   EIOU  

摘要： 为了解决钢板缺陷检测与识别任务中人工成本高、工作量大等问题，设计一种改进的YOLOv8n模型（YOLOv8n-PscSE-SPPFELAN）：在SPPELAN模块的基础上增加可并行执行的多个池化操作，提出SPPFELAN模块对输入数据进行并行处理，以优化计算效率并提升计算资源的利用率；同时将两个混合维度的SE注意力机制（SCSE）进行并行处理，提出并行的特征融合模块PscSE，以更好地捕获输入特征图的全局和通道相关信息，增强模型的表征能力；通过使用EIOU损失函数，克服CIOU损失函数的纵横比定义模糊的局限性，提高模型检测精度并加快网络收敛速度。在东北大学钢板数据集上的实验结果显示：改进模型的mAP@0.5/%达到76.9%，相比原YOLOv8n模型提高了4.6%；计算量为7.7 GFLOPs，比原模型降低了0.5 GFLOPs，减少了计算资源的占用，并显著提升了检测速度。

关键词： 计算机视觉   目标检测   遥感图像   特征增强  

摘要： 针对现有基于深度学习的目标检测算法因模型复杂不利于星上部署的问题，提出了一种面向光学遥感图像舰船识别任务的多尺度特征增强轻量化检测算法(MFLDet)。首先，为减少算法的参数量和计算量，构造轻量化网络架构PG-HGNet作为主干网络，同时构造轻量化跨尺度特征融合网络进行特征交互融合；其次，设计了多尺度特征增强模块MFEM来适应遥感图像中舰船目标的尺度差异性，提高检测精度；最后，引入MPDIoU边界框损失函数来适应预测框与真实框长宽比相同但长宽绝对值不同的情况。在数据集HRSC2016上进行的对比实验结果表明：与基准模型相比，MFLDet的参数量和计算量分别下降了55%和23.5%，而平均精确度仅下降0.2%，在降低算法复杂度的同时，还实现了与精确度之间的平衡。综合考量轻量化水平和检测精度优于其他对比方法。