关键词： 卫星遥感   YOLO11   目标检测   卷积操作   注意力机制  

摘要： 现阶段卫星遥感图像尺寸较大,检测目标大多较小且分布不均,存在大量目标聚集在一起的现象,且不同目标尺度差距较大,背景较为复杂,使得在土地利用和环境灾害检测方面面临相当大的挑战.因此,本文提出一种改进YOLO11的遥感图像检测方法.首先,在YOLO11中的C3k2模块中引入注意力机制,设计了C3k2＿DAB模块,在控制模型复杂度的同时提高模型在复杂背景影响下的检测性能.其次,在颈部网络后加入PKI模块,促进了局部和全局上下文信息的自适应特征提取.最后在检测端引入新的检测头PConv检测头,在减少冗余计算和内存访问的前提下更快速地提取空间特征.实验结果证明,改进的YOLO11网络模型在遥感图像目标检测任务中取得了优异性能,相较于原YOLO11模型mAP@0.5提高了2.4%, mAP@0.5:0.95提高了2.1%,且优于其他主流目标检测模型,为遥感目标检测算法的应用提供了新思路.

关键词： 人工智能   图像处理   道路裂缝   精准自动识别  

摘要： 将人工智能与图像处理技术结合,可实现道路裂缝精准自动识别。利用图像处理技术完成裂缝图像的预处理、特征提取,借助人工智能算法构建识别模型,经过训练与优化提升识别精度。该方法能提高道路检测效率与准确性,降低人力成本,为道路养护与管理提供有效的技术支持。

关键词： 乳腺癌   计算机辅助技术   深度学习   图像分割   计算机视觉  

摘要： 乳腺癌是全球女性中最常见且致死率较高的恶性肿瘤之一,其诊断和治疗高度依赖医学成像技术.其中,病灶分割在精准识别病理区域、辅助诊断及治疗规划方面发挥着关键作用.近年来,深度学习算法在乳腺癌病灶的自动分割任务中取得了显著进展,为深度学习在这方面的研究奠定了基础.系统梳理了近年来相关研究,重点探讨深度学习技术在不同医学成像模式下分割方面的应用,旨在为乳腺癌病灶分割的进一步研究提供参考.首先,简要介绍相关数据集和图像分割常用指标.然后,系统综述基于深度学习的乳腺癌影像分割方法,归纳不同算法在不同成像模式下的应用情况.最后,总结当前技术存在的挑战,并结合现有研究的局限性,对未来发展方向进行展望.

关键词： 海事雷达   扩展目标跟踪   相关滤波器   贝叶斯滤波   多视野融合  

摘要： 该文针对复杂海面背景下雷达目标跟踪的关键技术展开研究。基于特征辅助的经典贝叶斯跟踪方法在海面雷达目标跟踪问题中已取得一定进展，但在强杂波淹没与目标相互作用的复杂场景中，其鲁棒性显著降低。为解决这些问题，该文提出了一种自适应多视野聚焦贝叶斯融合相关滤波器。该方法在目标状态概率分布区域内生成多个子视野，并在每个视野中部署独立的相关滤波器构建局部响应图，实现多假设状态建模。在跟踪器的迭代过程中，各滤波器生成的响应图不仅用于状态估计，还引导子视野分布在时序中动态聚焦于目标存在的高置信区域，从而增强跟踪器对复杂运动的适应能力。此外，针对复杂海面背景下跟踪器容易出现虚警和漏警的问题，算法引入了虚拟视野模拟聚焦模型，有效抑制了复杂环境因素导致的滤波器漂移现象。最终，该文在贝叶斯多量测跟踪框架下融合多视野量测，构建全局状态估计，获得了更精确的目标状态融合估计。基于仿真与实测雷达数据的实验结果表明，所提算法在中心定位误差指标上平均误差为3.47像素，较典型特征辅助相关滤波方法平均降低约70%，在定位精度指标上整体提升了约21%，显著提升了目标跟踪精度与抗干扰能力，验证了多视野聚焦相关滤波机制和贝叶斯融合策略的有效性。

关键词： 目标检测   视觉退化   Kolmogorov-Arnold网络   可解释性   注意力机制  

摘要： 尽管目标检测技术已在理想条件下取得显著突破，但在雾、雨、雪等极端天气下检测性能会严重下降，制约了其在自动驾驶、城市安防等关键领域的应用。为此，提出可学习的激活函数可以更有效地建模恶劣天气图像退化引入的复杂非线性畸变。基于此实现了一种基于Kolmogorov-Arnold定理的新型检测框架——KADet。该框架包含三个核心组件：动态Kolmogorov-Arnold变换器(DKAT)采用可学习非线性激活函数增强特征提取能力；Kolmogorov-Arnold空间通道网络(KA-ScNet)通过集成KAT-conv和空间通道卷积技术，增强对退化场景中背景与检测目标关系的学习能力；改进的损失函数约束激活函数的优化方向。并结合可学习激活函数进行可解释研究，展现了模型决策过程。实验表明，KADet在多个合成和真实世界恶劣天气数据集上均优于现有方法，在雾天、雨天和雪天条件下平均精度(mAP)显著提升，验证了可学习激活函数在应对天气退化导致的目标检测性能下降问题的有效性。此外，通过可视化KAT模块的函数曲线，揭示了模型应对不同退化特征的策略，验证了其良好的可解释性和可信度，为计算机视觉在复杂环境下的应用提供了新的理论基础和技术路径。

关键词： 目标检测   YOLOv8   通道注意力   特征融合   可变形卷积  

摘要： 针对复杂场景下多尺度目标检测任务中存在的跨层级特征交互不足、特征表达能力有限等问题，提出一种基于YOLOv8的改进模型CAFR-YOLO。首先，设计了一种新颖的跨尺度特征重组流程，构建了通道注意力引导的跨尺度特征重组模块(CAFR)。该模块通过以特定层级为融合主干，结合尺度对齐、注意力加权融合及特征子集拼接策略，有效缓解了传统特征金字塔结构中跨层级交互不足的问题。其次，在局部层面，主干网络中引入C2f＿DCNv3模块，利用可变形卷积的动态采样特性显著提升了模型的几何适应性；在全局角度，结合可切换空洞卷积(SAC)与C2f模块构建C2f＿SAConv模块，通过动态空洞率优化了多尺度语义特征融合，二者从不同维度增强了模型对复杂场景的鲁棒性。最后，采用SPDConv 替代传统卷积架构，通过空间-通道维度的特征重组增强了模型表征能力，同时降低了计算复杂度。实验结果表明，在PASCAL VOC数据集上，CAFR-YOLO取得了86.3%的mAP@0.5和67.2%的mAP@0.5:0.95，计算量与原模型相当；在MS COCO数据集上，map@0.5和mAP@0.5:0.95分别提升了3.5%和3.9%。与现有主流方法相比，CAFR-YOLO在多项指标上均表现出显著优势，在保持计算效率的同时，显著提升了多尺度目标检测的精度和鲁棒性，为实时目标检测任务提供了新的解决方案。

关键词： 无人机目标检测   RT-DETR   小目标   多尺度特征融合   门控机制  

摘要： 无人机航拍图像中的小目标检测面临目标尺寸微小、背景干扰复杂、特征表达不充分等关键技术挑战。针对现有RT-DETR模型在小目标特征提取和多尺度融合方面的局限性，提出一种自适应多尺度门控增强融合检测模型(MGEF-DETR)。该方法通过设计多阶跨阶段门控聚合模块(MCGA)，通过自适应门控机制实现小目标纹理特征的选择性增强；构建Micro-OmniPyramid小目标特征金字塔，集成SPD卷积稀疏编码和跨阶段增强空间核模块(CESK)，建立小目标特征的无损传递通路；引入增强特征关联模块EFC，通过分组注意力和多级重建策略优化跨尺度特征融合；设计内部修正惩罚距离IoU损失函数(IMIoU)，增强边界回归对小目标的敏感性。在VisDrone2019数据集上的实验结果表明，MGEF-DETR相比基线模型RT-DETR在mAP@0.5和mAP@0.5:0.95指标上分别提升3.9%和3.1%，同时参数量减少13.6%。在TinyPerson和CODrone数据集上的验证进一步证实了算法的泛化能力，表明该方法在保持轻量化的同时显著提升了航拍场景下小目标检测的精度和效率。

关键词： 深度学习   视觉目标跟踪   单目标跟踪   多目标跟踪   Transformer  

摘要： 目标跟踪是计算机视觉领域的重要研究方向，其任务是在视频序列中对感兴趣的目标进行持续检测与精确定位。随着深度学习技术的迅速发展，视觉目标跟踪在特征建模、时序关联以及端到端学习等方面取得了显著进展。文章系统回顾了基于深度学习的视觉目标跟踪研究现状，从单目标跟踪（SingleObjectTracking,SOT）与多目标跟踪（Multi-ObjectTracking,MOT）两个方向出发，分析了不同框架下的基本思想与实现机制，阐述了从传统手工特征方法向深度特征驱动模型的演化过程。还总结了常用的跟踪数据集与性能评价指标，并对当前研究面临的主要问题进行了讨论，包括长时间建模能力欠佳、复杂场景跟踪鲁棒性差以及跨场景泛化能力有限等。最后，展望了未来视觉目标跟踪的发展趋势，指出融合多模态信息与时空建模的统一深度框架将成为该领域的重要研究方向。

关键词： 图像处理   息肉分割   集成学习   不确定性估计   正则化  

摘要： 针对单模型架构在息肉分割过程中捕获细粒度局部特征能力不足、结果不确定性估计不可靠以及模型泛化性较差等问题，提出了一种基于集成学习和正则化的可信息肉分割方法。首先，分别基于卷积神经网络与金字塔视觉Tranformer构建两种不同类型的可信息肉分割模型。然后，在两种分割模型的基础上均加入证据正则化项进行训练，以提高模型零证据训练样本的学习能力。最后，采用可信融合策略，综合考虑模型输出的概率分布和不确定性，将上述两种息肉分割模型的训练结果进行集成，进一步提高息肉分割的准确性和可信性。实验结果表明，与现有模型相比，本方法具有更好的泛化性、鲁棒性和准确性。

关键词： YOLO-Slim算法   双卷积核   幻影   部分选择卷积   RSOD   NWPUVHR-10  

摘要： 为解决遥感图像目标检测中存在的高计算成本、庞大模型参数量以及复杂场景下特征提取效率不足等实际应用瓶颈，本文提出了一种轻量化遥感目标检测算法(you only look once-slim,YOLO-Slim)。该算法聚集于遥感图像所特有的高分辨率、目标尺度差异大、小目标密集分布等特点，旨在设计一种兼具高检测效率与强大泛化性能的轻量化检测架构。首先，在主干网络中引入双卷积核、幻影和部分选择卷积模块，替代原有标准卷积，旨在显著降低模型的参数量与计算复杂度，同时增强对复杂遥感场景中多尺度目标的特征表示能力；其次，在特征金字塔网络中，设计并采用优化的部分选择卷积结构替换原有轻量化模块，通过精简特征流动路径，有效提升对遥感图像细微结构与空间上下文的提取效率，减少冗余计算与内存占用。在RSOD和NWPUVHR-10两个遥感基准数据集上进行验证实验，以评估本文所提出的YOLO-Slim算法的综合性能。结果表明，相较于对比基准YOLOv10-X，本文提出的YOLO-Slim在保持高精度的同时，实现了显著的模型压缩和性能提升：在RSOD数据集上，m AP@0.5提升1.5%,m AP@50:95提升3.37%，模型参数量降低3.1MB,GFLOPs减少57.9G；在NWPU VHR-10数据集上，m AP@0.5提升1.9%,m AP@50:95提升1.31%,GFLOPs减少56.7G。实验证明，YOLO-Slim算法在检测精度与模型效率之间取得了良好平衡，具备显著的轻量化优势和优越的泛化性能，可有效满足大规模遥感图像的实时或准实时处理需求。