关键词： 显著性目标检测   多样性特征提取   注意力机制   边缘信息   特征增强   多级辅助监督   卷积神经网络  

摘要： 在显著性目标检测任务中，针对识别结果边缘模糊和目标不完整性的问题，提出了一种边缘信息引导目标完整性增强的显著性目标检测算法。首先，提出了多样性特征提取模块，通过多种卷积核操作捕获复杂多变的显著物体的特征，进而丰富模型的特征表达；然后，设计了目标完整性增强模块，并行地处理初步融合的多级特征并借助空间和通道探索分支，进一步增强显著目标的完整性信息；最后，提出了边缘特征增强模块，利用深层的边缘预测特征引导特征图更多地关注前背景区域和边缘信息，从而增强模型对边界的感知能力。在ECSSD、DUTS-TE等四个公开数据集上的实验表明，所提算法在多个指标上较其它先进算法取得了更高的检测精度。其中，在DUTS-TE上S-measure和F-measure的指标分别是0.859和0.895。所提算法在显著目标边缘的感知与优化方面表现出更优越的能力，进一步提升在复杂场景的鲁棒性。

关键词： 视频去雾   物理先验   记忆增强   图像处理   神经网络   深度学习  

摘要： 针对现有的深度学习视频去雾算法无法有效地从长序列视频中学习一致性先验特征，导致了恢复视频时雾霾残留和连续性差的问题，本文提出了一种物理先验引导的记忆增强视频去雾算法。首先，设计了物理先验记忆保存模块，该模块采用密集连接和残差结构来保留空间显著信息，融合多层次特征以增强物理雾霾先验，并将增强后的物理雾霾先验编码为长期记忆。其次，针对传统记忆机制的局限性，对记忆存储读取机制进行了改进，将先验特征记忆解耦为键记忆特征（Key Memory）和值记忆特征（Value Memory），并设计了记忆增强物理先验引导模块。该模块通过计算当前帧的关键先验特征与键记忆矩阵的相似性，动态指导注意力机制从值记忆中提取关联特征增强当前帧先验特征，从而生成一致性更好且全局推理能力更强的先验特征。最后，在多范围时序对齐网络框架（Multi-Range Temporal Alignment Network with Physical Prior, MAP-Net）嵌入物理先验记忆保存模块和记忆增强物理先验引导模块来实现整体算法。实验结果表明，与次优算法相比，本文所提算法在HazeWorld和REVIDE数据集上的峰值信噪比（PSNR）分别提升了0.71 dB和0.14 dB，结构相似性（SSIM）分别提升了0.006 1和0.006 7。本文所提方法不仅有效消除了颜色失真和残余雾霾，提高了视觉真实感，而且在NVIDIA Tesla P100 GPU上实现了11帧/s的实时处理。

关键词： 场景图生成   先验知识   目标检测   深度学习  

摘要： 场景图生成技术当前仍存在谓词预测长尾分布和不合理预测等问题，为此提出了一种基于场景辅助的场景图生成（Scene-Assisted Scene Graph Generation，SA）模型。在Faster R-CNN目标检测框架下，引入场景先验知识，结合图像视觉特征，通过双分支结构进行场景类别推理和谓词预测。实验结果表明，SA模型在谓词分类和场景图检测任务中性能良好，相比传统模型，谓词分类准确率提高了4个百分点，场景图检测提升了0.8个百分点，消融实验验证了双分支模块在提升模型性能方面的有效性。

关键词： 车道线检测   深度学习   机器学习   图像分割   卷积神经网络  

摘要： 车道线检测是自动驾驶和高级驾驶辅助系统中的关键技术之一， 它能显著提升道路安全性并降低交通事故的发生率. 本文对基于计算机视觉的二维车道线检测技术的最新研究进展进行了系统性的分析和总结， 并将其分为基于传统算法和基于深度学习算法两大类. 鉴于基于传统算法的方法性能较差， 本文主要对基于深度学习的车道线检测方法进行了分析与对比， 并将其分为基于分割的方法、基于检测的方法、基于关键点的方法和基于参数曲线的方法四种; 在概述了车道线检测的评估指标和常用数据集之后， 分析比较了基于深度学习的车道线检测方法的性能; 最后展望了未来的研究方向.

关键词： 胎儿脑   核磁共振图像   图像处理   深度学习  

摘要： 胎儿脑核磁共振成像技术因其无创、无辐射和高软组织对比度，已成为评估胎儿大脑发育和诊断先天性脑异常的重要工具。高质量的胎儿脑核磁共振图像在临床诊疗和胎儿脑发育等科学研究方面发挥着重要作用。图像处理技术可提升胎儿脑核磁共振图像质量，满足诊断与研究需求，故其在胎儿脑核磁共振图像领域的研究具有重要意义。本文对胎儿脑结构及其核磁共振图像数据集进行简要介绍，并对图像质量评价、图像配准、图像去噪、图像偏差场校正、图像去伪影及超分辨率重建六个方面的技术进行阐述。首先阐述了图像处理技术应用于胎儿脑核磁共振图像的重要性；随后介绍了胎儿脑结构及其核磁共振图像数据集；接着分别就六个方面的图像处理技术进行详细介绍，系统地阐述了不同技术的国内外研究现状，对不同方法的性能进行比较与分析，并对已取得的成果与面临的挑战进行了小结；最后从技术、临床应用等角度探讨了胎儿脑核磁共振图像处理领域存在的问题和未来的研究方向。

关键词： 图像处理   钛合金   目标检测   轻量化   深度学习  

摘要： 钛合金表面缺陷检测是保证钛合金产品生产和使用安全的一项重要任务，但是现有检测手段检测效率低，难以部署在终端设备。为了克服现有技术的不足，提出了一种基于YOLOv10n轻量化改进的Titanium-YOLO钛合金表面缺陷检测算法。在主干网络部分采用DualConv替代部分卷积，将C2f-DualConv模块替代传统C2f模块，减小了模型参数量和计算量；采用SlimNeck结构轻量化改进颈网络，提升网络性能的同时降低了模型计算量；采用轻量化检测头litehead替代传统v10Detect，在保证检测精度基本不变的前提下，降低了模型参数量和计算量。结果表明，Titanium-YOLO算法在自主构建钛合金数据集中的平均精度为99.0%，较基准模型提升了2.4%；参数量和计算量分别为2.6×106和7.3×109，较基准模型分别降低了3.7%和13.1%，优于其他实验对比算法。该算法具有高精度和低成本，方便部署在终端设备上，具有较好的工程应用价值。

关键词： YOLOv8   目标检测   注意力机制   C2f模块   RFCBAM   无人机  

摘要： 无人机反制系统中，无人机目标具有显著的多尺度特征，特别是在小目标检测方面，往往检测精度较低。针对此问题提出一种基于动态样本注意力尺度序列的YOLOv8n优化改进算法YOLOv8-C2f-RFCBAMConv。分析了目标无人机在多尺度和小目标识别中的挑战，提出通过改进主干网络和融合C2f-RFCBAMConv模块来优化特征提取能力，提升多尺度特征处理能力。采用RFCBAM机制，并引入残差融合和上下文注意力机制，提升了特征表达能力并减少计算复杂度。此外，使用WIoU损失函数改善了小目标低质量数据对梯度的影响，加快了网络收敛速度。实验结果显示，改进模型在自采无人机数据集上的mAP@0.5和mAP@0.5:0.95分别提升了3.1%和1.7%，GFLOPs提升了0.7，表现出更高的检测精度和更低的计算复杂度。

关键词： 图像处理   图像去雾   大气散射模型   四叉树分解   自适应伽马指数  

摘要： 为了克服现有图像去雾方法的不足，进一步改善图像去雾的效果，提出一种基于四叉树分解的自适应图像去雾方法。根据标准差对原有雾图像进行迭代的四叉树分解以及天空区域亮度较大且较为平滑的特征，选择均值与标准差的差值最大区域的像素中值作为大气光；根据区域的亮度均值和标准差，以自适应邻域的方式分别计算各个区域的传输率；由估计的大气光和传输率，通过大气散射模型对有雾图像进行去雾恢复；最后对去雾图像的亮度分量进行自适应的伽马优化。结果表明，相对于现有去雾方法，本文中的方法对图像去雾后具有更优的视觉效果，去雾图像的平均梯度和信息熵分别高于现有方法6.56%和1.75%以上，而无参考图像空间质量评估值低于现有方法8.25%以上。本研究对视觉检测、识别和跟踪等领域是有帮助的。

关键词： 计算机视觉   光流   边缘检测   大位移   振动测量  

摘要： 结构的振动通常包含像素级和亚像素级位移，而单一的识别方法往往表现出较低的鲁棒性。为此，提出一种基于Canny-Hough变换和KLT(KANADE-LUCAS-TOMASI)光流的组合方法（CH-KLT），旨在识别同时包含像素级和亚像素级位移，从而提高大位移振动测量的精度。首先，拍摄结构振动的视频并进行预处理获得感兴趣区域（region of interest,ROI）的振动视频，再利用Canny-Hough变换计算ROI的整像素位移。其次，根据整像素位移对ROI的图像进行平移变换处理，将各个连续帧之间的结构运动限制到1个像素内，并重构ROI的视频，再利用KLT光流计算重构视频中ROI的亚像素位移。最后，将整像素位移和亚像素位移组合得到精确的像素位移，实现结构的大位移振动测量。通过模拟仿真和室内框架结构试验，进行了振动测量，并将测量结果与Canny-Hough变换、传统KLT光流、金字塔KLT光流和基于多项式插值方法的测量结果进行了对比分析。结果表明，在模拟仿真试验中，CH-KLT与金字塔KLT光流均具有较高的位移识别能力，但金字塔KLT的误差曲线分布波动相对较大，且其误差存在增加的趋势；在室内框架结构试验中，CH-KLT的误差均值和标准差均小于金字塔KLT和基于插值的方法，误差曲线波动更小，展现出更强的适应性和测量精度。CH-KLT通过图像平移变换处理，将像素级的运动限制到亚像素级，实现大像素位移识别，避免了图像失真，有效保障了大位移运动的识别性能。克服了单一识别方法的局限性，显著提高了大位移的测量精度。

关键词： 目标检测   深度学习   多模态目标检测   对抗攻击   防御  

摘要： 目标检测作为计算机视觉中的一项基本任务，具有广泛应用。而基于深度学习的目标检测算法以其强大的特征提取能力，成为了当前研究主流。然而大多数目标检测算法仅对可见光图像或红外图像进行单模态检测。通常情况下，可见光图像在天气恶劣、夜间、目标被遮挡等场景成像较差，导致检测性能下降。利用红外图像可以改善上述问题，但红外图像会缺失目标的部分细节信息。因此，基于可见光和红外图像的多模态融合检测算法逐渐兴起。然而，现有的研究集中于改善多模态目标检测算法的性能，对于其安全性的研究相对零散。基于现有的研究工作，围绕多模态目标检测对抗安全性进行综述，首先对多模态目标检测及攻防进行理论分析，其次按照不同时段的融合检测对多模态目标检测方法进行分类归纳，再对现有的目标检测对抗攻击方法与对抗防御方法进行归纳整理，整理了现有的多模态目标检测数据集与主要评价指标，最后探讨了多模态目标检测未来潜在的研究方向，进一步推动多模态目标检测对抗安全研究发展和应用。