关键词： 小目标检测   RT-DETR   可变核卷积   Haar小波下采样   Swift无参数注意力  

摘要： 针对遥感图像目标检测算法漏检率、误检率高，对小目标检测效果差的问题，提出一种改进RT-DETR（Real-Time Detection Transformer）的目标检测算法。为提升模型对遥感图像中不同尺寸目标的检测能力，采用可变核卷积与多样化分支结构，丰富多尺度表征能力；为避免下采样造成小目标信息的丢失，采用Haar小波下采样保留尽可能多的特征信息；针对小目标特征信息在复杂的网络迭代与池化中丢失的问题，设计SPABC3模块，通过对称激活函数和残差连接增强检测目标信息和抑制冗余信息。实验结果表明，改进RT-DETR算法在VisDrone2019数据集和RSOD数据集上mAP@0.5分别达到42.7%和95.3%，优于其它对比主流算法，提升了对遥感图像中小目标的检测精度，满足遥感图像小目标的检测需求。

关键词： 绝缘子缺陷   特征融合   注意力机制   目标检测   多尺度特征  

摘要： 针对输电线路绝缘子缺陷样本中存在的复杂背景干扰以及缺陷区域尺度不一问题，提出了一种基于自适应融合特征金字塔与注意力机制的输电线路绝缘子缺陷检测方法。首先，提出了一种自适应融合模块(AF)来处理不同尺度的特征信息，并将其集成到特征金字塔网络当中，来缓解绝缘子航拍图像中存在的缺陷区域尺度不一问题。然后，提出了一种基于注意力机制的缺陷特征细化模块(DFRM)，通过增大感受野以及捕获缺陷区域的上下文特征来应对复杂背景噪声所带来的干扰。最后，将改进后的算法应用到真实输电线路绝缘子缺陷数据集进行实验。实验结果表明，所提出的方法在绝缘子缺陷检测任务上要优于其他方法，相较于基线模型提升了5.7%的准确率，为电网智能巡检提供了一种有效方案。

关键词： 外辐射源雷达   低轨卫星互联网   无源探测   目标检测   多源协同  

摘要： 相较于地基外辐射源雷达，基于卫星信号的外辐射源雷达(即卫星信号外辐射源雷达)具有全球、全时、全天候覆盖等优势，可弥补地基外辐射源雷达在海上覆盖范围不足的限制；相较于中高轨卫星信号，低轨通信卫星信号具有接收功率强、卫星数目多等优势，可为海上目标无源探测提供可观的探测距离与探测精度。面向未来发展需求，该文详细论述了卫星信号外辐射源雷达研究现状与应用前景，给出了以铱星、星链两类低轨通信卫星系统构建高低频宽窄带融合的低轨通信卫星信号外辐射源雷达系统的可行性分析，据此总结了研发低轨通信卫星信号外辐射源雷达系统面临的技术挑战与候选解决思路。上述研究可为广域范围内，外辐射源雷达探测提供重要参考。

关键词： 岩石CT图像   图像处理   深度学习   数字岩石物理   人工智能  

摘要： 岩石CT图像反映岩石孔隙和裂隙等结构特征，对CT图像进行处理并提取图像中的地质信息，对研究岩石的孔隙结构、分析岩石物理响应等具有重要意义。本文总结CT图像处理方法的原理、适用条件、应用效果及其影响因素，将图像处理算法分为基于数字图像的处理方法、基于机器学习的处理方法和超分辨率图像处理方法。结果表明：1）数字图像处理方法简单易实现，应用范围广泛，但依赖于人工的先验知识；2）基于机器学习的图像处理方法可自动、客观、准确、快速地提取图像信息，但岩石CT图像数据匮乏、模型泛化能力有待提升；3）超分辨率图像处理方法能有效提升图像清晰度和细节，但受到岩样成像条件限制，分辨率提升效果有限。结合人工智能方法，为岩石CT图像的智能分析和自动识别带来新的可能性，加速地质信息的获取和解释过程。

关键词： 特征提取   小目标检测   海杂波   凸包学习  

摘要： 海上目标检测中，传统单一特征检测方法在面对复杂场景时往往表现不佳。为了进一步提升检测性能，本文提出了一种基于改进无监督自适应嵌入（Unsupervised adaptive embedding， UAE）的海上目标检测方法。该方法从时域、频域、时频域等多个变换域挖掘了海杂波和目标回波的差异特征，构建了一个六维初始特征空间。在此基础上，通过改进UAE方法，在降维过程中引入正则化马氏（Mahalanobis）距离来精确衡量特征点之间的相似性，并利用类间和类内散布矩阵优化数据的判别性，通过特征投影矩阵将六维初始特征空间映射到三维特征空间，保留关键信息的同时实现数据的压缩。应用凸包学习实现了三维判决区域的构建与目标检测。在海军航空大学雷达对海探测数据集进行了性能验证，结果表明，相较于已有三特征检测方法，所提方法在检测概率方面具有显著的性能提升。

关键词： 安全工程   森林火焰   目标检测   特征约束   傅里叶变换   空间域频域交互  

摘要： 为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题，本文给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先，设计了一种特征不变性和协方差约束结构（Feature Invariance and Covariance Constraint，FICC），通过拉近不同程度树木遮挡下的火焰特征来保持火焰特征的一致性，从而减轻树木遮挡的影响。其次，给出了一个基于傅里叶变换的空间频率交互模块（Spatial Frequency Interaction Module，SFIM），在振幅相位的结构语义信息约束下补充空间域高质量的火焰细节，从而学习具有判别性的火焰特征来解决烟雾遮挡的问题。试验结果表明，本文给出的算法在自制的森林火灾数据集上取得了84.4%的检测精度，比基线网络YOLOv5s提升4.7百分点，大大减少了参数量。十分有趣地是，经过改进后的算法模型显示在有树木遮挡和烟雾遮挡的情况下仍能准确的预测，优于许多用于森林火灾场景的深度学习网络。

关键词： 无人机   小目标检测   YOLOv5s   密集连接   EIOU  

摘要： 为解决无人机航拍图像目标检测中小目标检测精度低下的问题，提出一种基于改进YOLOv5s的无人机航拍图像小目标检测算法。首先，为提高主干网络的特征提取能力，以提取更多小目标的语义信息，将主干网络中的C3模块引入密集连接思想，改进为DC3模块；其次，将CIOU损失函数替换为EIOU损失函数，进一步加快模型收敛速度，提升模型检测能力及定位精度；最后，增加一个额外的小目标检测头，显著提升对小目标的检测精度。在无人机航拍图像VisDrone2019数据集上的实验表明，改进后的模型与原始YOLOv5s相比，mAP@0.5提高了6.6个百分点，mAP@0.5:0.95提高了4个百分点，更适用于无人机航拍图像的目标检测。

关键词： 电力巡检   特征融合   目标检测   特征聚焦扩散网络   YOLOv8  

摘要： 无人机电力巡检航拍图像通常背景复杂、待检目标尺寸较小，使用通用的特征提取网络往往导致漏检误检率较高，本文提出了一种用于特征融合的特征聚焦扩散网络，利用特征聚焦扩散网络对YOLOv8算法进行改进，设计了基于YOLOv8的电力巡检目标检测算法YOLOv8-SFD。在主干网络采用空间到深度非跨步卷积SPDConv保留更多小尺度特征，减少跨步卷积造成的特征损失，避免小目标以及遮挡目标特征提取过程中的特征丢失；在特征融合阶段使用特征聚焦扩散网络代替传统的特征金字塔网络，利用特征聚焦模块融合多尺度特征并扩大感受野，将特征聚焦模块输出的多尺度特征图扩散传递至不同尺度，提升小目标的检测精度；将原始YOLOv8的头部替换为融合了尺度、空间和任务3种注意力机制的动态检测头DyHead，进一步提高模型检测性能。实验结果表明，YOLOv8-SFD准确率达到76.7%，比YOLOv8n提高了7.6%；召回率达到43%，比YOLOv8n提升了2%；平均精确率均值达到48.2%，比YOLOv8n提升了3.8%。YOLOv8-SFD有效提升了小目标和遮挡目标的检测精度，且检测速度达到119帧/秒，满足实时检测的需要。

关键词： 目标检测   船舶检测   多尺度特征融合   注意力机制  

摘要： 船舶检测作为海洋监控及安全管理的关键技术，广泛应用于航道监控、海上救援、非法捕捞等。针对船舶检测中存在的尺寸差异大、背景干扰和遮挡问题，本文提出基于亚像素卷积的多尺度加权融合船舶检测方法。首先，针对船舶图像中的尺度差异，提出多尺度特征加权融合机制，利用亚像素3D融合模块和三重特征编码模块，有效融合不同尺度特征，同时结合多尺度卷积注意力加权机制，使模型在不同空间范围内关注输入特征，从而提升检测精度。其次，为了增强特征提取灵活性并保持网络性能，引入可变核卷积，根据输入动态选择采样点位置，提高特征表达能力。最后，针对锚框在回归过程中膨胀导致模型收敛慢的问题，引入Powerful-IoU损失，利用自适应惩罚因子和梯度调节函数引导锚框回归，同时引入聚焦机制提高中等锚框的聚焦能力。在公共船舶数据集SeaShips上进行了实验，实验结果表明，所提出的方法在多尺度船舶检测任务中表现优越，相比基准模型，精确率提升2.8%，召回率提升4.8%，mAP@0.5提升1.5%，mAP@0.5:0.95提升6.6%，且模型能够快速收敛并保持较好的稳定性，有效应对了复杂背景和船舶遮挡问题。

关键词： 目标检测   语义编辑   测试数据生成   深度神经网络   图像生成  

摘要： 目标检测系统的测试数据生成对评估模型性能和发现潜在缺陷至关重要。现有方法在生成数据的多样性和真实性方面仍存在局限。本文提出了一种基于自动语义编辑的目标检测测试数据生成方法SemaGen，通过构建高质量语义对象库并结合自动化语义编辑策略，实现对图像的插入、删除和替换等高级语义操作。具体而言，该方法首先通过多重筛选机制构建语义对象库，确保对象的语义完整性和场景适应性；其次，利用场景复杂度量化模型，综合考虑背景占比、实例数量和空间分布等因素，实现编辑策略的自适应选择；最后，提出基于对象重要性的替换策略、迭代式删除方法以及考虑语义相似度的智能插入机制，确保生成图像的真实性和多样性。实验结果表明，SemaGen在三种对象操作任务上显著优于现有方法，生成的图像质量更高，FID得分更优，证实了该方法在生成数据质量方面的优越性。在目标检测模型测试中，SemaGen成功发现YOLO v11、SSD和Mask R-CNN等主流检测器在复杂场景下的性能缺陷，为目标检测测试用例生成提供了新的思路和工具。