关键词： 雨雾环境   激光雷达   目标检测   点云数据分割   脉冲耦合神经网络  

摘要： 为提升雨雾条件下复杂运动目标识别准确性，提出基于激光雷达的复杂运动目标检测方法。通过高频发射的激光束采集待检测区域点云数据，使用特征加权下模糊C均值聚类方法区分正常数据和噪声数据，运用双边滤波方法平滑点云数据噪声，利用K最邻近方法计算点云局部邻域信息，采用自注意力机制实现激光点云分割，通过点云分割获得不同运动目标的激光点云特征，通过输入域、非线性调制域和脉冲产生器完成脉冲耦合神经网络训练，通过平均运动速度计算候选目标范围，精准锁定复杂运动目标。实验结果证明，所提方法在雨雾等恶劣天气下，复杂运动目标检测F1值超过0.8，目标检测精度高，具备极强的鲁棒性。

关键词： 深度学习   卷积神经网络   图像重建   图像处理   图像复原   图像分辨率   神经网络   底层视觉  

摘要： 卷积神经网络因强大的学习能力，已成为解决图像超分辨问题的主流方法。然而，用于解决图像超分辨的不同类型深度学习方法存在巨大的差异。目前，仅有少量文献能根据不同缩放方法来总结不同深度学习技术在图像超分辨上的区别和联系。因此，根据设备的负载能力和执行速度等介绍面向图像超分辨方法的卷积神经网络尤为重要。本文首先介绍面向图像超分辨的卷积神经网络基础，随后通过介绍基于双三次插值、最近邻插值、双线性插值、转置卷积、亚像素层、元上采样的卷积神经网络的图像超分辨方法，分析基于插值和模块化的卷积神经网络图像超分辨方法的区别与联系，并通过实验比较这些方法的性能。本文对潜在的研究点和挑战进行阐述并总结全文，旨在促进基于卷积神经网络的图像超分辨研究的发展。

关键词： 水下小目标检测   声呐图像   局部对比度   超像素级  

摘要： 针对声呐图像信噪比低和样本少等引起的水下小目标检测率低和虚警高的问题，提出了一种超像素级局部对比的水下小目标检测方法。该方法利用简单线性迭代聚类算法，将相似强度的相邻像素自适应分组，构造超像素声图；利用声图增强和分割方法，通过局部超像素分组、剔除平均统计和浓度比局部对比增强等处理，有针对性地增强目标，抑制复杂背景，进而提高目标检测率；结合声图信噪比、浓度及功率等统计参数，对声图感兴趣区域进行统计评估和筛选，降低虚警率。经过真实声呐图像验证，该方法能够有效提高小目标检测率和降低虚警率，尤其适用于样本少和信噪比低的水下小目标检测。

关键词： 绝缘子   红外图像   类内稀疏先验   目标检测   深度学习  

摘要： 为了实现低分辨率绝缘子红外图像的高精度检测，提出了基于类内稀疏先验和改进YOLOv8的红外多尺度绝缘子检测方法。针对绝缘子图像存在局部密集导致漏检的问题，提出了通用性的类内稀疏先验，将先验知识和训练数据结合，使模型感知绝缘子独有的几何特征和形态信息，可以无计算代价地提升目标检测模型的精度，并提供一种绝缘子数据样本的规范化标注方法；针对红外图像分辨率低导致特征提取困难的问题，将鲁棒特征下采样模块替代卷积下采样，保留细粒度细节信息，增强关键特征图的鲁棒表示；针对绝缘子尺度变化大且存在目标遮挡的问题，设计wise-MPDIoU改进边框损失函数，以改善模型对不同尺寸绝缘子的定位能力。实验数据表明，相比于基线模型，在AP50、AP50∶95指标上分别提升3.3、3.5个百分点，为绝缘子热像检测提供了新的方案。

关键词： 无人机目标检测   YOLOv11   双线性自注意力   MPDCIoU损失函数   AFPN检测头  

摘要： 针对无人机空对地检测中存在的尺度不一、小目标检测效果不佳及检测框密集重叠等问题，提出了一种改进YOLOv11目标检测网络。该网络将YOLOv11网络的C3K2结构替换为C3K2＿D结构，增强了网络对不规则物体的提取能力，另外在Yolov11网络中引入双线性自注意力机制，双线性自注意力机制通过融合局部注意力和非局部注意力，增强了主干网络的特征提取能力；针对检测框密集重叠的问题，设计了MPDCIoU (Maximize position dependent combination Intersection over Union)损失函数以提高边界框的回归精度；此外，还设计了AFPN(Asymptotic Feature Pyramid Network, AFPN)小目标检测头，以提升算法对小目标的检测性能。实验结果表明，改进YOLOv11网络在m AP@0.5和m AP@0.95指标上分别达到38.91%和30.67%，相比YOLOv11网络提高了1.79个百分点和1.76个百分点。同时，该算法的帧率达到124.6frame/s，满足了实时检测的要求。与RetinaNet、YOLOv7、YOLOv8等具有代表性的目标检测网络相比，改进YOLOv11网络在检测精度和速度上均表现出优势。通过消融实验结果对比，发现C3K2＿D结构、全局非线性注意力模块、MPDCIoU损失函数以及AFPN检测头均能有效提升网络的检测性能，验证了这四个改进部分的有效性。

关键词： 目标检测   无人驾驶   复杂道路场景   部分卷积   大内核深度卷积层  

摘要： 为解决复杂路况下因目标遮挡及小目标信息缺失导致现有无人驾驶目标检测算法准确率低的问题，提出了基于改进YOLOv8的无人驾驶障碍检测算法（YOLOv8 effectual accurate，YOLOv8-EA）。该算法首先引入快速神经网络作为主干网络，利用部分卷积提取空间特征，保证特征的完整性；其次，利用大内核深度卷积层重构快速金字塔池化层，采用并行多尺度连接的方式融合不同分辨率的自注意力特征，增强模型在复杂环境中的特征提取能力；然后，采用多分支结构和重参数化抑制信息干扰，并通过不断堆叠梯度流的方式提升特征融合能力；最后，基于部分卷积设计小目标检测头以处理小目标像素级特征信息。对比实验结果表明，上述改进相较于原模型在性能上均有明显提升，并在检测精度上显著优于其他改进方式。消融实验结果表明，YOLOv8-EA在障碍检测精度方面取得显著提升，在KITTI数据集下，mAP50和mAP50-95分别提升了2.4%和4.7%；采用SODA10M数据集进行二次验证，mAP50和mAP50-95分别提升了1.4%和1.1%，证明YOLOv8-EA算法具有很好的泛化能力。所提算法在处理遮挡目标及小目标时，展现了出色的性能，为无人驾驶系统中的后续决策任务提供了更加可靠的支持。

关键词： 遥感影像   目标检测   YOLOv11   通用反向瓶颈结构   全局注意力机制  

摘要： 【目的】针对遥感影像目标检测中部分图像由于目标较小、特征不显著而难以识别的问题，传统模型在检测过程中存在错检和漏检等不足。提出了一种改进的YOLOv11n遥感影像目标检测方法。【方法】首先，本研究对YOLOv11n网络进行了改进，通过引入融合通用反向瓶颈（UIB）结构的C3k2-UIB模块替代原有的C3k2模块，显著提升了网络对关键特征的提取能力，从而实现了检测性能的优化；其次，模型中引入了GAM注意力机制，以增强小目标的检测性能；最后，通过引入Powerful-IoU替代原有损失函数，不仅显著提升了模型的收敛效率，同时增强了其对多尺度锚框及不同质量样本的适应能力。【结果】实验结果表明：改进后的YOLOv11n模型在小目标检测方面显著优于原始模型，在NWPU VHR-10数据集上，P值（准确率）和mAP50（IoU阈值为0.5时所有类别平均精度的均值）分别达到了91.6%和94.4%，其性能也超过了YOLOv5n、YOLOv8n以及YOLOv10n等主流目标检测算法。在SAR-Airport-1.0数据集上，mAP50值达到了98.3%。【结论】优化后的模型在检测精度方面实现了显著提升，其改进效果为实际工程应用提供了重要的参考依据。

关键词： 视网膜血管分割   U-Net   深度学习   图像处理  

摘要： 视网膜血管分割研究旨在促进眼底疾病的早期诊断及病变分析，为医生评估患者眼部健康状况提供重要依据。深度学习技术的迅猛发展为视网膜血管图像分割带来了新方法和分割性能的新突破，U-Net以出色的性能表现成为该领域的主流分割模型，备受研究人员青睐。本文详细整理了近年来U-Net及其改进模型在视网膜血管分割领域的应用进展，在介绍视网膜血管分割常用数据集与评价指标的基础上，概述U-Net模型及其主要结构改进策略。本综述将U-Net变体划分为单网络模型与多网络模型，并从单网络模型中的注意力机制、残差结构、多尺度特征模块、卷积模块，以及多网络模型中的级联U-Net、双路径U-Net、生成对抗网络的融合、结合Transformer与Mamba模型的融入等角度对U-Net模型及其变体的改进进行详细梳理，归纳对比分析各研究在模型结构、特征提取、性能优化等方面的改进与缺陷，以及在公开数据集上的实验结果，并基于此讨论了该领域目前存在的挑战与未来发展展望，以期为视网膜血管分割的继续深入研究提供有价值的参考。

关键词： 目标检测   NMS   膨胀卷积   对比学习   感受野  

摘要： 针对多尺度目标检测中因感受野不足和检测框抑制不充分而导致的目标漏检与重复检测等问题，本文提出了一种多核感受野扩张下相似性引导NMS的目标检测算法。首先，提出多核感受野增强模块（MRFEM）进行感受野扩张，以获取更丰富的上下文信息；其次，构建动态协同特征增强模块（DSFEM），降低由膨胀卷积引起的冗余信息，捕获具有强语义和精确位置的高依赖关系；最后，基于对比学习思想，提出相似性引导的NMS方法（SGIoU-NMS），通过引入特征相似度来优化候选框的筛选过程，从而有效抑制冗余框的产生。本文在Pascal VOC、BIT和ICV-ODC数据集进行了验证，实验表明，本文算法能够有效改善多尺度目标检测中目标漏检和重复检测的问题。

关键词： 青橘   Transformer   深度学习   目标检测  

摘要： 青橘智能收获依赖快速精准的检测技术。针对青橘尺寸多样、果园环境复杂及果实与背景相似度高导致的检测精度不足和漏检问题，本研究提出了一种轻量且高精度的青橘检测模型（RT-GCTR）。该模型采用大感受野小波卷积模块（WCLRF＿Block）增强多尺寸目标特征提取，结合多尺度多头自注意力机制（MSMHSA）构建多尺度融合模块（MSMH-AIFI），自适应聚合多尺度特征，并引入SPDConv与CSP-OmniKernel模块设计SCOK-CCFF特征金字塔，提升小目标检测精度。实验结果表明，RT-GCTR在训练数据集1和测试数据集2上的AP50分别为92.0%和92.2%，优于其他先进模型。与RT-DETR-r18相比，RT-GCTR的参数量和浮点运算量分别减少26.7%和25.4%，在NVIDIA Jetson Orin NX上检测速度达10.3 帧/s。本研究在降低复杂度的同时，提升了精度和实时性，满足边缘设备需求。