关键词： 目标检测   仿生相机   自动驾驶   深度学习   端到端目标检测   事件相机检测   轻量化  

摘要： 基于神经脉冲信号的事件摄像机可以提供光线变化的信息，以弥补传统RGB相机目标检测在恶劣环境性能下降的缺陷。然而，利用传统相机融合事件相机的现有方法存在模型参数大和非端到端训练方法的问题，这限制了模态融合的有效性。因此，本文提出了一种事件与RGB信息融合的轻量级端到端对象检测框架，基于两种模态各级尺度特征的进行不同细粒度的信息融合，同时基于重参数化卷积实现轻量级的融合模块并进行端到端的训练，从而提升模型对于两种模态互补信息的提取能力，以克服自动驾驶中具有挑战性的不利环境。我们的模型在大规模数据集PKU-SOD上进行了测试，该数据集提供了低光、高速运动模糊与正常光照的环境下车辆行驶的视觉数据。实验结果表明，与此前的多模态目标检测框架相比，本文的方法在模型参数量上相比于此前的最优方法大幅下降，并提升了目标检测的准确率与推理速度，表现出优于现有方法的性能。

关键词： 扩散模型   隐私保护   图像编辑   深度伪造   图像处理  

摘要： 本文针对扩散模型可能会被恶意用于生成或编辑伪造图像的问题，提出了一种基于潜变量失配的对抗免疫（AILM）方法，旨在通过主动防御技术干扰攻击者的生成过程。扩散模型因其低技术门槛和高效率，显著降低了伪造图像的成本与难度，传统的被动检测方法难以有效应对。为此，AILM方法通过在原始图像中添加人眼不可察觉的微小扰动，破坏扩散模型在潜变量空间中的语义信息提取能力，使得后续生成或编辑的图像出现失真、伪影等问题。将图像可视化对比显示后，免疫后的图像经扩散模型编辑后出现局部模糊、结构扭曲等明显缺陷，验证了方法的有效性。此外，实验中使用ImageNet和CelebA-HQ数据集中的部分图像，采用FID、SSIM、PSNR等多项指标评估生成图像的失真程度。结果表明，AILM显著降低了原始图像与免疫图像生成的新图像之间的相似性。

关键词： 目标检测   微塑料   小目标   改进YOLOv8   注意力机制   特征融合  

摘要： 针对依赖扫描电子显微镜的深度学习检测方法因成像时间长导致效率低下、检测算法难以在实时性、检测效率与精度之间取得平衡，以及微塑料检测中缺乏适用于光学显微镜图像的科学深度学习数据集等问题，本文提出了基于YOLOv8s算法框架改进得到的YOLOv8-REM算法，并构建了一个科学的微塑料光学显微镜图像数据集。在算法的改进方法中，首先，通过减少YOLOv8s骨干网络层数，以减少深层卷积对微小目标信息的损失，防止小目标信息淹没在深层特征中，使网络更聚焦于浅层特征，从而提升了网络对小目标的检测能力与运行速度。此外，引入高效多尺度注意力模块，该模块利用指数加权的方法通过对特征图进行加权平均，强调重要特征并抑制不重要特征，逐步更新特征图的表示，使得模型能够更好地捕捉长期依赖关系和动态变化，提高模型对关键信息的关注度，从而增强模型对微小目标特征的捕捉能力。最后，设计多尺度特征融合模块，通过融合多尺度特征来补充小目标信息，进一步优化了检测性能。实验结果表明，YOLOv8-REM算法的平均检测精度（mAP@0.5:0.95）达到78.4%，较原始YOLOv8s提升5.2个百分点，参数量减少27.03%。在确保算法实时性的同时，实现了对显微镜图像水体微塑料的高效、精准检测。

关键词： 图像处理   水下图像增强   多尺度特征提取   颜色校正  

摘要： 水下图像存在蓝绿色偏、清晰度与对比度低等因素严重影响水下研究的准确性和可靠性。针对上述问题，本文提出了一种基于多尺度残差融合的水下图像增强网络。首先，提出一个多尺度通道特征提取模块MSCFE，MSCFE模块对各个通道独立建模，避免通道之间的信息干扰，同时引入通道注意力对关键特征进行强化，有效增强颜色与细节。然后，提出一个全局-局部色彩校正模块GLCC，GLCC模块采用局部与全局两分支分别对局部颜色细节和长程依赖关系进行建模以校正图像色彩。实验表明，在UIEB数据集上，增强后的图像的结构相似性达到了0.9378、峰值信噪比达到了23.7687、水下彩色图像质量评价指标达到了0.5689、图像信息熵达到了7.5723；在EUVP数据集上，增强后的图像的结构相似性达到了0.9105、峰值信噪比达到了25.1699、水下彩色图像质量评价指标达到了0.5253、图像信息熵达到了7.3479，优于其它主流方法。

关键词： 电力巡检   YOLOv8   轻量化   特征融合   目标检测  

摘要： 本文基于YOLOv8n模型提出了一种改进的电力杆塔部件隐患检测模型CML-YOLO，旨在解决复杂背景下多尺度电力杆塔部件隐患检测模型精度低、参数量多、计算量高、模型权重大的问题，主要应用于破损绝缘子、锈蚀防震锤和鸟巢等隐患目标的检测。首先，设计了C2f-HEFE模块，通过对检测目标边缘信息增强，提升了背景与目标的区分能力。其次，设计了MSFFPN模块，通过多尺度特征融合，增强了模型对多尺度目标的适应性。最后，设计了轻量化LSBDH模块，降低了模型的参数量和计算量。实验结果表明，CML-YOLO相比基线模型YOLOv8n，平均精度提升了4.4个百分点，参数量、计算量和模型权重分别降低了33.9%、20.9%和26.4%。该模型在提升了检测性能的同时，实现了轻量化，在模型检测精度和模型权重方面实现了较好的平衡。

关键词： 遥感图像   轻量化   目标检测   YOLOv10   模型剪枝  

摘要： 针对遥感飞机检测模型在算力受限设备上的部署需求，提出一种基于YOLOv10s的轻量化改进模型RSLAN-YOLOs。首先，设计出Mafe模块并与主干中的C2f结合为C2f＿Mafe替换原有的C2f模块，增添双注意力机制；其次，在颈部网络添加创新的轻量级特征融合模块FFn和局部背景关联模块LBAM，分别提高了模型多尺度特征融合能力和空间局部关联能力；在头部引入PSWD新型检测头，使用了权重共享和组归一化的等技术；最后，在模型压缩方面，使用基于LAMP分数的通道剪枝对重设计后的模型进行压缩，进一步减少参数和模型大小。实验结果表明，RSLAN-YOLOs模型在CORS-ADD和UCAS-AOD和MAR20等三个公共的遥感飞机图像数据集上均获得了良好的检测结果。其中，在MAR20数据集上，相较于YOLOv10s模型，模型大小从16.6MB下降至3.7MB，降幅为77.71%，在计算量和参数量方面分别下降 77.64%和 73.39%，FPS提高了12帧/s，检测精度基本不变。

关键词： 车辆目标检测   小目标   多尺度特征   细节信息   损失函数  

摘要： 车辆目标检测技术在智能驾驶、智能交通和公共安全领域中具有重要意义。然而，真实环境中存在背景干扰、小目标检测难度大以及车辆密集时出现相互遮挡的问题。针对以上问题，提出一种基于边界特征与多尺度特征融合改进YOLOv8的车辆目标检测方法EM-YOLO。首先，设计了一种边界引导的多尺度特征块，以结合边界特征与多尺度特征，用于改进原始的骨干网络，增强抑制背景干扰的能力。其次，特征在网络流动的过程中会出现细节信息的损失，而小目标车辆能够提取到的有效特征较少，加重了细节信息的损失。为此提出细节特征增强块，通过充分结合不同层级的特征，缓解细节信息的损失，进而改善小目标问题。随后，分析了车辆相互遮挡导致检测性能下降的原因，并针对此问题提出了一种检测头。最后，结合PIoU、Focaler-IoU和WIoU，构造了WPF-IoU，以优化训练过程，进而提升检测性能。经实验验证，改进后模型的精度和召回率相比原始模型分别提升了1.9%和4.1%，mAP50和mAP50:95分别提升了4.4%和3.3%。与其他方法相比，本文提出的方法在各项性能指标上表现更优，具有一定的实际应用价值。

关键词： 目标检测   多尺度   倒残差金字塔   特征扩散  

摘要： 在复杂场景下目标尺度变化过大会影响检测精度，当前主流的解决方法是通过增加参数量，牺牲检测时间，然而这种方法影响了实时目标检测效率。为解决上述问题，提出了多尺度倒残差金字塔特征聚焦扩散检测网络，MIRPFFD-Net。通过残差多尺度特征提取模块（Residual Multi-Scale Feature Extraction，RMSFE）构建主干网络，解决了小目标特征信息被邻近大目标所淹没的问题，提升了网络的特征提取能力；通过倒残差金字塔特征聚焦模块（Inverted Residual Pyramid Feature Focusing Module，IRP＿FFM）构建颈部结构，用于捕获丰富的跨尺度特征信息，更有效地提取和融合不同尺度的特征；另外使用特征扩散机制（Feature Diffusion Mechanism，FDM）来优化网络颈部结构，将具有丰富上下文信息的特征扩散到各个检测尺度，提高对各个尺度目标的检测精度。实验结果表明，所提出的网络在SIMD、RDD2022和VisDrone2019公共数据集上平均精度分别取得了82.7%、57.5%和38.5%的检测精度，相较于YOLOv8n在平均精度上分别提升了2.9%、1.9%和7.7%，能更好的应用于实际场景。

关键词： 黄河滩区   高光谱图像   目标检测   异常检测   环保监测  

摘要： 利用遥感技术对黄河滩区人工材质目标进行及时准确监测，对于黄河生态保护具有积极意义。高光谱目标检测技术是典型材质提取的有效工具。本文利用无人机采集黄河滩区典型的散落人工目标物高光谱影像，构建了3种背景及4类目标共12个典型数据集，分别采用5种目标检测算法和5种异常检测算法进行了实验，结果显示目标检测算法效率要高于大部分异常检测算法。对于已知材质，可构建光谱数据库，利用目标检测方法进行定向材质检测；同时可以利用异常监测方法检测潜在目标。

关键词： 水下目标检测   RTDETR   多尺度特征增强融合   损失函数  

摘要： 在水下目标检测过程中，因水下图像噪声较大且包含多尺度目标混合等问题，易出现漏检、错检现象。本文提出一种基于RTDETR改进的多尺度特征增强融合的ME-RTDETR水下目标检测算法。首先，使用CSPnet替代原始主干网络，提升模型的特征提取能力；然后，提出SHViTCGLU模块替换C2f中的残差模块，通过增强局部特征与全局特征提取，提升模型处理噪声图像的能力；其次，基于原始CCFM模块设计多尺度特征增强融合金字塔结构，增强后的特征层和细粒度的特征融合使算法模型能更准确地定位和识别不同尺度的目标；最后，设计Focaler-MPDIoU损失函数替换原模型的GIoU损失函数，能更好地学习边界框的位置和形状，加速模型收敛。实验结果表明，改进后的模型相较于基线模型在DUO数据集上准确率P提升了4.5%，平均精度值mAP50提高了2.1%，参数量降低了26%。本文提出的算法在进行水下目标检测任务时，无论是提高平均检测精度还是降低模型参数量均有明显改进，表明该算法在水下目标检测任务中具有一定的实用性。