关键词： 图像处理   视网膜血管分割   图卷积神经网络   动态特征融合  

摘要： 利用深度学习技术进行视网膜血管分割是临床医生诊断眼底疾病的重要辅助方法。然而,现有方法忽略了感受野在高分辨率图像特征提取阶段的重要性以及深度特征图通道之间的动态拓扑相关性,导致通道间信息表征不足。为此,设计一种新颖的动态特征图卷积网络模型(DF-Net)。该模型采用结构化Dropout卷积块替代U-Net中的原始卷积块,构建一个双扩张卷积块(DDCB),旨在不增加模型参数量的同时扩大感受野,提升模型捕捉视网膜血管全局结构信息的能力。进一步,构建动态特征图卷积模块(DFGCM),将特征通道映射到拓扑空间并在拓扑空间上挖掘通道之间的动态拓扑关系,提高通道信息的利用率,丰富视网膜血管的特征信息。实验结果表明:所提DF-Net能够有效提高对视网膜血管的分割精度,在两个公共合理的高分辨率Fives和HRF数据集上,准确率分别达0.9876和0.9733,灵敏度分别达0.9088和0.8322,均优于现有的先进血管分割模型;在三个广泛使用的低分辨率DRIVE、STARE和CHASE_DB1数据集上,也表现出较为出色的分割效果。这些出色的分割结果表明所提DFNet具有辅助临床医生提高眼底疾病诊断能力的潜力。

关键词： 博士研究生   硕士研究生   网络空间安全   计算机视觉   互补优势   机器学习   模式识别   多模态  

摘要： 近日,计算机视觉与模式识别会议(CVPR 2024)所设第四届计算机视觉对抗性机器学习研讨会(The 4th Workshop of Adversarial Machine Learning on Computer Vision:Robustness of Foundation Models)论文接收结果公布,中山大学网络空间安全学院2023级硕士研究生刘宽融与2024级博士研究生梁嘉伟共同参与的论文“Unlearning Backdoor Threats:Enhancing Backdoor Defense in Multimodal Contrastive Learning via Local Token Unlearning”荣获杰出论文奖(Distinguished Paper Awar d)。多模态对比学习已经成为利用多种数据模态互补优势来构建高质量特征的强大范式。

关键词： 计算机图像处理   成分鉴定   信息参考   化工行业   计算机技术   有色金属   应用优势   实用分析  

摘要： 随着计算机技术的快速发展,化工行业有色金属成分鉴定与再生分析的途径越来越广泛.计算机图像处理技术是21世纪以来计算机技术发展的巨大成果,其应用于有色金属成分鉴定中,不仅可以提高对有色金属成分占比的计算精准度,为有色金属的深加工与再生提供依据,而且还可以降低有色金属成分鉴定的难度,提高鉴定效率.目前,计算机图像处理在有色金属成分鉴定中应用优势虽明显,但是国内对相关方面研究略显不足,甚至缺少专业性研究报道.对此,本文主要根据«有色金属深加工与再生实用分析技术»相关内容提示,联系当下计算机图像处理在有色金属成分鉴定中应用经验,提出有关看法,为我国化工行业与计算机技术领域提供信息参考.

关键词： 机动目标跟踪   伯努利滤波   箱粒子滤波   交互多模型算法  

摘要： 针对箱粒子滤波算法在杂波量测环境下跟踪机动目标精度不足和目标丢失的问题,提出一种基于交互多模型伯努利滤波的自适应扩张箱粒子机动目标跟踪(Interacting Multiple Model-Extended Box Particle-Bernoulli Filter, IMM-EBox-BF)算法,采用多个模型并行滤波,在预测步骤后引入自适应箱粒子扩张算法,在每个箱粒子分割成小箱粒子后自适应扩张小箱粒子区间长度,以提高对目标位置估计精度。在更新步骤,改进箱粒子收缩算法,增加对加速度分量的约束,以提高对目标速度估计精度。对仿真与实测数据的处理结果表明,在杂波量测和传感器发生漏检情况下,所提的IMM-EBox-BF算法与传统算法相比,位置跟踪精度提升了16.5%,具备更准确的目标估计精度和连续性。

关键词： 人体姿态估计   深度学习   YOLOv8n-Pose   目标检测  

摘要： 针对轨道作业人员跨轨安全动作监督方法存在效率低、漏检率高等问题,引入改进的人体姿态估计算法YOLOv8n-Pose对跨轨安全动作进行识别和监督。对YOLOv8n-Pose算法改进方法为在网络中添加注意力机制并轻量化网络结构,并改进网络的bbox损失函数和关键点损失函数,以提高网络的识别精度和速度。使用高斯滤波和ColorJitter算法对自制数据集增强。在训练前使用遗传算法对训练超参数进行自适应调整,在训练时使用迁移学习和知识蒸馏方法,提高网络训练速度、识别精度和泛化能力。将训练好的模型对轨道现场作业人员图像进行检测,可成功识别出作业人员姿态并根据关键点位置信息识别安全动作,人体关键点识别精确度为94.3%,推理速度为238.1 fps,验证模型改进研究取得了有益效果,提高了模型识别精度、识别速度和鲁棒性。

关键词： 小目标检测   无人机航拍图像   空间金字塔池化  

摘要： 针对无人机航拍图像背景复杂、小尺寸目标分布密集等造成的检测精度低等问题,提出一种高分辨率特征增强的无人机航拍小目标检测算法。首先,提出了高分辨率特征增强网络,通过减少主干网络的下采样倍数来扩大输出特征图的尺度,同时引入双线性插值法来减少采样后特征信息的丢失,从而保留更多语义特征与细节特征。其次,在主干网络嵌入一种结合局部跨阶段结构的快速空间金字塔池化(Spatial pyramid pooling fast cross stage partial construction,SPPFCSPC)模块,增强局部与全局特征的信息融合,从而获得更大的感受野。最后,通过马赛克混合数据增强方法来增强图像背景的复杂度,提高模型的泛化能力。在公开数据集VisDrone 2019上的实验结果表明,与“你只需看一次”(You only look once,YOLO)系列等其他主流算法相比,本文算法的平均精度均值有显著的提高,在不同场景下均验证了本文算法的优越性,表明本文算法对无人机航拍图像的密集小目标检测任务有较强的实用性。

关键词： 合成孔径雷达   飞机目标检测   网络重构   可变形卷积   GAM注意力机制  

摘要： 针对合成孔径雷达(Synthetic Aperture Radar, SAR)图像飞机目标检测算法存在模型复杂度较高、检测效果差、泛化能力弱等问题,提出了一种基于改进YOLOv8的SAR图像飞机目标检测算法。首先,针对SAR图像飞机目标较小的特点,剔除大目标检测层,重构特征提取网络和特征融合网络,降低模型计算量。其次,在主干网络引入可变形卷积(Deformable Convolutional Network, DCN),增强特征提取能力;在颈部网络引入全局注意力机制(Global Attention Mechanism, GAM)提高检测精度。最后,采用WIOU(Wise-IoU)损失函数提高收敛速度和回归精度。在SADD数据集(SAR Aircraft Detection Dataset)上实验结果显示,改进算法较原YOLOv8算法模型体积压缩59.66%,参数量降低61.18%,计算量减少18.29%,最高精度提高至98.1%。与其他算法相比,所提算法在保证较高检测精度的情况下大幅降低了模型体积、参数量和计算量,实现了模型复杂度和检测精度的平衡。

关键词： 目标检测   轻量级网络   煤矿安全帽检测   损失函数   注意力机制  

摘要： 针对当前的工人安全帽检测算法模型参数量较大、推理交互时间较长、错检和漏检率较高等问题,提出了一种基于注意力和重构特征融合的轻量级煤矿工人安全帽实时检测方法MS-YOLO。为了在不影响检测精度的前提下压缩模型的大小并提升检测的速度,采用轻量级网络MobileNeXt作为MS-YOLO算法的主干网络;重构了特征路径融合网络PANet,在网络中添加了新的尺度输入、ULSAM-4注意力模块和深度可分离卷积;为了加快模型收敛速度并提高预测框的回归精度,提出了一种新的损失函数CLIoU loss;该研究还建立了一个面向矿井场景的安全帽检测数据集以适用于其特殊的工况环境。通过在标准数据集和自建数据集上进行实验测试,结果表明,MS-YOLO模型不仅保持了较高的检测精度,还具有实时性好、模型轻量化的优点。

关键词： 水产养殖   机器视觉   鱼苗计数   YOLOv8   多目标跟踪  

摘要： 水产养殖业中鱼苗的数量检测是一个重要环节。针对传统的人工计数方法效率低、精度差、易造成鱼苗应激和损伤等问题,该研究以体长20~50 mm的草鱼苗为检测对象,提出了一种基于改进YOLOv8和多目标跟踪的小鱼苗计数方法。根据鱼苗目标小且检测速度要求高的特点,在YOLOv8算法中引入了P2小目标检测层,同时在检测头前添加GAM(global attention mechanism)注意力机制,并将目标识别损失函数优化为Inner-SIoU(inner-SCYLLA-intersection over union)损失函数以加快模型的收敛速度、提高对小目标和重叠目标的识别准确率;然后,针对检测识别到的鱼苗目标,结合多目标跟踪算法实现了一种适用于小鱼苗的跟踪计数方法。最后通过设计鱼苗计数试验平台、采集制作数据集、训练计数模型并进行计数试验验证该计数方法的优点和性能指标。试验结果表明,平均计数精度、平均绝对误差、均方根误差分别为97.16%、 3.67、 5.26,各项指标优于YOLOv5+DeepSORT、 YOLOv8+DeepSORT、 YOLOv8+StrongSORT、YOLOv8+ByteTrack、YOLOv8+BoT-SORT等方法。该研究方法能够以更快的速度和更高的准确性统计视频中小鱼苗数量,为工厂化水产养殖的鱼苗快速准确计数、生物量估计等奠定了基础。

关键词： 红外图像   YOLOv7   目标检测   特征提取  

摘要： 为解决传统目标检测算法在红外场景下的目标识别精度低、检测速度差等问题,提出基于AS-YOLOv7的红外目标检测方法。首先针对红外图像的特性,对YOLOv7模型中的特征提取网络进行重构并构建卷积块CBH,保证模型的稳定性和计算速度;然后改进金字塔池化(SPPCSPC)模块,使模型在不增加任何参数的同时提高模型性能;最后将原模型中的损失函数替换为具有动态非单调的WIoU损失,解决红外数据集中质量较好和质量较差的样本间的不平衡问题,提高模型的泛化性。本文实验在自行采集的数据集上进行训练和验证,与原模型相比,AS-YOLOv7的平均精度提升了0.2%,参数量降低了79%,计算量降低了85%,推理时间降低了32 ms。改进后的模型在保持准确度的情况下提高了模型的推理速度。