关键词： 图像处理   微光图像增强   图像去噪   盲点网络   直方图均衡化  

摘要： 针对现有的低照度图像增强算法在增强的同时其图像中仍含有残留噪声、网络训练中将产生恒等映射以及成对数据集获取困难的问题，本文提出了一种基于盲点网络的自监督微光增强网络。首先，采用双边多尺度融合直方图均衡化的方法对图像亮度进行调整，以此来克服传统直方图增强方法中的信息颜色损失；其次，所设计的去噪网络可以自适应从原始图像中进行学习，同时采用像素混洗下采样解耦相邻像素空间中的相关性；最后，为保持图像空间和颜色一致性设计了相关的损失函数。实验证明本文算法克服了现有算法存在的残留噪声、网络训练中产生恒等映射问题，有效地改善了低照度图像质量。

关键词： 注意力机制   计算机视觉   深度学习   DETR   目标检测  

摘要： Transformer在自然语言处理中表现出惊人的性能，激励了研究人员开始探索其在计算机视觉任务中的应用。DETR将目标检测视为一个集合预测问题，引入Transformer模型来解决目标检测任务，从而避免了传统方法中的提案生成和后处理步骤。最初的DETR在训练收敛和小物体检测方面存在一些问题。为了解决这些问题，研究人员进行了多方面的改进，实现了DETR的实质性改进，提升其性能。我们对DETR的基本模块和最近的增强进行了深入研究，包括对主干结构的修改、查询设计策略和注意机制的改进。同时，还对各种检测器进行了比较分析，评估了它们的性能和网络架构，深入探讨了DETR的局限性和面临的挑战，并展望了未来在该领域的发展方向。通过这篇论文的研究，展示了DETR在计算机视觉任务中的潜力和应用前景。

关键词： 开放世界目标检测   自适应特征动态融合   未知类评分优化   注意力机制  

摘要： 开放世界目标检测(Open World Object Detection， OWOD)的主要任务是检测已知类别和识别未知目标。此外，模型在下一个训练阶段中逐步学习已知新类。针对OW-DETR(Open-World Detection Transformer)中未知类召回率偏低、密集目标与小目标漏检等问题，提出了一种UBA-OWDT(UCSO，BiStrip and AFDF of Open-World Detection Transformer)开放世界目标检测网络。针对未知类召回率偏低的问题，对未知类评分优化(Unknown Class Scoring Optimization，UCSO)，将生成的浅层类激活图与聚合类激活图融合，获取细粒度特征信息，提高未知类的目标评分，进而提升未知类的召回率；针对小目标漏检问题，将双条状注意力(Spatial attention based on Strip pooling and Strip convolution，BiStrip)应用于输入特征图，捕获长程依赖，保留目标精确的位置信息，增强感兴趣目标的表征，以检测小目标；针对密集目标漏检问题，采用自适应特征动态融合(Adaptive Feature Dynamic Fusion，AFDF)，根据目标大小和形状，获得不同的感受野，动态分配注意力权重，关注目标的重要部分，融合不同层级的特征，以检测密集目标。在OWOD数据集的实验结果表明，未知类召回率增值范围在0.7%-1.5%， mAP增值范围在0.6%-1.2%，与现有的开放世界目标检测方法相比， 在召回率偏低、密集目标与小目标漏检问题上具有一定的优势。

关键词： 海杂波   小目标检测   虚警可控   生成对抗网络   卷积神经网络  

摘要： 针对传统基于统计理论的海面小目标检测方法在复杂海面环境中性能不高的问题，该文提出了一种改进的检测方法。首先通过分析海杂波和目标回波的特征，将检测问题转化为特征空间的分类任务。鉴于海面小目标样本数量有限，存在样本不平衡的问题，该文引入了一种基于梯度惩罚的沃瑟斯坦生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty ， WGAN-GP)来增强目标数据，从而在数量上平衡目标样本与海杂波样本。同时，对原始WGAN-GP网络的损失函数进行了改进，引入相位损失以确保生成数据能够反映真实数据的相位信息。基于这些数据，进一步提取了生成目标和海杂波的高维特征，并将其送入卷积神经网络(Convolutional Neural Network， CNN)进行训练。为了应对高维特征空间中虚警概率难以控制的问题，对CNN算法进行了改进，通过设置Softmax分类器的阈值，实现了虚警概率可控。最后，借助公开的IPIX雷达数据集进行实验验证，所提的WGAN-GP-CNN检测器在积累时间为1.024秒，虚警概率为0.001时，平均检测概率达到0.8683，具有良好的检测效果。

关键词： 荧光高光谱   塑料包装材料   大肠杆菌   图像处理   生物膜  

摘要： 包装表面滋生的微生物会对内装食品及接触人员造成潜在危害。本课题基于荧光高光谱技术，采用365 nm紫外光作为激发光源，获得了塑料包装表面421-700 nm范围内的荧光高光谱图像，确定了多种塑料包装材料(聚乙烯、聚丙烯、聚酰胺)表面大肠杆菌污染的荧光特征光谱，并确定生物膜检出限。结果表明，聚乙烯、聚丙烯和聚酰胺表面大肠杆菌荧光光谱特征波长分别位于550 nm、543 nm、540 nm；基于上述特征波长处的单波段图像经过图像处理能够准确检出三种塑料包装材料表面的大肠杆菌接种点，检出率均大于98%；对聚乙烯、聚丙烯和聚酰胺表面大肠杆菌生物膜的检出限分别为1.39 Log CFU·cm-2、1.39 Log CFU·cm-2和1.59 Log CFU·cm-2。研究成果为包装食品微生物检测及食品安全监控提供了有力的技术手段和理论支持。

关键词： 图像处理   可见光图像   红外图像   装甲车辆   目标检测  

摘要： 可见光-红外装甲车辆检测技术相关研究比较缺乏，且现有的可见光-红外目标检测方法应用于装甲车辆检测任务时，存在位置偏移和不能充分发挥可见光图像和红外图像互补性的问题。针对以上问题，提出了一种基于特征对齐与区域图像质量引导融合的可见光-红外装甲车辆检测方法。该方法将当前先进的单阶段无锚框检测方法 YOLOv8拓展为双流目标检测框架，在双流特征提取网络中嵌入特征对齐模块，解决图像对未对齐导致的位置偏移问题。为充分发挥可见光图像和红外图像的互补性，设计了一种图像质量引导融合策略，该策略对可见图像和红外图像的区域图像质量进行评估，并使用特征质量矩阵引导可见光特征和红外特征的融合。最后，在可见光-红外装甲车辆图像数据集上的实验结果表明，与仅使用可见光图像的检测方法相比，本文方法的m AP和m AP50分别提升了1.9%和3.5%。与使用特征相加和特征拼接融合方式的检测方法相比，本文方法的m AP分别提升了1.1%和1%。本文方法能够有效克服复杂地面环境下的多种干扰，能够提升对装甲车辆的检测精度和成功率。

关键词： 遥感图像   小目标检测   实时检测   卷积神经网络   特征融合  

摘要： 得益于深度学习方法的发展，近年来目标检测方法的性能有了很大的提升。然而，从无人机（Unmanned Aerial Vehicle,UAV）遥感图像中检测目标仍然存在很大的挑战，原因包括：UAV遥感图像中目标分辨率小、背景复杂，现有算法难以满足实时性要求。面对这些挑战，提出了一种基于多尺度多深度特征提取（Multi-scalar&Multi-depth Feature Extraction,MMFE）网络的实时小目标检测（Real-Time Small Target Detection,RTSTD）方法，能够高效的从UAV遥感图像中检测小目标。RTSTD将一幅输入图像剪裁成多个小尺寸的图像，并将一部分小尺寸图像输入到轻量化的MMFE网络中。因此，RTSTD具有处理任意分辨率的遥感图像而不丢失图像细节特征的能力。对于MMFE网络，提出了一种更有效的输出：重叠向量，它能够表示目标在输入图像中的位置和置信度。为了增强MMFE网络区分目标和复杂背景的能力，重新定义了正样本和负样本。为测试RTSTD的性能，从开源数据集UAV123、DTB70和AU-AIR中筛选重构了7个数据集，共8369张UAV遥感图像，涉及地面和海面场景下的小目标检测。结果证明，与现有的检测方法相比，RTSTD方法在准确性和速度方面都取得了改善，平均F1-Score大于0.90,GPU运行每秒大于66帧，CPU运行每秒大于35帧。

关键词： 目标检测   流形滤波   非均匀海杂波   信息几何  

摘要： 由于海面波动等因素近海杂波呈现出较强的非均匀特性，杂波功率估计误差较大，降低了海面微弱目标检测性能。针对这一问题，本文提出一种基于流形滤波的海面微弱目标检测方法，通过建立雷达回波信号的高维流形表示，将雷达目标检测问题转化为流形上两点间的区分性问题，同时，在流形空间中对杂波进行加权滤波处理，降低非均匀杂波能量，提高杂波功率估计精度，从而有效改善目标检测性能。首先，将每个距离单元的脉冲串回波数据建模为一个托普利兹正定矩阵，观测区域内各距离单元所对应的正定矩阵构成一个矩阵流形，杂波非均匀特性表现为矩阵流形上数据的几何拓扑性质；然后，通过在流形上聚类将非均匀杂波数据分解为若干类具有相似统计特性的数据，并估计每类杂波数据的几何中心；最后，针对不同类别的杂波几何中心在流形上进行加权滤波处理，提高非均匀杂波功率估计准确度，并设计相应的几何检测器。仿真和实测数据实验结果表明，所提方法能够提高非均匀海杂波的功率估计精度，改善微弱目标的检测性能。

关键词： 视觉目标检测   无人机空对空目标检测   YOLOv5   轻量化   注意力机制  

摘要： 针对高动态场景下无人机空对空目标检测任务中机载设备计算资源有限和无人机小目标检测困难的问题，提出了一种基于轻量级注意力机制的SGC-YOLOv5算法。旨在保持无人机小目标检测精度的基础上实现模型轻量化。首先，设计S-Ghost模块和SD-Ghost结构构建特征提取网络（SD-Ghostnet），降低模型参数量和计算复杂度；其次，引入更高效的GSConv和VOVGSCSP结构细化特征融合网络，将SD-Ghostnet和细化的特征融合网络结合使模型达到最佳的轻量化效果；最后，在特征融合网络中加入轻量级的CBAM注意力机制来突出图像中感兴趣的无人机特征，抑制背景冗余信息，提高检测精度。在Det-Fly数据集上的实验结果表明，SGC-YOLOv5算法精度为74.9%，参数量为4.11M，检测速度为169.42f/s，计算复杂度为9GFLOPs。与基准YOLOv5s算法相比，SGC-YOLOv5算法检测精度提升1.8%，参数量减少48.5%，检测速度提升26f/s，计算复杂度降低57.5%，在实现模型轻量化的同时取得了较好的检测精度。

关键词： 视网膜血管分割   神经网络   注意力机制   计算机视觉  

摘要： 视网膜血管的自动分割在眼科和心血管疾病的计算机辅助诊断中发挥着重要作用。注意力机制能够提高经典神经网络模型对图像特征提取的效率和精度，因此注意力机制在视网膜血管分割模型中广泛使用。本文首先回顾了视网膜血管分割的常用数据集及评价指标，接着根据工作机理将注意力分为选择性注意力机制和自注意力机制两类；同时根据计算机视觉任务中的作用域将注意力方法分为通道注意力、空间注意力以及混合注意力三类，结合视网膜血管分割任务重点介绍了以上三类方法的代表性注意力模型的具体应用，并对相关模型进行性能对比和评价；最后对注意力机制存在的问题以及未来的发展趋势进行了讨论。