关键词： 计算机视觉   跨模态行人重识别   多层次特征融合   多损失  

摘要： 【目的】针对现有方法中忽视不同网络层特征之间关联性及未充分利用网络特征的问题，提出了一种融合多层级特征嵌入的网络结构。【方法】首先，该网络通过多样化嵌入扩展模块生成多尺度嵌入特征，以增强特征的区分性与鲁棒性，从而促使网络捕获更丰富的语义信息；然后利用通道空间自适应特征融合模块挖掘不同的通道和空间特征表示，聚合不同阶段的特征，以增强模型捕获全局上下文和多尺度信息的能力，高效融合不同特征层次的信息；最后通过多种损失函数来联合监督得到的特征，以提高跨模态行人重识别的准确性和鲁棒性。【结果】所提算法在SYSU-MM01数据集下R-1、mAP和mINP准确率分别达到75.91%、7.28%和59.37%。【结论】网络能更好地应对异质模态间的差异，充分利用多模态数据的潜力，有效提升基线网络的识别精确度，证明了所提网络结构的有效性。

关键词： 漏钢预报   V型黏结   计算机视觉   特征提取   支持向量机   随机森林   模式识别   连铸  

摘要： 连铸生产过程中可能会发生许多异常情况，其中漏钢事故是连铸生产中最严重的事故之一。漏钢发生前的典型征兆之一是在铜板局部上形成的呈“V”形扩展的黏结区域，需借助稳定可靠的方法对其进行检测和预报。利用计算机视觉技术，将结晶器铜板表面采集到的热电偶温度信号及计算得出的温度速率，与颜色空间建立映射关系，并以二维平面热像图的形式来表征异常黏结区域。通过提取图中黏结区域的动态与静态特征，构建出代表黏结区域的十维特征向量。基于某钢厂的漏钢统计报表，建立了黏结区域特征向量样本库。同时，采用支持向量机（support vector machine， SVM）和随机森林（random forest， RF）这两种机器学习模型，对真伪黏结区域特征进行学习和识别。测试结果表明，相较于随机森林模型，支持向量机模型能够更有效地识别出黏结漏钢的异常温度模式，随机森林模型在预测结果中存在两例漏报，而支持向量机模型的漏钢报出率可达到100%，并且将误报率控制在10%以下（9.93%），在Gmean分数（0.95）和模型AUC（0.98）等指标方面，支持向量机模型也显著优于随机森林模型，这表明该模型能够满足漏钢预报任务的要求。基于上述结果，该研究建立了基于计算机视觉与机器学习的结晶器漏钢预报模型，为连铸生产中基于数据驱动的过程异常检测和预报技术提供了参考。

关键词： 运动目标检测   低秩稀疏分解   指数范数   分数范数   交替方向乘子法  

摘要： 针对传统的低秩稀疏分解模型由于替代函数逼近程度不高和抗噪声能力弱等关键挑战引发的视频运动目标检测性能不高的问题，提出了一种基于改进的鲁棒非凸范数的视频运动目标检测模型.该模型首先采用非凸的拉普拉斯指数范数替代传统LRSD方法中的低秩项；其次采用非凸的Geman分数范数替代传统LRSD方法中的系数项；然后将噪声项引入到IRNCN模型中以增强其抗噪声的鲁棒性；然后，为有效求解改进的鲁棒非凸范数的视频运动目标检测模型，采用交替方向乘子法对提出的模型进行有效求解；最后，将提出的模型应用于经典的CDnet数据集和I2R数据集的视频运动目标检测实验中.实验结果表明，新模型的平均F1值比其他同类对比模型最大可提高0.2013，对应的平均精准率最大可提高12.24%，对应的运行时间最大可提高0.1297s/帧，从而验证了所提出模型的有效性和优越性.

关键词： 深海图像   颜色校正   多对比度增强   深度卷积神经网络   图像融合   伽马校正   灰度世界   图像处理  

摘要： 高质量的深海图像是实现高精度深海资源环境观测和动静态目标识别的重要基础。针对深海中光线不足，成像依赖于主动光照等原因，导致图像出现对比度低、色偏和曝光等质量退化问题，提出了一种基于全局和局部对比度融合的深海图像增强方法。首先，设计了基于灰度世界的图像颜色校正算法，基于绿色通道对红色通道预补偿，并采用灰度世界法完成图像颜色的校正。其次，采用改进的伽马校正算法和限制对比度自适应直方图均衡化算法分别获取全局和局部对比度增强图像。最后，设计了基于深度卷积神经网络的多对比度图像融合策略，实现全局和局部图像信息的互补。将所提方法应用于深海图像，实验结果显示：本文所提方法在多个对比指标中优于现有水下图像增强方法，能够为后续目标检测等高阶视觉任务提供清晰数据。

关键词： 微动特性   DeepSORT框架   标签分层逐级更新   无迹卡尔曼滤波   密集目标跟踪  

摘要： 针对密集群目标跟踪问题，尤其是具有微动特性的目标，本研究提出了一种基于微动特性的标签分层逐级更新的密集目标跟踪算法。在窄带雷达探测密集微动目标的过程中，会出现多个目标进入同一分辨单元内或者交叉重叠的问题，难以有效地区分目标，导致检测过程出现误检漏检和跟踪过程出现航迹交叉，航迹消融等问题，影响检测跟踪的性能。而在群目标检测分离过程中，目标的微动特性具有较高的研究应用价值，因此，本文利用正弦调频Fourier-Bessel变换分离微动目标，提取目标的微动参数并给出编号，同时通过信号处理在距离-多普勒-角度域提取目标状态参数，联合构建滤波更新参数集；为了进一步提高跟踪算法的性能，基于DeepSORT框架的多目标跟踪滤波更新机制，针对密集目标跟踪航迹交叉等问题，设计了一种标签分层逐级更新算法，通过无迹卡尔曼滤波(Unscented Kalman Filter，UKF)对目标状态进行非线性估计，以此构建多UKF跟踪器对同向密集多目标进行快速且稳定的跟踪，仿真结果表明，所提出的算法在处理密集目标跟踪任务中，能够提高跟踪的精度和稳定性，具有良好的工程应用潜力。

关键词： 无人机航拍   YOLOV8n   红外目标   多分支   恒等映射  

摘要： 针对无人机红外图像由于高度变化使得目标尺寸变化大，从而导致检测精度和效率低的问题，提出了一种基于YOLOv8n的改进算法。首先，在SPPF模块中镶嵌ELA注意力模块，在特征挖掘过程中识别并保留关键的语义信息。其次，增加小目标检测层，并提出多分支特征融合（MFEF）结构，加强特征学习从而提高检测性能。此外，采用轻量通道混合器CGLU来减少C2f模块的参数量。最后，采用IdentityFormer中恒等映射的方式来提升网络的信息交互效率。在HIT-UAV数据集上进行消融实验，改进模型的mAP50和mAP50：95分别较基线模型提升5.4%和3.1%，参数量减少了15%，提升了检测精度的同时减少了漏检误检的现象，对实现无人机红外目标检测有重要意义。

关键词： 小目标   YOLOv8   改进的可变形卷积   动态检测头   注意力机制  

摘要： 针对无人机航拍图像中目标小且密集重叠、场景多样复杂等造成检测精度不高的问题，提出一种改进YOLOv8n的航拍小目标检测算法。将改进的可变形卷积与主干网络中部分C2f进行融合，加强网络适应不同的目标尺度变化；在Neck部分引入GC注意力机制，增强网络对重要特征信息的提取；在Head部分设计了动态检测头DyHead，通过统一尺度、空间和任务三种维度的注意力来提高检测头的检测效果；对原模型的特征融合结构和检测头进行改进，有效提高网络对小目标检测精度和减少模型参数量。实验结果表明，在VisDrone数据集上改进后的模型比基础模型的平均精度(mAP50)提高了6.0%，且模型部署在硬件上帧率为20FPS。该模型检测效果得到显著提升，检测速度满足无人机航拍小目标的实时要求。

关键词： 注视目标检测   时空可变形Transformer   概率模型   时间连续性  

摘要： 本文提出一种基于时空可变形Transformer 的一致性导向的概率模型，用于注视目标检测。其主要由帧注视模型、时空注视关系模型、未来语义注视估计模块构成。帧注视模型通过空间编码器、空间解码器和预测模块对帧特征进行处理，得到关于头部标签、热图等信息；时空注视关系模型将过去特征与当前帧特征拼接后，通过时序注视关系特征编码器和时序注视关系查询编码器融合特征，增强当前帧的注视关系查询；未来语义注视估计模块以时空注视关系模型为骨干学习过去-未来语义，并通过具有一致性感知的未来解码器逐帧预测未来特征。多个数据集上的实验显示，此模型在视频注视目标检测和视频共同注视目标检测任务中性能卓越，超越以往所有方法。消融实验证实模型关键模块和不同损失函数对整体性能有积极作用，可视化效果体现了模型在动态注视场景下的有效性。

关键词： YOLOv8   深度学习   空间目标   密集背景   低信噪比  

摘要： 在密集星场下的空间目标与背景特征高度相似，检测中容易导致大量虚警的产生。此外，空间目标在远距离探测条件下往往呈现暗弱特征，且在运动过程中会受到高亮恒星遮挡，造成检测困难、漏检率高。针对以上问题，本文提出一种基于YOLOv8框架的大核深度、不同层级可分离卷积，结合灰度及连通域判别精细化目标分割的密集恒星背景暗弱空间目标检测模型(FRR-YOLOv8)。首先，使用C2f卷积层替代原YOLOv8网络SPPF(Spatial Pyramid Pooling Fast)模块的普通卷积层，通过将不同层级的特征图进行卷积，使模型可以获得更多的上下文信息，促进对小物体、低信噪比目标的检测，解决目标因暗弱特征导致的漏检率高的问题；其次，使用RTMdet(Real-Time Models for Object Detection)结构作为YOLOv8网络的Head部分，通过在模型结构的基本单元引入大核深度可分离卷积增大感受野，并平衡不同分辨率层级间计算量、参数量，增加基本构建单元的特征提取能力，并在该模块结合灰度及连通域判定将目标区域由整体框选精细定位至个体邻域，解决因背景恒星密集带来的检测干扰。改进算法在仿真图像数据集和真实图像数据上均进行了实验，mAP50指标在信噪比0.5-1dB范围的图像数据集上测试可达到94.6%，相较于原始的YOLOv8模型提高了10.8%，证明FRR-YOLOv8模型对暗弱空间目标检测的有效性。

关键词： 一致性分布式滤波   目标跟踪   集中式信息滤波   信息融合   多传感器  

摘要： 在多传感器目标信息融合过程中，提出一种一致性分布式信息滤波算法，用于改善集中式滤波算法在目标跟踪状态估计中对融合中心依赖度高，稳定性低的问题。该算法是根据各个传感器自身以及邻居节点的状态信息和量测信息，实现对目标的实时跟踪定位，每个节点都是数据处理中心，解决了融合中心抗毁伤能力不足的问题，保证部分传感器节点出现问题时，全局的任务能够顺利进行。仿真分析可得，运用一致性分布式滤波算法，可以解决多传感器目标跟踪信息融合问题，其精度高于单一传感器滤波精度，且趋于多传感器集中式信息滤波的精度，可应用于高稳定性、可靠性的非线性系统跟踪。