关键词： 变化检测   卷积神经网络   注意力机制   图像处理   信息融合  

摘要： 高光谱图像变化检测通过分析同一区域不同时间拍摄的高光谱图像,识别自然场景中地物变化。现有基于深度学习的检测方法主要包括卷积神经网络和基于注意力的方法两类:卷积神经网络方法使用卷积核提取特征,但感受野较小,关注局部信息,缺乏全局建模能力;而基于注意力的方法专注于全局依赖性建模,但对局部特征的捕捉不足,导致检测中漏检、误检现象严重。针对这些不足,提出了一种联合多尺度高低频信息融合的变化检测方法。具体而言,通过金字塔多尺度网络提取多时相高光谱图像的高低频信息,不同尺度的高频信息关注边界区域,低频信息捕捉背景区域细节。高频信息通过残差卷积算子网络提取多尺度局部特征;低频信息通过基于自注意力的网络提取全局特征,以此对图像全局和局部信息进行有效建模。为进一步增强特征提取的有效性,设计了双时相差分分类决策网络,自适应学习各分支的分类权重系数,生成最终的加权预测结果。在三个真实高光谱数据集上的实验表明,方法在可视化和定量性能上均优于现有方法,实现了更高的分类精度和更稳定的变化检测效果。

关键词： 安全帽   小目标   YOLOv6   深度可分离卷积   高效通道注意力  

摘要： 在施工环境下,检查工人是否佩戴安全帽是确保工作场所安全的重要任务,但传统方法费时费力。为解决这一问题,以YOLOv6作为基础模型进行改进。首先,采用深度可分离卷积(Depthwise Separable Convolution,DSC)对标准卷积进行修改,加速模型的识别速度,使其更适用于实时应用。其次,引入高效通道注意力(Efficient Channel Attention,ECA)模块,通过增强模型在特定区域的关注度,提高对小目标的识别精度。实验证明,改进的YOLOv6方法相较原始的YOLOv6,在识别速度上提高了24 ms,在识别精度上提升了2.1%,对施工环境下未佩戴安全帽的检测具有重要的实际意义。

关键词： 卫星编队   稀疏采样   综合孔径成像   运动目标检测   点目标  

摘要： 利用卫星编队形成天基被动干涉成像系统可获得高空间分辨率,但探测基线稀疏会导致反演图像存在混叠,影响单像素点目标检测。考虑观测区域的缓变特性,提出一种基于图像序列的目标检测方法。通过多帧图像进行背景估计,对反演图像进行背景消除;基于旁瓣特征聚集能量,估计目标区域噪声,筛选出候选目标;结合时序运动特征得到目标的运动轨迹,实现运动点目标的检测。以10颗地球静止轨道卫星构成的编队系统为例,对50个舰船点目标探测,进行300次仿真实验。结果表明:所提方法可实现大视场范围内的点目标检测,平均虚警率为14.5%,平均漏警率为19.5%。

关键词： 老旧小区   小区环境质量   城市体检   图像回归   深度学习   空间计量   武汉市  

摘要： 在高质量发展时代,科学运用新数据、新技术开展城市老旧小区体检工作具有重大现实意义。以武汉市为例,基于安居客小区实景图像,运用深度学习、空间计量等方法,从“市—区—街道”多尺度进行老旧小区体检评估,刻画老旧小区环境质量的空间分布特征,揭示小区环境质量与房价的空间相关关系。研究发现:(1)武汉市小区环境质量呈现“主城区由沿江两岸向外围地区逐渐升高,远城区高值围绕低值”的空间分布特征,老旧小区环境质量显著低于新建小区。(2)低质量的老旧小区在沿江地区连片集聚,以江岸区南部和江汉区东南部的老里分小区、青山区的单位房小区、武昌区的商品房和单位房小区为典型。(3)小区环境质量和房价存在显著的空间相关性,二者从中心向外围形成了“低—高、高—高、高—低、低—低”的空间集聚格局。(4)小区环境质量是影响房价的关键因素,特别是在新建小区。由此为城市小区环境质量的大规模自动化评估提供技术工具,对于快速识别亟待改造的重点区域具有重要启发。

关键词： 图像处理   遥感图像   目标检测   多尺度特征融合   上采样策略  

摘要： 为了提高遥感图像中各类目标的检测性能,提出一种基于LSKNet-S的改进算法。该算法通过融合不同层级感受野的特征,大幅提升了网络对遥感目标的检测能力。首先,设计了一个多尺度特征融合模块,通过改进多层感知器增强模型对全局上下文信息的提取能力。同时,引入轻量级局部视觉中心模块,以提高模型对局部特征的感知能力。两者结合,实现了模型对多尺度特征的有效提取和融合。其次,在检测头中引入用于尺度增强的上采样操作,通过提高特征图的分辨率,使模型能够更好地捕捉遥感图像中各类目标的细节信息。实验结果表明,所提算法在HRSC2016数据集上的平均精度均值(mAP)相比原模型提升了3.43百分点,在DIOR-R数据集上的mAP较原模型提升了1.12百分点,且均优于目前主流算法,验证了所提算法在遥感目标检测场景中的有效性。

关键词： 车辆环境感知   毫米波雷达   深度视觉   目标检测   信息融合  

摘要： 为提高车辆环境感知系统的准确性和实时性,提出了一种融合毫米波雷达与深度视觉信息的多传感器环境感知算法。通过有效性检验算法对雷达数据进行预处理,引入SPPF_LSKA模块和轻量级网络Ghost Net,对YOLOv8n模型进行改进,采用决策级融合算法将两者的检测信息进行融合,输出检测结果。在行车道上进行了试验,结果表明,所提出的融合算法框架的目标检测准确率达到了91.2%,与单独使用毫米波雷达和单目相机检测相比,检测准确率分别提高了10.6%和15.8%,提出的信息融合环境感知算法检测速度快、准确率高以及目标跟踪稳定,可为智能驾驶系统提供一种可靠的环境感知方案。

关键词： SiamRPN   单目标跟踪   轻量化网络   特征融合  

摘要： 针对目前多数基于孪生网络的单目标跟踪算法模型参数大,难以在嵌入式平台等移动端设备部署的问题,设计了一种基于SiamRPN改进的轻量化孪生网络单目标跟踪算法。算法使用裁剪过的MobileNetV3替换AlexNet作为特征提取网络,降低算法的参数量;融合了MobileNetV3的高低层特征,整合不同尺度的特征信息,增强算法对目标多尺度变化的适应能力;使用GhostConv替换原网络模型头部的普通卷积,使用深度可分离卷积进行相关运算,在保证特征提取能力的同时进一步减少了参数量。在OTB数据集上进行测试的结果表明:改进后的算法在准确率上提高了1.6%,成功率提高了3.8%,模型参数量为2.9 MB,减少了98.3%,证明改进后的目标跟踪算法模型具有显著的性能优势。

关键词： Java   图像处理   字符识别  

摘要： 本文详细介绍了基于Java的图像识别系统,该系统通过创建高效安全的图片转文字平台,实现了对图像中字符的智能识别,为用户带来更优质的在线字符识别体验。该系统采用FIT算法进行Java图像处理,并依托文本识别库完成图像预处理与字符分割等操作。这些技术为文字识别系统的开发创造了有利条件,显著提升了字符识别的效率与准确性。

关键词： 实时语义分割   特征融合   图像处理   图像语义分割  

摘要： 实时语义分割中特征融合需要同时关注浅层信息与深层信息,而目前特征融合方法所需的计算量和参数量庞大,难以在精度与速度上满足实时语义分割的要求。针对这一问题,从网络的实时性和性能2个方面综合考虑,本文提出基于门控融合的实时语义分割方法。该方法包含编码器、门控特征融合模块、像素级特征提取模块以及门控聚合分割头。首先,将待分割图片通过编码器进行特征提取,其次利用像素级特征提取模块对重要特征信息进行精确提取,然后通过门控特征融合模块将深层语义信息与浅层位置信息进行特征融合,最后通过门控聚合分割头完成语义分割。在数据集CamVid上,模型分割的平均交并比为87.31%,分割的帧率为75.3 fps。在数据集Cityscapes上,模型分割的平均交并比为79.19%,分割帧率为44.1 fps。实验结果表明,本文方法在准确性和实时性方面均表现出色,可有效应用于实时语义分割任务。

关键词： 智能交通   复杂交通场景   目标检测   深度学习  

摘要： 在复杂道路场景下检测图像存在光照变化、遮挡、背景杂乱等问题,导致对场景里多目标的检测难度增大,尤其是在山地城市的道路场景下的检测。为解决此类问题,提出了一种基于YOLO算法的目标检测模型YOLO-MIS(YOLO for Multi-target in Infrared Scene)。在典型山地城市数据集上的实验结果表明:YOLO-MIS在满足网络模型轻量的情况下,与原模型相比其检测精度提升了57%,实现了在复杂交通场景中对目标的精确检测。