关键词： 同轴热电偶   机器视觉   边缘检测   图像处理   结构外径  

摘要： 同轴热电偶是超高速飞行器地面风洞测热试验的核心传感器之一，传感器自身的同轴装配质效及其与飞行器模型适配质量决定了气动热测量可靠性，因此，传感器结构外径的高精度测量至关重要。提出了一种基于机器视觉技术的传感器结构外径高精度测量方法，通过相机及双远光镜头获取图像，并基于双边滤波、二值化处理、亚像素边缘检测定位及边缘直线拟合计算外径尺寸。传感器样品外径尺寸的测量实验证明了该方法简单高效且平均绝对误差低至0.6μm，测量精度满足工程应用需求。

关键词： 海杂波   目标检测   伽马分布   恒虚警   最大似然  

摘要： 非相干检测器具有结构简单、计算复杂度低的优点，可满足雷达对海面中大型目标的实时检测需求。但实际探测环境中不可避免存在少量强回波野点，严重影响检测性能。为此，本文提出一种基于截断最大似然的恒虚警(Trimmed-Maximum-likelihood Constant False Alarm Rate， TML-CFAR)检测器，匹配于伽马分布海杂波的形状参数，并具有抗异常样本特性。首先，通过截断因子对参考单元数据进行选取，去除回波最弱和最强的异常样本，从而获得与待检测单元具有独立同分布的纯杂波。其次，在最大似然估计纯杂波功率的基础上，给出TML-CFAR检测器的检测统计量，推广到多脉冲伽马分布。然后，证明TML-CFAR检测器对于杂波尺度参数的恒虚警特性。同时，提出一种双分位点估计器，实现形状参数的稳健估计。最后，通过仿真数据和实测数据验证TML-CFAR检测器在不同杂波环境下的稳健性能，特别是在异常杂波下具有最佳性能。

关键词： 多军事目标跟踪   无人机视角   自适应卡尔曼滤波   目标检测  

摘要： 针对当前多目标跟踪算法在军事无人机视角的战场感知中存在轨迹中断和ID跳转问题，提出一种基于无人机视角的地面多军事目标跟踪算法VA-ByteTrack。首先，将EfficientFormerV2网络作为检测器YOLOX的主干网络，并在输出端添加卷积块注意力模块（Convolutional Bock Attention Module, CBAM），以提高检测器对小尺寸目标的特征提取能力，解决了小目标特征模糊导致的轨迹中断问题。其次，引入运动匹配代价交并比（Intersection Over, Union, IOU）和检测置信度S，构建了基于sigmoid函数的自适应卡尔曼滤波，以平衡高分检测框和低分检测框的不同协方差需求，解决了目标密集且相互遮挡所导致的频繁ID跳转问题。实验结果表明，相比SORT、 DeepSORT、 ByteTrack等主流算法，所提算法跟踪准确度分别提升1.7、 1.4和1.0百分点，跟踪精度分别提升0.7、 0.5和1.9百分点，轨迹中断问题分别降低49.4%、 7.7%和7.2%, ID跳转问题分别降低46.3%、 15.9%和12.1%，满足战场动态感知的实际需求。

关键词： 少样本目标检测   Faster R-CNN   梯度解耦   约束微调  

摘要： 针对数据稀缺条件下模型检测效率低下与灾难性遗忘问题，提出了一种结合解耦与广义微调的少样本目标检测模型。该模型基于传统的Faster R-CNN框架，通过引入多级解耦的梯度解耦层，有效拓展了Faster R-CNN，解决了区域提议网络（Region Proposal Network，RPN）和R-CNN的矛盾；同时，将查询-键-值注意力机制和自注意力机制有效结合，减少了背景噪声的干扰，使得模型能够同时关注局部特征和图像的全局上下文信息；最后，提出了一种基于约束的广义微调方法来减轻灾难性遗忘，基于约束的微调方法通过采用一种连续学习的平均梯度情景记忆方法（Average Gradient Episodic Memory，A-GEM），对梯度搜索策略施加了更多的约束，优化了梯度更新规则，从而更好地实现了基类和新类之间的知识交换。实验结果表明，相比于对比方法，所提出的方法在VOC数据集Novel Set1中，五个目标检测任务的平均nAP50提升了7.56%。

关键词： 跨模态   RGB   红外   注意力机制   相关对齐   互信息筛选  

摘要： 随着传感器技术的快速发展和实际任务要求不断提高，仅靠单源目标检测存在越来越多的挑战，为解决这一问题，本文提出了一种基于RGB-红外校准互补的跨模态目标检测算法。首先模型通过融合通道注意力机制捕捉模态特征的重点特征，利用自注意查询Q、键K和值V特征的相似度关系，进行互相关对齐，确定模态特征的最佳对齐位置来实现精确校准。同时，为避免掺杂RGB 和红外之间的冗余信息导致性能变差，利用互信息衡量两个模态流相互的依赖性，映射对齐后的两模态特征到低维空间，将去冗余转化为边缘概率分布问题。通过推导信息熵、交叉熵和相对熵的关系，量化两模态特征之间的差异性和互补性，筛选出互补信息对两模态流进行补充。在VT821、VT1000和VT5000 数据集上进行实验分析:最优的MAE 达到了3.2、F-m 达到了85.0%、S-m 达到了91.2%、E-m达到了92.3%。本文所提出的方法有效弥补了单一模态场景下目标检测的弊端，提升了目标检测的准确性和鲁棒性，尤其是在昏暗的复杂场景下。

关键词： 图像处理   特征提取   多尺度特征   深层卷积   强化色彩  

摘要： 针对深海拍摄会导致水下图像色彩偏移、对比度过低和结构不清晰等问题，结合空间、通道和三维特征的角度提出一种多尺度并行增强型网络(MPENet)。MPENet是将图像信息并行传入多维特征提取网络和编码器中。在多维特征提取网络中引入多尺度特征精炼模块进一步处理提取到的特征信息，使网络更准确学习不同尺度的信息。然后在编码器中引入多维色彩增强模块，增强图像细节色彩。最后设计自适应增强网络对特征信息进一步处理并融合多级信息，再通过解码器得到最后图像。此外，在公开数据集上所提算法表现优异，峰值信噪比(PSNR)和结构相似性度(SSIM)最高分别达到24.8651和0.8954，相比HFM算法提升了1.5806和0.0398。水下色彩质量评价(UCIQE)和水下图像质量测量(UIQM)分别达到0.5931和3.1028，相比HFM算法提升了0.0384和0.1514。实验结果表明MPENet能有效提升水下视觉效果。

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。