关键词： 图像处理   卷积神经网络   注意力机制   特征交互   泌尿感染  

摘要： 深入探讨一种基于双尺度特征交互网络的上尿路泌尿感染CT影像评估方法。对2023年12月至2024年4月复旦大学附属闵行医院收治的上尿路感染患者CT平扫数据进行回顾性分析，构建数据集，展开深度学习训练。本文提出一种基于双尺度特征交互的模型(Dual-Scale Feature Interaction Network, DFI-Net)，该模型在ResNet模型的基础上，融合了视觉Transformer结构的优势，引入特征交互机制，可以有效提高模型的特征提取和识别能力，同时以准确率、精确度、特异度等作为模型性能的评价指标，与已有的分类模型ResNet50、EfficientNet-B0、ConvNext-T、Swin-T及Vision Transformer进行了对比，此外，设计消融实验以验证特征交互模块的有效性。ResNet50、EfficientNet-B0和ConvNext-T的准确率分别为79.955%、78.842%和83.206%,Vision Transformer和Swin-T的准确率分别为78.485%和83.195%。DFI-Net准确率达到85.582%，且特异度和灵敏度达到较好的平衡，分别为88.261%和85.093%。本文提出的一种基于双尺度特征交互的网络模型能够有效增强对上尿路泌尿感染CT影像的识别能力。

关键词： Transformer   光学遥感图像   目标检测   特征融合  

摘要： 针对光学遥感图像目标分布密集、尺度多变、小目标特征信息不足致检测精度不高的问题，本研究提出了一种面向光学遥感图像目标检测的LQ-Mixer-YOLOv8检测模型。该模型能有效整合卷积神经网络CNN和Transformer在提取图像局部（高频）和全局（低频）特征信息的优势。为了进一步提升模型的性能，实验设计了DMulti-DWconv卷积模块和自适应细节融合模块ADI，引入坐标注意力机制CA、挤压增强轴向注意力机制SeaAttention和频率斜坡结构等来提升网络特征性能，将WIoU损失函数与NWD小目标检测算法联合使用，进一步提高对光学遥感图像中小目标的检测精度。实验结果表明，LQ-Mixer-YOLOv8模型在NWPUVHR-10和DIOR数据集的测试集上分别取得了96.3%和96.5%的平均精度。在NWPUVHR-10数据集上，将其与FasterR-CNN、YOLOv3、YOLOv7S、YOLOv8S、SwinTransformer和RT-DETR等主流模型对比平均精度（mAP@0.5）分别提高10.3%、6.0%、1.6%、2.1%、7.8%和6.5%。在 DIOR数据集上，其与对应的主流模型对比平均精度（mAP@0.5)分别提高了10.5%、7.3%、2.3%、2.7%、7.5%和6.7%。该方法具有检测精度高、计算复杂度低等特点，能更好地完成光学遥感图像目标检测任务。

关键词： 群养羊只   目标跟踪   时间距离匹配   ID延时分配   YOLO v9c  

摘要： 基于视频的群养羊只跟踪对于规模化、智能化、无人化养殖具有重要作用。然而，由于羊群存在严重的遮挡、重叠及移动速度过快等问题，在复杂场景下对多只羊只进行精确跟踪较为困难。针对上述问题，为提高跟踪技术对群养羊只的适应性，本文提出一种基于YOLO v9c与改进ByteTrack相结合的羊只多目标跟踪方法。在目标检测方面，将羊只的行为划分为站立、躺卧和进食3种状态。在多目标跟踪方面，对ByteTrack做了两点改进：引入时间距离匹配模块（Time and distance matching module，TDMM），将未匹配成功的高分框与未匹配轨迹按照丢失轨迹的丢失时长与欧式距离相结合形成身份关联系数矩阵，再次进行匹配；引入ID延时分配机制，除第一帧外，将ID分配模块移至第三次匹配并加入条件，防止ID过早分配。试验结果表明，HOTA为72.051%，MOTA为88.326%，IDF1为88.237% ，IDSW为8。与原ByteTrack相比MOTA提高 0.242 个百分点，HOTA 提高2.21个百分点，IDF1提高5.734个百分点，ID 跳变降低了约46.67个百分点。与代表性算法Bot-SORT和OC-SORT相比，在HOTA和IDF1有明显上升，并且ID跳变次数大幅度降低。在多羊只复杂场景情况下的测试结果表明，基于改进ByteTrack算法具有良好的多目标跟踪性能，可以有效提高对群养羊只跟踪的准确性和可靠性。该算法在与YOLO v9c目标检测算法结合对群养羊只进行多目标跟踪并保存跟踪结果时，平均视频处理速度为47.1f/s相较于Bot-SORT算法34.2f/s提高了约37.7%。该算法能够实时可靠地监测羊只，为羊只养殖场管理者及时发现羊只行为异常以及监测羊只健康状况提供了有效的技术手段。

关键词： YOLOv8   水下目标检测   轻量化   小目标检测   注意力机制  

摘要： 针对水下图像检测中的复杂场景和有限的特征提取能力，由于存在误检和漏检等问题，提出了RSD-YOLO检测算法。首先，设计了R-C2f和RE-C2f模块，以适应复杂的水下环境；其次，改进了YOLOv8s的PAN-FPN多尺度特征融合结构为FPN-SL，减轻了模型重量并提升了水下目标识别能力；最后，引入Inner-CIoU损失函数，动态调整辅助边界框的尺度，增强模型对目标遮挡和尺寸变化的敏感性，从而提高检测精度。基于URPC2020数据集的实验表明，改进后的模型参数量较YOLOv8s降低了28%；检测精度mAP50从85.2%提升至86.5%；mAP75从55.1%提升至57.9%。同时，在DUO数据集中验证了算法的泛化性和鲁棒性，证明了该算法在复杂水下环境中的有效性。

关键词： 小样本目标检测   元学习   代理原型蒸馏   小波卷积   多关系融合  

摘要： 针对现有小样本目标检测算法中类级原型生成精度不足、细节信息缺失导致目标区域特征表达能力受限的问题，提出了一种基于代理原型聚合（APA）的小样本目标检测算法（APA-FSOD），该算法通过代理注意力将支持特征蒸馏为细节丰富的原型，并基于相关性实现原型向量在查询特征图上的精准分配，显著强化了目标实例区域的特征表达能力。此外，还设计了小波卷积增强模块（WCEM）和自适应多关系融合模块（AMRF），分别用于优化算法的全局特征提取和高级特征融合。实验结果表明，在PASCAL VOC数据集的三种新类划分下，APA-FSOD的nAP50相较于基线VFA(Variational Feature Aggregation)最高提升了1.1个百分点。在MS COCO数据集的30-shot设置下，与元学习方法 SMPCCNet(Support-query Mutual Promotion and Classification Correction Network)相比，nAP提升了1个百分点，显著提高了小样本目标检测的精度。

关键词： 目标检测   微弱光照场景   注意力机制   轻量化网络  

摘要： 通用的目标检测算法在微弱光照下表现不佳，而现有的针对微弱光照的检测算法又往往需要大量的计算资源，这使得它们难以在计算能力受限的设备上得到有效应用。针对以上问题，提出一种改进YOLOv8的轻量化微弱光照目标检测算法YOLO-SCEB。首先，在特征提取与特征融合网络引入高效通道注意力机制（ECA-Net），增强模型得到的特征信息;其次，在特征融合网络引入C2f＿SC模块，以减少空间维度和通道维度上的特征冗余，减少模型的计算损失，且使用加权双向特征金字塔网络（BiFPN）代替双向融合金字塔结构，强化特征融合能力;最后，使用辅助边框（auxiliary bounding boxes）计算损失的Inner-IoU方法对损失函数进行优化，增强模型的检测精度和泛化能力。实验结果表明: YOLO-SCEB算法在ExDark数据集中的平均精度均值(Map0.5)达到了82.1%，相较于YOLOv8算法， Map0.5提高了5.3%，模型参数量仅为2.7×106，在提高检测精度的同时节省了计算资源。

关键词： 时空Transformer   特征融合   空间残差注意力   目标跟踪   计算机视觉  

摘要： 大多数基于Transformer 的跟踪方法未充分利用视频序列中的时空上下文线索，导致对目标外观变化的感知能力不足。针对这一问题，提出一种融合多尺度特征的时空Transformer目标跟踪方法。首先，采用多尺度特征提取模块融合深层与浅层特征细节。然后，构建时空Transformer编解码器实现自适应外观变化学习。其中，编码器通过空间残差注意力提取空间信息；解码器对连续帧的目标状态进行时间建模。最后，采用角点预测头估计目标边界框，并通过动态更新策略优化模板。实验结果表明，所提方法具备良好跟踪性能，在外观变化场景下展现出较强的鲁棒性。

关键词： 异型包装   烟支端面   多级模型   图像处理  

摘要： 【目的】解决异型包装设备无法对模盒内烟支端面缺陷进行全面检测和无法及时剔除的问题。【方法】设计一种基于多级模型的异型包装设备烟支端面检测系统，该系统通过建立的多级检测模型对异型包装设备的烟支端面图像进行分析，可以最大程度提高检测速度和精度。【结果】①相比于ResNet算法，DenseNet算法在烟支端面图像的识别中具有更高的识别率和训练效率；②利用该检测系统能够对异型包装设备的缺陷烟支进行准确识别和预警反馈，该系统对烟支端面刮破烟包的平均识别正确率≥99%，平均漏检率＜1%。【结论】该系统能够对异型包装设备的端面缺陷进行精准检测和预警，有效的保障了卷烟产品的质量。

关键词： 无监督学习   目标检测   夜间域适应   光度对齐   CNN-Transformer模型  

摘要： 夜间目标检测相较于白天环境存在诸多挑战，受限于低光照条件和高质量标注数据的匮乏，难以提取目标特征，从而影响了夜间目标检测精度。为此，提出一种针对夜间图像的域适应目标检测方法。首先，设计一种夜间域适应光度对齐模块，将有标记的白天源域图像转换为对应的夜间目标域图像，即通过光度对齐弥合源域与目标域之间的差距，从而解决低光照条件下难以获取准确夜间目标注释的问题；其次，采用CNN-Transformer混合模型作为检测器，即以CSwin Transformer作为主干网络提取多层次的图像特征，并将提取特征输入特征金字塔网络中，以促进多尺度目标检测；最后，引入Outlook注意力解决由于光照不足导致的图像细节不明显问题，提升了模型在光照变化、阴影等复杂环境下的鲁棒性。实验结果表明，在公共数据集BDD100K上，所提方法平均精度均值(mAP@0.5)达到了50.0%，相较于2PCNet方法，mAP@0.5提高了4.2个百分点；在SODA10M数据集上，所提方法的mAP@0.5也达到了45.4%的精度，与SFA方法相比提高了0.9个百分点。