关键词： 电力线巡检   YOLOv8   深度学习   目标检测   缺陷检测  

摘要： 为了提高电力线巡检的检测效率和目标检测算法在电力线巡检中的表现,提出了一种基于深度学习的电力线杆塔组件类别与缺陷检测方法。采用YOLOv8算法框架,优化了特征提取模块,加入了注意力机制。为验证算法的有效性,创建了一个多类别电力线巡检数据集。在自定义数据集上,改进后的模型在满足实时性要求的同时,有更高的检测精度。试验结果表明,改进后的模型检测帧率在单块RTX4090上可达93.6 FPS。所提方法在自定义多类别电力线杆塔组件类别与缺陷检测数据集上有很好的识别性能,能够准确检测出不同尺寸的各类目标,同时也满足无人机检测的实时性要求,在电力线巡检中具有重要意义。

关键词： 目标检测   低光场景   红外预测   特征融合   特征金字塔   全局特征   局部特征   人工智能  

摘要： 【目的】随着人工智能领域的快速发展,基于可见光图像的目标检测技术日益成熟,并在自动驾驶、安防监控、智能交通等领域得到了广泛应用。然而,在低光场景(如黑夜或昏暗灯光环境)下,基于可见光图像的目标检测算法性能显著下降。主要原因在于可见光图像在低光条件下信息丢失严重,导致目标特征难以提取。为解决这一问题,提出了基于可见光图像和红外图像的多模态目标检测技术,该技术能够有效改善低光场景下的目标检测性能。然而,多模态检测技术的成本较高,需要对不同模态的图像进行精确配准,计算量较大,从而增加了实现难度和处理负担。基于此,提出了一种具备红外感知的目标检测网络(InSCnet),旨在通过一个可见光相机来预测红外热辐射特征,在不增加模态的情况下提升网络在低光场景下的目标检测能力。【方法】InSCnet以可见光图像为输入,通过红外预测分支(IPB)生成红外图像来预测热辐射特征,从而增强网络对低光场景的感知能力。为了有效融合多尺度视觉和热辐射特征,设计了互补融合滤波(COFF)模块。COFF通过互补融合这两种特征,增强特征间的互补性,避免了网络对单一模态特征的过度依赖。此外,采用混合特征金字塔(HyFP)模块,通过特征金字塔和注意力机制,进一步提升多尺度全局与局部特征的融合与提取能力,确保网络在不同程度的低光条件下均能保持较高的检测准确率。【结果】实验结果表明,InSCnet在LLVIP行人检测数据集上表现优异。具体而言,S mAP50达到了0.830,S mAP50-95达到了0.426。同时在DroneVehicle数据集上进行了实验,S mAP50达到了0.702,证明了InSCnet具备多类别低光检测能力。【结论】InSCnet通过引入红外热辐射特征和特征融合机制,提升了低光场景下的目标检测性能;在低光场景下能够有效检测可见光图像中难以识别的目标,为低光场景下的目标检测提供了一种有效的解决方案。未来的研究可以进一步探索如何优化网络结构。

关键词： 深度学习   肝脏局灶性病变   目标检测   计算机断层扫描   多期相  

摘要： 肝脏局灶性病变(FLLs)检测对疾病诊断和治疗至关重要。传统检测方法面临诸多挑战，深度学习技术的应用为其带来新契机。鉴于此，系统综述了基于深度学习的FLLs 检测方法，通过深入分析相关技术的优势与不足，为FLLs检测技术的发展提供了具体的研究方向。首先对肝脏放射影像的公开数据集进行了整理归纳，阐述数据预处理对提升模型性能的关键作用。其次，对比分析了基于卷积神经网络、Transformer以及知识蒸馏等技术的2D与3D检测算法，揭示了从局部特征建模到全局时空关联的技术演进路径。此外，深入探讨了针对多期相影像的时序特征融合方法，为动态病变表征提供了新思路。研究表明，现有方法在检测精度与效率上取得突破，但仍面临小病灶敏感性不足、跨设备泛化性弱及临床验证缺乏等挑战。未来研究需通过多中心数据协同、轻量化算法设计及可解释性增强等途径，加速深度学习在肝脏病变辅助诊断中的临床转化与应用。

关键词： 深度学习   机器学习   迁移学习   Faster R-CNN算法   目标检测   神经网络   小目标  

摘要： 由于当前数据库中存在一定的依赖问题、训练测试集与真实情况存在一定不匹配等情况,文章以迁移学习为基础,以改进迁移学习为方法,结合Faster R-CNN算法,特别针对空中小目标进行检测和分类,着力解决空中小目标错漏识别的问题。在真实与仿真数据库上按照理论模型进行训练,从而解决目标属性的复杂性、诱饵或环境干扰的复杂性等难点。文章分别从网络及样本属性两个方面,对比了空中小目标检测中未使用改进网络的方法和常用迁移学习方法对实验结果的影响。实验结果表明,基于改进网络的空中小目标检测方法相比其他迁移学习网络,检测准确率和检测效率都有所提升。

关键词： 计算机视觉   遥感图像目标检测   MSD-YOLO   YOLOv7   Triplet Attention  

摘要： 目的针对现有遥感图像目标检测算法在目标尺度变化大以及存在复杂背景信息干扰的场景中检测精度不佳的问题,提出一种基于多尺度下采样的遥感图像目标检测算法MSD-YOLO(Multi-Scale Downsampling-YOLO)。方法首先设计一种多尺度下采样(Multi-Scale Downsampling,MSD)模块,通过3个并行下采样分支在进行下采样的同时实现多尺度特征提取,避免了现有模型在经过多次下采样后,小目标特征信息丢失严重的问题,并引入具有自适应激活特性的ACON(Activate or Not)激活函数,提升模型泛化能力;其次对三重注意力(Triplet Attention)机制进行改进,提出ITA(Improved Triplet Attention)机制,通过捕获跨维度交互并强调空间注意力自适应地调整特征图的权重分配,提升模型在复杂背景信息干扰场景中的检测性能。结果实验结果表明:MSD-YOLO在NWPU VHR-10及RSOD数据集上的平均精度(mAP)分别达到94.9%及96.8%,相较于基线网络YOLOv7,均提升了1.5%,并且精度优于其他经典网络模型。结论提出的MSD-YOLO算法可以有效提升在尺度变化大以及存在复杂背景信息干扰等场景中的检测精度,在遥感图像目标检测场景中有着一定的应用价值。

关键词： 数字视频信号   图像处理算法   特征提取  

摘要： 为研究基于图像处理算法的数字视频信号增强方法,阐述数字视频图像特征提取的关键技术,涵盖高斯滤波器的应用、边缘识别算法、颜色空间的转换机制及基于深度学习的特征抽取方法等。分析信号增强算法在调整对比度、实施锐化处理、去除噪声干扰、进行超分辨率重建及色彩校正等方面的应用,并提出这些技术的具体实现方法和优化策略,旨在提高数字视频的清晰度、对比度和色彩还原度,增强视觉效果和后续图像分析的准确性。

关键词： 滑坡识别   深度学习   CBAM注意力机制   SAM   计算机视觉   语义分割  

摘要： 滑坡灾害是破坏力极大的自然灾害之一,高效、准确的滑坡识别方法对灾后应急救援与地质灾害的危险性评估具有非常重要的现实意义。针对滑坡遥感影像中常见的植被再覆盖与地表侵蚀导致的特征微弱与边界模糊问题,提出一种以SAM为基础且在掩码解码器中融合CBAM的SAM-CANet滑坡识别方法。首先,利用图像编码器提取多层次特征;然后,掩码解码器通过融合CBAM注意力机制,自适应放大滑坡区域的微弱语义信号与高频细节。在毕节滑坡数据集上进行对比分析,结果表明:与主流算法(U-Net、DeepLab v3+、Mask2Former)相比,SAM-CANet模型的Dice系数达到0.8672、IoU值达到0.7737,在多组植被覆盖和边界模糊的影像测试中表现出更高的识别性能,为SAM模型在遥感领域的应用提供了新的思路和方法。

关键词： 计算机视觉   矿山建设   施工监测   安全预警   大数据  

摘要： 随着信息技术的飞速发展,计算机视觉技术在各行各业得到了广泛应用,尤其在矿山建设施工领域,它逐渐成为提升监测效率与施工安全性的关键技术。传统的施工现场监测方法存在效率低、数据处理滞后等问题,无法满足现代矿山建设的管理需求。基于此,文章针对计算机视觉技术在矿山建设施工现场的应用展开分析,探讨其在实时监控、施工进度跟踪、质量控制、安全预警等方面的优势与挑战,以期为矿山建设领域提供更为智能化、自动化的监测解决方案。

关键词： 深度学习   多模态融合   目标检测算法   自动驾驶  

摘要： 随着自动驾驶技术的飞速发展,目标检测作为其核心环节之一,对于保障行车安全和提升自动驾驶性能至关重要。基于深度学习的多模态融合目标检测算法结合了多种传感器数据,能够有效提升目标检测的准确性和鲁棒性。本文首先介绍了自动驾驶中目标检测的重要性,然后详细阐述了基于深度学习的多模态融合目标检测算法在自动驾驶中的具体应用,包括传感器数据融合方法、常见算法模型等,最后对基于深度学习的多模态融合目标检测算法在自动驾驶中的未来发展趋势进行了展望,包括算法优化、与其他技术融合等方面。

关键词： 对抗攻击   自动驾驶   目标检测   迁移性   隐蔽性   神经渲染  

摘要： 基于深度学习的目标检测算法已广泛应用,与此同时最近的一系列研究表明现有的目标检测算法容易受到对抗性攻击的威胁,造成检测器失效.然而,聚焦于自动驾驶场景下对抗攻击的迁移性研究较少,并且鲜有研究关注该场景下对抗攻击的隐蔽性.针对现有研究的不足,将对抗样本的优化类比于机器学习模型的训练过程,设计了提升攻击迁移性的算法模块.并且通过风格迁移的方式和神经渲染(neural rendering)技术,提出并实现了迁移隐蔽攻击(transferable and stealthy attack,TSA)方法.具体来说,首先将对抗样本进行重复拼接,结合掩膜生成最终纹理,并将其应用于整个车辆表面.为了模拟真实的环境条件,使用物理变换函数将渲染的伪装车辆嵌入逼真的场景中.最后,通过设计的损失函数优化对抗样本.仿真实验表明,TSA方法在攻击迁移能力上超过了现有方法,并在外观上具有一定的隐蔽性.此外,通过物理域实验进一步证明了TSA方法在现实世界中能够保持有效的攻击性能.