关键词： 图像显著性目标检测   图模型   多图融合   多特征融合  

摘要： 图像显著性目标检测是通过模拟人的视觉注意力机制估计图像场景中最吸引人的区域的方法,作为计算机视觉任务的预处理步骤,被广泛应用于目标识别、图像分类等问题中。近年来,基于图的显著性目标检测方法因其高效性和简洁性而备受关注。本文针对现有多图方法中存在的图结构与对应权重固定,对噪声敏感等问题,从信息融合的角度出发,提出了两种基于图的图像显著性检测方法。 (1)提出了一种基于自适应多图融合的图像显著性检测方法。该方法首先根据输入特征选择适合的特征度量构造多个图,提出一种新的构图方法,可以根据特征自适应地构造图结构;其次提出多图融合模型,将融合图和权重向量作为优化变量;最后在融合图上使用标签传播算法得到显著性图。对比实验表明,该方法更适用于背景有大片平滑区域的复杂场景,通过非正则图结构减少误差传播,同时在多图融合过程中通过权重优化调整不同图的贡献度,减少误差累积。 (2)提出了一种基于特征融合的图像显著性检测方法。该方法首先采用矩阵分解的方法对特征矩阵进行分解得到稀疏部分和低秩部分,将稀疏部分作为粗糙的显著性图;其次构建一个图模型来精细化初始检测结果;最后使用流形排序算法进行显著性值的传播,通过增加一致性约束和拟合约束的方式来增强相邻图像区域显著性值的连续性。对比实验表明,该方法更适用于包含多个显著性目标的复杂场景,特征矩阵低秩约束增强显著性区域的完整性,抑制背景噪声的干扰。同时稀疏约束对多个显著性目标之间进行差异化处理,避免出现多图方法中显著性目标之间的竞争,从而提升显著性检测的准确性。 本文在MSRA-B、ECSSD、PASCAL-S以及SOD这四个公开数据集上进行实验验证,实验结果表明本文所提的两种方法与现有算法相比,在复杂场景下具有较好的检测效果。

关键词： 火灾预防   可燃物检测   材料光谱分析   高光谱图像   目标检测   特征波段选择  

摘要： 野外火灾防控是国家应急管理工作的重要领域。当前,通过政府相关部门的政策引导和社会各界的共同努力,大型可燃物堆积引发的火灾风险已得到有效控制,未来的防火策略将从集中治理大型堆积物向零散可燃物的精准管控与精细监测方向转变。现有的防火检测方法主要包括人工巡检、可见光图像分析技术和卫星遥感监测等,由于人力效率、检测精度及天气影响的限制,这些方法对大范围复杂环境中零散分布的可燃物普遍存在漏检问题,实际应用效果受限。高光谱成像技术能够获取多个连续波段的图像,利用不同材料在连续光谱曲线中的显著性特征差异,可实现对零散可燃物的精确检测。本文基于高光谱成像技术,利用无人机搭载高光谱相机采集野外零散可燃物图像数据,根据可燃物和背景材料的光谱特性差异,优化目标检测模型,实现野外复杂环境中零散可燃物的精准检测。主要完成了以下工作: (1)可燃物目标统计与成分分析。通过实地调研,统计在草坪和丛林野外复杂环境中存在的常见可燃物类型,发现主要为布料、纸张以及塑料制品等。选取棉布、纸板、编织袋和泡棉四种可燃物作为典型目标,利用傅里叶变换红外光谱仪对其进行材质成分的测定与分析。 (2)可燃物目标高光谱数据集构建与反射率光谱特性研究。首先,利用无人机搭载高光谱相机采集野外复杂环境中典型可燃物目标图像,构建高光谱图像目标检测数据集。然后,基于高光谱图像像素提取可燃物与背景材料的反射率光谱数据,对其进行均值计算处理,建立反射率光谱曲线数据库。最后,基于光谱分析技术分析可燃物与背景材料的光谱特性,通过官能团和化学键的解析,揭示了不同材料在特定波段下的光谱差异性,为野外复杂场景中实现零散可燃物目标检测提供理论依据。 (3)可燃物目标高光谱数据处理研究。首先,采用SG平滑滤波算法和MSC多元散射校正方法对光谱数据进行预处理,减少噪声干扰和光照散射影响。然后,针对高光谱图像相邻波段冗余性强和数据维度高的问题,本文采用最优邻域重构、最优聚类框架和自适应波段选择三种特征波段选择方法进行数据降维处理。通过评估图像信息熵和标准差的对比实验,最终基于最优邻域重构方法,构建各可燃物目标检测数据集中显著光谱特征的最优波段子集。最后,在重新组合的最优波段子集图像中提取可燃物目标材料的光谱特征向量,构建先验光谱信息数据库,为后续目标检测算法的应用提供数据支撑。 (4)可燃物目标检测算法研究。基于可燃物和背景材料的光谱特性差异,研究高光谱目标检测算法。针对传统高光谱目标检测算法鲁棒性差、仅依赖高光谱图像中的光谱信息以及需要设定固定阈值才能精确检测出研究目标的问题,提出一种改进的自适应匹配滤波检测算法。该算法融合高光谱图像中的光谱与空间特征,结合形态学运算,增强目标特征,抑制背景噪声,并通过自适应阈值分割法实现可燃物目标的精准检测。在草坪和丛林两种野外复杂环境下采集到的八组可燃物目标检测数据集中各进行六种算法的对比实验,实验结果表明,本文改进的算法具有良好的检测效果,能够有效突出可燃物目标并抑制背景噪声。相较于传统算法,本文改进的算法在草坪和丛林两种野外复杂环境下的可燃物目标检测数据集中,平均检测精度分别提高了8.34%和5.89%。实验验证了利用无人机搭载高光谱相机在野外复杂环境中检测零散可燃物的可行性,为实现野外火灾预防的精准管控提供一种新方法。

摘要： 上期介绍了大型冰雕拍摄技巧和后期编辑技法，本期介绍一例大型冰雕接片的后期编辑特殊处理细节，以飨读者。图1是调整后的效果图，由图2和图3两幅原片拼接编辑而成。图2和图3是用24mm广角镜头拍摄，因拍摄时与冰雕距离较近，又略带仰视角度，虽然图2主景与图3左侧局部景物是同一景物，但都有程度不同的透视变形。后期编辑采用先拼接后调置的方法进行。

关键词： 自动驾驶技术   目标检测算法   复杂道路场景   小目标检测   算法轻量化  

摘要： 随着汽车保有量的快速增长,城市道路拥堵和交通事故伤亡等问题日益严重。在此背景下,自动驾驶技术作为解决传统道路交通问题的重要途径,受到了广泛关注。目标检测算法作为自动驾驶系统中环境感知的基础,需快速准确地识别并定位目标。然而,当车辆行驶在复杂道路场景中时,由于目标数量繁多且分布杂乱,同时距离和角度变化幅度较大,容易出现密集目标遮挡和小目标检测困难等问题,从而导致误检与漏检的发生,对目标检测算法提出了巨大挑战。同时,自动驾驶系统复杂度的不断提升也给硬件带来沉重负担。因此,针对复杂道路场景下的目标检测算法展开研究具有重大现实意义。本研究以YOLOv8n深度学习目标检测算法为基础,重点聚焦复杂道路场景中面临的小目标检测问题以及算法轻量化需求,深入探索有效的目标检测算法,以提高自动驾驶系统在复杂道路环境下的性能和可靠性。具体研究内容如下: (1)针对道路多目标检测中存在的遮挡目标及小目标检测困难的问题,提出了一种基于YOLOv8n的改进算法RSFM-YOLO。该结构的主要改进在于引入了变压器解码器头,该解码器头可优化地面实况与预测方框之间的匹配,从而有效解决物体重叠和多尺度检测问题。此外,还加入了小目标检测层,以保留有利于检测小目标的关键信息,从而显著提高对小目标的检测精度。为了提高训练时的学习能力和减少冗余计算,采用Faster Net主干网络来替代CSPDarknet53,从而加快训练过程。最后,引入INNER-MPDIo U损失函数来替代原算法的Clo U损失函数,以加速收敛并获得更精确的回归结果。本文在不同的数据集上进行了一系列实验,实验结果表明,在精度检测方面,所提出的模型RSFM-YOLO优于原始模型YOLOv8n。在Vis Drone、Tiny Person和VSCrowd数据集上,所提出的方法平均准确率分别提高了7.9%、12.3%和4.5%,有效提升了对复杂道路中车辆和行人目标的检测性能。 (2)针对移动驾驶平台计算能力有限的问题,提出了一种基于YOLOv8n改进的轻量化算法LBT-YOLO。首先,用线性可变形卷积替换了部分传统卷积层,并设计了C2L模块,从而在减少模型参数量的同时保持了检测精度;其次,在加权双向特征金字塔网络的基础上,设计了一种新的颈部网络结构-双向定位特征金字塔网络,增强了特征融合和上下文信息的交互,提高了模型的检测精度;最后,提出了一种新的检测头-任务对齐动态检测头。该检测头通过共享颈部网络特征减少参数量,并进行任务分解对齐,利用动态卷积和动态特征选择实现高精度目标检测。经过一系列改进后,LBT-YOLO在自动驾驶BDD100K数据集上的表现优于YOLOv8n,模型参数量减少了48.2%,计算量降低了0.613G,同时平均准确率提高了2.4%,实现了算法的轻量化。 (3)基于PyQt5设计道路目标检测系统用来部署本文的改进算法。该系统可以加载图片视频进行检测,也可用直接用摄像头直接进行检测,并且支持同时加载两种不同的模型对图片或视频进行直观的检测效果对比。与此同时依托现实道路场景自制数据集对改进算法进行验证,RSFM-YOLO和LBT-YOLO相较于基准模型的平均准确率分别提高了7.7%、1.3%,有效验证了改进算法在复杂道路场景下的鲁棒性与泛化能力。

关键词： 自动驾驶   传感器融合   3D目标检测   早期融合   注意力机制  

摘要： 针对自动驾驶领域远距离目标的漏检问题，提出一种融合相机与毫米波雷达数据的改进CenterFusion的3D目标检测模型。首先，引入早期融合策略将雷达数据映射到图像平面上，并将其与图像数据结合形成多通道输入，以增强网络模型的抗干扰能力。其次，在特征融合网络后引入注意力机制，使模型聚焦于融合特征图关键信息提取，有效提高了3D目标检测的准确度。然后，进一步改进损失函数解决正负样本不均衡问题。最终，模型在NuScenes数据集上进行对比实验和消融实验。结果表明，改进模型相较于传统的CenterFusion模型平均检测精度提高了1.5%,NuScenes检测分数提高了2.1%，有效提高了远距离目标的检测能力。

关键词： 无人机平台   高光谱图像   分类   分割   目标检测  

摘要： 随着无人机平台与高光谱观测技术的快速发展，无人机高光谱遥感在精准农业、生态环境监测及自然资源监管等领域展现出广阔应用前景，但其实际应用仍面临数据获取不稳定、图像畸变严重、光谱一致性差等技术挑战，亟需系统性的研究与方法优化。近年来，深度学习凭借特征自动提取与复杂场景建模的优势，逐步成为该领域智能解译的核心技术路径。为全面梳理相关研究进展与技术趋势，本文围绕无人机高光谱图像的成像设备、深度学习解译方法及典型应用方向进行了系统总结，重点探讨深度学习在分类、分割和目标检测等核心任务中的应用与演进，涵盖卷积神经网络、图神经网络、Transformer等代表性模型。研究表明，无人机高光谱数据受光照变化、姿态扰动和背景混杂等因素影响，导致数据处理复杂度高、不确定性大。当前方法在实际应用中仍面临模型场景适应性不足、算法实时性要求高、数据预处理成本大等瓶颈，未来需聚焦高效特征表达、轻量化模型架构和多场景鲁棒性优化等方向。通过对主流深度学习方法的系统梳理，本文总结了目标检测、分类和分割等关键任务中的代表性技术路径与解译策略，为无人机高光谱图像处理技术的持续优化与工程实用化拓展提供理论基础参考，同时借助对公开数据集的分析，也为研究者快速开展实验验证提供便利。

关键词： 淬火过程   图像处理   注意力机制   神经网络  

摘要： 随着工程机械制造行业的快速发展，钢板的热处理过程对板形要求越来越高。淬火过程是决定热处理板板形质量的关键环节，由于钢板在淬火过程中叠加了相变应力和热应力，淬火后的钢板容易产生板形缺陷，影响最终的成品板形质量，因此迫切需要一种能够识别钢板形状的方法，为钢板的淬火板形控制提供有意义的指导。为了解决形状识别问题，提出了一种基于注意力机制和轻量化的淬火过程形状识别神经网络。此外，对板形图像进行K-means处理，增强了缺陷表征的能力。将板形数据集用于模型性能测试，对比实验的结果表明，该轻量级网络模块比其他网络具有更高的识别精度均值和20～50 ms的单次推理速度提升。

关键词： 目标检测   YOLOv11   车辆检测   注意力机制   轻量化网络  

摘要： 针对复杂交通场景下车辆检测存在的特征信息提取精度低、检测率低及误检漏检率高等问题，提出了一种基于改进YOLOv11的车辆检测模型FAE＿V11s。首先，引入BiFormer注意力机制，通过动态稀疏注意力权重分配，增强模型对复杂场景中车辆特征的聚焦能力。其次，引入MobileNetV3网络结构替换原骨干网络，对整体网络进行轻量化改进，有效降低模型的参数量和计算量。再者，设计一种新的改进特征金字塔结构，在P2层增加256×256尺寸的特征图输出，提升P2层特征图的语义质量与细节保留能力，实现更高效、精准的目标检测。最后，设计FPv2＿IoU损失函数，解决因惩罚因子而引发的锚框膨胀问题及训练样本分布不均衡的问题，进而有效加速模型收敛。在UA-DETRAC数据集和自建数据集的实验中，与YOLOv11n模型相比，FAE＿V11s参数量减少了约3.64%,mAP@0.5和mAP@0.50∶0.95分别提高了13.29和11.13个百分点，整体表现出良好的检测性能。

关键词： 手语识别   计算机视觉   深度学习   自然语言处理  

摘要： 手语的发明为聋哑人与听力健全者之间的沟通搭建了桥梁。然而，精细繁复的手语体系加大了手语学习的成本，给广大聋哑人和听力健全者的交流带来了困难。随着科学技术的发展，为解决不同人群的交流障碍问题，如“手语翻译官APP”等基于深度学习的手语识别技术应运而生。手语识别是将手语视频中的数个手语词逐一识别，再转化为相对应的文本。文章以手语识别任务为核心，从孤立词识别和连续手语识别两个层面阐述其深度学习的各种发展方法。此外，文章根据现存研究的长处与短板，总结了手语识别任务的现有挑战，并展望了未来研究的可能发展方向。