关键词： 瓣膜性心脏病   人工智能   筛查   计算机视觉   经导管主动脉瓣置换术  

摘要： 本综述系统阐述了人工智能(AI)在瓣膜性心脏病(VHD)全病程管理中的应用情况。在人群筛查方面,具备AI功能的心电图(AI-ECG)、AI听诊等技术以及新型成像模型,有助于早期发现VHD。影像学评估与诊断方面,AI能够进行形态和功能自动评估,辅助实现精准分型和风险预测,有助于精确判定VHD干预时机。对于手术治疗,特别是经导管主动脉瓣置换术(TAVR),AI在整个过程中可有多种方式辅助影像分析及策略制定,提高手术成功率并规避并发症。虽然目前AI的应用受数据质量、计算能力等因素的制约,但未来可采取多中心合作方式扩大数据样本及提高算力等方式提升AI效能,进而推动VHD管理的进一步优化。

关键词： 图像处理   姿态迁移   CGAN   自注意力机制   多分辨率  

摘要： 针对现有人体姿态迁移方法因编码阶段特征处理不当导致图像变形失真的问题,提出基于Pose-Attentional Transfer Network(PATN)和自注意力机制的多分辨率人体姿态迁移方法。首先,设计了姿态引导自注意力模块,通过多头注意力机制增强关键身体区域特征通道的权重,并减小背景无关特征的影响,自适应地探索两条支路特征之间的关联性;其次,在解码阶段加入多尺度注意力模块,增强不同尺度的姿态信息表达,有效提升局部细节和整体纹理的保真度;最后,引入三元像素损失对生成图像进行约束,提高了图像的特征一致性和结构一致性。在DeepFashion和Market-1501数据集上进行验证,实验结果表明,本文方法在结构相似性(SSIM)、初始评分(IS)、感知相似度(LPIPS)指标上均优于现有的PATN方法,并且在视觉感观、边缘纹理方面均有所提升,在行人重识别的下游任务中具有重要的潜力。

关键词： 尺度特征交互   改进型YOLO模型   低能见度   船舶目标检测   智能船舶  

摘要： 针对在低能见度环境下图像质量差导致的海上船舶目标检测准确率下降的问题,引入基于注意力的内部尺度特征交互模块,提出一种改进的YOLOv8模型对船舶目标进行检测。该模型利用自注意力机制处理高层特征,有效检测和识别图像中的船舶目标,同时抑制低层特征的内部尺度交互带来的重复与混淆。在SeaShips数据集上的大量实验表明:改进的模型在雾天和雨天环境下的准确率均超过75%,雾天平均精度(average precision,AP)达到0.648,雨天AP达到0.435。结果验证了改进的模型可在复杂环境下实现准确的海上船舶目标检测。

关键词： 草莓果实   深度学习   YOLOv5s   目标检测   复杂背景  

摘要： 为克服草莓采摘机器在作业过程中存在采摘点定位精度低、遮挡草莓识别困难以及复杂背景干扰等问题,对现有的YOLOv5检测模型进行改进,通过引入全局注意力机制(GAM),增强模型对全局特征感知能力,更专注于草莓显著特征,减少误检同时提升对小目标特征提取和强化被遮挡区域特征,旨在提升模型自然环境背景下草莓果实定位准确率和遮挡识别的预测精确率;优化损失函数,使用软交并比(SIoU)作为损失函数,以增强尺度不变性和角度敏感性,确保正负样本的有效平衡。试验结果显示,相比于原始模型,经过改进后的模型在草莓果实检测精确率、召回率、平均精度、平均精度均值上分别提高2.20%、5.78%、5.11%、3.11%,在与SSD、YOLOv5s、YOLOv5m、YOLOv7—tiny、YOLOv8n以及YOLOv9c的对比试验中,在各项指标上均有很大优势,具有强鲁棒性,为机器人精准采摘的实现提供重要的技术支撑。

关键词： 目标检测   机械零件   特征融合机制   模型轻量化   实时检测   改进RT-DETR  

摘要： 面对机械化工厂复杂场景中机械零件的抓取要求,提出一种基于改进RT-DETR的机械零件识别算法。针对不同零件混乱堆叠的问题,提出一种新的特征融合机制(如GSF);其次采用新的卷积层(VoVGSCSPC和GSConv)替换模型中的卷积层,使模型更加轻量化,提高模型的检测速度;面对不同光照环境与噪声的问题,使用具有提取高低频信息的高效注意力(HiLo)对AIFI进行改进,增强其对高层特征的提取能力。实验表明,在自建数据集上,与基线模型相比,改进后的模型在检测速度提升18%的状态下的精度、mAP_(50)和mAP_(50-95)分别提高了2.4%、5.3%和5.1%,证明了改进模型的有效性。

关键词： 无人机   自主定位导航   计算机视觉   Transformer   异源景象匹配   位置检索   追踪定位  

摘要： 随着无人机技术在近地遥感、装备运输等工程领域中的广泛应用,无人机自主定位导航技术逐渐成为研究的重点;针对GNSS拒止条件,根据低空环境无人机地理定位的需求,提出了一种基于Transformer异源匹配的无人机地理定位方法;对于无人机初始位置检索任务,该方法实现了一种基于K倍扩充的检索匹配算法,能够使无人机检索到当前环境初始位置,同时提高了无人机初始位置检索的速度。实验结果表明:当无人机处于150 m及以上飞行高度环境中,初始位置检索准确率为90.4%,追踪定位位置均方根误差为12.4 m;通过K倍扩充处理后,初始位置检索时间从17.33 s减少至3.58 s,追踪定位匹配更新时间为0.158 s。仿真和实验证明了所提方法能够满足无人机在低空稀疏特征环境下的实时地理定位需求。

关键词： 计算机视觉   立体匹配方法   深度学习   图像深度  

摘要： 立体匹配是一种从两张图像预测场景深度信息的技术,是计算机视觉领域研究的热点方向,在三维重建、视觉SLAM和自动驾驶等任务中起到关键作用。文中归纳整理了深度学习下现存的立体匹配算法,从特征学习网络、代价体估计与正则化方法、后处理与细化方法、学习置信度方法几个方面对基于深度学习的立体匹配方法进行了概述,分别阐述了国内外相关立体匹配算法;介绍了常用于训练的数据集与模型评价指标;指出了其现今的发展趋势与关键技术,可为相关研究人员提供参考。

关键词： 彩色番茄   U-Net   YOLOv8n   成熟度   语义分割   目标检测  

摘要： 准确识别彩色番茄果实成熟状态是实现机器人高效分类采摘的基础。该研究针对彩色番茄颜色多样、背景复杂、成熟度检测精度不高等问题,以多粒度理论为基础,提出一种“先分割,后检测”U-YOLOv8n细粒度的彩色番茄检测方法。首先,利用U-Net对彩色番茄串进行分割,将VGG16作为U-Net的主干网络,增强模型特征提取能力;引入全局注意力机制(global attention mechanism,GAM),以提升模型分割性能。对感兴趣区域(region of interest,ROI)进行分割,减少复杂背景对第二阶段检测任务的干扰。其次,以YOLOv8n为基准模型,构建C2f_MS模块,提升模型多尺度特征提取能力;采用SCDown模块替换部分Conv,降低计算冗余的同时,保留细节空间信息;去除小目标检测头及部分Neck层结构,降低计算负荷。结果表明,改进后U-Net的平均像素精确度(mean pixel accuracy,MPA)和平均交并比(mean intersection over union,MIoU)分别达94.35%和88.98%。改进后YOLOv8n的精确度、均值平均精度(m AP_(0.5))分别达93.5%和95.6%,相较于YOLOv8n分别提高了3.1和0.5个百分点;针对较难识别的半熟期,精确率、均值平均精度分别达91.8%和92.4%,较YOLOv8n提高了5.7和1.3个百分点;轻量化方面,较YOLOv8n计算量和参数量分别降低了31%和14%,帧率(frames per second,FPS)提高了41%。该方法可有效完成复杂背景下的彩色番茄成熟度检测任务,为彩色番茄的成熟度分级和智能采摘提供技术支持。

摘要： 近年来,密集遮挡、极端弱光、高动态模糊、水下浑浊、强辐射等极端环境日益成为智慧城市、深空探测、极地科考、灾害应急、智能交通和高端制造等领域的常态场景。面对信噪比极低、退化类型多样、目标尺寸微小或密集的原始影像,传统图像处理链路在增强复原、信息解析和下游应用中屡遭瓶颈。与此同时,跨模态融合、物理退化建模、生成式人工智能等新兴技术不断涌现,为极端环境图像处理与应用注入创新动力。然而,以下关键问题仍亟待突破:如何面向多源退化过程构建统一的成像与复原框架?如何在极低信噪比、暗弱场景下稳健提取结构与语义信息?如何准确高效地检测、识别和跟踪微小、密集目标?如何建立覆盖多场景、多任务、多退化类型的公开数据集与评测基准?如何将超分辨、三维重建、多模态融合等图像处理技术安全、可靠地部署到极端环境实际系统?

关键词： 无人机航拍场景   目标检测   YOLOv8   轻量化   归一化高斯Wasserstein距离   MobileSAM   LSCD  

摘要： 无人机航拍场景下的目标检测因目标尺寸小、物体间遮挡严重、尺度变化大等因素,常出现漏检与误检的问题.此外,受限于无人机平台的计算性能,实现高精度与轻量化的实时目标检测具有较大挑战.为此,本文提出了一种改进YOLOv8的轻量级目标检测算法.该算法采用轻量化的分割一切模型(segment anything model,SAM):MobileSAM的图像编码器作为YOLOv8的骨干网络,能够有效地提取多尺度特征,提升模型对小目标的检测效率,同时提高泛化能力,增强在不同任务和数据集上的表现.针对检测头部分,进行了轻量化设计,提出基于共享卷积与自适应特征缩放的轻量化检测头LSCD(lightweight scalable shared convolutional detection head)以减少参数量和计算开销,保持检测精度的同时降低模型参数量.最后,使用归一化高斯Wasserstein距离(normalized Gaussian Wasserstein distance,NWD)损失,提升小目标检测能力.所提算法在VisDrone-DET2019数据集上对小目标的检测精度和召回率相较于原始YOLOv8s模型有较大提升;相比于原始YOLOv8s模型,m AP50提高了3.2%,达到41.4%,且参数量减少了33.9%.在DOTA v1.0数据集上,mAP50达到48.8%,提升了8%,表明算法具有较好的泛化能力.