关键词： 伪装目标检测   弱监督   涂鸦注释   图推理网络   上下文信息  

摘要： 伪装目标检测(camouflaged object detection,COD)是计算机视觉领域一项具有挑战性的基础研究.由于像素级注释的成本较高,研究者们通常采用涂鸦注释作为弱监督信号.然而,涂鸦标注存在信息过于稀疏且缺乏边缘信息等固有局限,这严重制约了模型的预测可靠性.针对这些问题,本文提出一种新颖的交互图推理网络(interactive graphical reasoning network,IGRNet),该网络通过图表示来推断伪装区域及其边缘之间的内在关系.具体而言,引入了图推理网络建模像素间的长距离依赖关系,设计了高效的图交互单元(graph interaction unit,GIU)增强异构特征的表征能力.同时,为提升模型的场景理解能力并充分利用不同特征间的互补性,构建了上下文增强模块(context enhancement module,CEM)实现多特征融合与上下文信息挖掘.此外,提出了自监督伪装检测损失(self-supervised camouflage detection loss,Lscd)来引导网络学习结构信息,进一步增强前景−背景的区分能力.在3个标准基准数据集上的大量实验表明,本文方法不仅显著优于现有弱监督算法,在某些评估指标上甚至超越了全监督方法的性能.

关键词： 计算机视觉   二维正态分布   FOA   图像分割  

摘要： 1背景在计算机视觉和图像处理的学术与应用领域中,图像分割作为一项关键技术,其核心任务是将图像精准地划分为多个具备特定意义的区域。随着数字图像技术呈指数级发展,图像分割在众多领域都得到了极为广泛的应用。然而,鉴于图像本身固有的复杂性和多样性,如何实现高效且精准的图像分割,始终是一个极具挑战性的前沿课题。

关键词： 图像处理   对称加密   图像信息   特征提取   图像加密  

摘要： 为保证图像信息的安全性与完整性,文章提出基于超混沌和深度学习算法的图像加密方法。文章采用无损压缩技术对图像进行处理,结合超混沌系统算法生成高度随机的序列,对图像实施置乱与扩散操作,以此实现图像加密。文章引入深度学习算法,构建卷积神经网络模型,完成图像的解密重构。实验分析结果表明:文章方法能够有效抵御多种攻击手段,同时保持了较快的加密速度。

关键词： 隧道管片   YOLOv5-Lite   缺陷检测   裂缝   渗透   深度学习   轻量级网络  

摘要： 隧道管片作为盾构隧道结构中的关键构件,其质量直接关系到隧道整体的稳定性与安全性。渗漏、裂缝等结构性缺陷是当前隧道运行维护中亟需精准识别与及时修复的关键问题。传统的人工巡检方式存在主观性强、效率低、误判率高等缺陷,难以满足大规模、精细化运维的需求。为此,提出一种基于轻量级目标检测模型YOLOv5-Lite的隧道管片缺陷检测方法,针对裂缝和渗透等典型缺陷类型进行识别与定位。对YOLOv5-Lite网络结构进行了适应性调整,引入轻量化卷积模块以减少模型参数量,并通过多尺度特征融合与数据增强策略提升对微小缺陷的检测精度。在构建的隧道缺陷图像数据集上进行实验,结果显示该方法在保证较高检测精度(mAP达到91.3%)的同时,模型推理速度达到38 FPS,模型大小仅为6.8 MB,适用于边缘设备的实时部署。相比原始YOLOv5模型,YOLOv5-Lite在保持性能接近的基础上大幅提升了检测速度和部署效率。研究表明,本文方法在隧道管片自动化巡检与智能维护方面具有良好的应用前景。

关键词： 目标检测   小物体目标检测   切片推理   VisDrone   xView  

摘要： 目的在目标检测领域,深度学习模型已经取得巨大成功。但是已有的基于深度学习的目标检测算法在小物体目标检测中仍然困难重重,原因在于航拍图像多是更复杂的高分辨率场景,其中一些常见问题,如稠密度高、不固定的拍摄角度、目标物体尺寸小和高变异性等给现有目标检测方法带来巨大挑战。切片策略是近年来用于高分辨率图像小目标检测任务的众多优秀方法之一,然而现有的切片方法存在冗余计算问题,因此提出一种新的自适应切片方法,称为自适应切片辅助超推断(adaptive slicing-assisted hyper inference,ASAHI)。方法该方法关注切片数量而非传统的切片大小,可以根据图像分辨率自适应调整切片数量以消除冗余计算带来的性能损耗。在推理阶段,首先根据ASAHI算法将输入图像分割为6或12个重叠的块;之后对每个图像块进行插值处理以保持长宽比;接下来考虑到小块切片在检测大物体时的明显缺陷,分别对切片图像块和完整输入图像进行目标检测前向计算;最后为了提高高密度场景下推理的准确性和检测速度,后处理阶段集成了一种更快和更高效的Cluster-NMS(nonmaximum suppression)方法和DIoU(distance-intersection over union)惩罚项,即Cluster-DIoU-NMS(CDN),将ASAHI推理和全图推理结果进行合并,再转回原始图像尺寸。为了支持切片图像块的推理,本文在训练阶段构建的数据集也包括切片图像块。结果在广泛的实验中,ASAHI在VisDrone(vision meets drones)和xView数据集上表现出具有竞争力的性能。结果显示,与现有切片方法相比,本文方法将IoU值为0.5时的平均精确率均值(mean average precision,mAP)mAP50提高1.7%,计算时间减少20%~25%;在VisDrone2019-DET-val(vision meets drones 2019 for detection for validation)数据集上,mAP50的结果提高到56.8%。结论本文方法可以有效处理高分辨率场景下小物体稠密度高、拍摄角度不同以及变异性高等复杂的因素,实现高质量的小物体目标检测。

关键词： YOLOv8n算法   特征聚焦   特征融合   共享卷积   目标检测  

摘要： 为解决自动驾驶过程中道路两侧目标及复杂背景下目标漏检的问题，本文提出了一种改进的轻量型目标检测网络——WDL-YOLOv8n。该网络引入定制化的特征聚焦模块，使各检测尺度的特征能够融合更丰富的上下文信息，并通过扩散机制实现多尺度间特征的高效传播，从而增强目标的感知能力。主干网络中引入小波变换卷积，在增大感受野的同时显著降低计算成本。检测头部分采用组归一化（GN）以提升小样本场景下的定位与分类性能，引入共享卷积结构以减少参数量和计算量，并通过细节增强卷积模块进一步提升检测精度。在KITTI数据集上的实验结果表明，WDL-YOLOv8n模型平均检测精度达到88%，相比原始YOLOv8n提升了2.1%，同时计算量下降23.5%，参数量减少33.8%。该方法在复杂背景下展现出良好的目标检测性能，为自动驾驶系统的安全性与可靠识别提供了有力的技术支持。

关键词： 铁路消防   YOLOv8   异构计算   激活函数   目标检测   深度学习   图像分类   数据增强  

摘要： 消火栓在铁路的消防系统中较为重要，相关监测设备只适用于单一特定任务，且监测准确度易受铁路环境影响，对硬件设备的性能要求较高。针对该问题，文中提出一种基于YOLOv8(You Only Look Once version 8)的消火栓状态在线监测与预警研究方法。采用CPU(Central Processing Unit)和GPU(Graphics Processing Unit)异构计算及修改激活函数的技术来确保设备在同等精度下可进行加速，且对边缘硬件性能要求相对较低。使用CPU和GPU异构的策略优化图像检测帧率，使用H-Swish函数提高激活函数的计算效率，增加模型的拟合能力和表达能力。实验数据表明，相较于传统方法，所提方法检测速度加快了1.85倍，检测帧率提升约16.5%，精度达98.1%，满足实际业务要求。

关键词： 水下巡检机器人   人工智能   计算机视觉   深度学习  

摘要： 水下巡检机器人以其高效、精准的作业能力,逐步替代传统人工巡检方式,在复杂水域环境下发挥着不可替代的作用。通过引入深度学习、计算机视觉、路径规划等先进技术,机器人不仅能实现对水下目标的实时识别和跟踪,还能在恶劣环境中自主完成巡检任务,极大提高了数据采集的质量与安全性。本文围绕核心技术的实现机制与实际应用效果展开探讨,对现有瓶颈进行剖析,并提出具有创新意义的改进方案,旨在为水下工程、环境监测及海洋资源开发提供坚实的技术支撑和理论参考。

关键词： 资源管理   网络化雷达   多目标跟踪  

摘要： 针对现有网络化雷达难以实现群目标的高分辨率多目标跟踪问题，该文提出一种用于网络化雷达系统的波束选择与多维资源管理(BSMRM)策略，以提高目标分辨能力和多目标跟踪(MTT)精度。首先推导了概率数据关联(PDA)融合规则和交互多模型-扩展卡尔曼滤波器(IMM-EKF)下的贝叶斯克拉美-罗下限(BCRLB)，以此作为跟踪精度的性能指标，并通过归一化波束内观测目标与非观测目标的模糊函数幅值，量化了系统的分辨性能。随后构建基于对数障碍法的效用函数用于全局性能量化，将多维资源管理建模为优化问题，其目标函数为全局性能最优化，约束条件为给定的系统资源限制。最后采用基于网格搜索法和梯度下降算法的3阶段快速算法进行求解。仿真结果表明，与现有算法相比，该文所提方法能够在减少频谱占用和功率消耗的情况下，实现相当的目标分辨能力和多目标跟踪精度。

关键词： 双模态融合   行人检测   无人机   轻量化   YOLOv8n  

摘要： 无人机在行人目标检测应用中因光照变化、遮挡等复杂场景下面临精度下降的问题。针对这一问题，本文提出了一种双模态（红外光与可见光）图像融合的无人机行人检测算法。首先在YOLOv8n的基础上增加一条主干网络分支用于另一种模态图像的特征提取，设计双模态特征融合模块（DMFF），在主干网络（Backbone）中将不同阶段提取到的特征进行融合，以提升融合特征的表示能力，并在后续进行特征增强表达。其次，利用拆分卷积（SPConv）的思想，在保证检测精度的前提下对C2f模块进行轻量化处理。最后，在SPPF中引入大型可分离卷积模块（LSKA），突出关键目标区域，提升模型的检测精度和效率。实验结果表明，在LLVIP数据集和KAIST数据集上，改进后的模型检测精度均优于单模态目标检测模型和其他多模态主流算法，相较于YOLOv8n红外图像、可见光图像和双模态原始融合方法，在LLVIP数据集上，精确率分别提升了1.9%、6.4%、1.7%,m AP50分别提升了1.1%、8.3%、1.2%，同时参数量相较于单模态网络减少了11.5%。