摘要：针对人工智能技术飞速发展对高等教育新工科专业提出的“多学科交叉汇聚,多技术跨界融合”人才培养需求,分析了计算机视觉课程的现状及问题。在古语“夫合羹之美,在于合异”的启示下,从融合多维教学资源,实施多样学习活动,培养多元创新能力等方面,提出了开展计算机视觉课程的教学创新设计的途径。

摘要：目的现有图像级标注的弱监督分割方法大多利用卷积神经网络获取伪标签,其覆盖的目标区域往往过小。基于Transformer的方法通常采用自注意力对类激活图进行扩张,然而受其深层注意力不准确性的影响,优化之后得到的伪标签中背景噪声比较多。为了利用该两类特征提取网络的优点,同时结合Transformer不同层级的注意力特性,构建了一种结合卷积特征和Transformer特征的自注意力融合调制网络进行弱监督语义分割。方法采用卷积增强的Transformer(Conformer)作为特征提取网络,其能够对图像进行更加全面的编码,得到初始的类激活图。设计了一种自注意力层级自适应融合模块,根据自注意力值和层级重要性生成融合权重,融合之后的自注意力能够较好地抑制背景噪声。提出了一种自注意力调制模块,利用像素对之间的注意力关系,设计调制函数,增大前景像素的激活响应。使用调制后的注意力对初始类激活图进行优化,使其覆盖较多的目标区域,同时有效抑制背景噪声。结果在最常用的PASCAL VOC 2012(pattern analysis,statistical modeling and computational learning visual object classes 2012)数据集和COCO 2014(common objectes in context 2014)数据集上利用获得的伪标签进行分割网络的训练,在对比实验中本文算法均取得最优结果,在PASCAL VOC验证集上,平均交并比(mean intersection over union,mIoU)达到了70.2%,测试集上mIoU值为70.5%,相比对比算法中最优的Transformer模型,其性能在验证集和测试集上均提升了0.9%,相比于卷积神经网络最优方法,验证集上mIoU提升了0.7%,测试集上mIoU值提升了0.8%。在COCO 2014验证集上结果为40.1%,与对比算法中最优方法相比分割精度提高了0.5%。结论本文提出的弱监督语义分割模型,结合了卷积神经网络和Transformer的优点,通过对Transformer自注意力进行自适应融合调制,得到了图像级标签下目前最优的语义分割结果,该方法可应用于三维重建、机器人场景理解等应用领域。此外,所构建的自注意力自适应融合模块和自注意力调制模块均可嵌入到Transformer结构中,为具体视觉任务获取更鲁棒、更具鉴别性的特征。

摘要：基于深度学习的显著性目标检测算法大多依赖于大规模标注数据下的监督学习模式,但是,样本的像素级标签存在获取困难、标注成本高的问题。为此,设计一种边缘深度挖掘的弱监督显著性目标检测算法,仅使用图像级类别标签,从输入图像的显著性目标边缘角度得到能够较准确描述目标轮廓信息的边缘特征图,以生成伪标签对显著性模型进行监督训练。通过粗糙边缘生成模块对显著性目标轮廓特征进行简单标定,用于获取粗糙边缘特征图。在此基础上,利用精细边缘生成模块优化特征以得到精细边缘特征图,能够更准确地反映目标的边界信息,在完整刻画轮廓信息的同时可以更好地抑制背景噪声。伪标签生成模块基于精细边缘特征图生成像素级伪标签。实验结果表明,相比MSW、MFNet、NSAL等算法,该算法能够准确识别显著性区域,获得的预测图具有较完整的细节信息,其中,在ECSSD数据集上S-measure值和E-measure值相较于第2名NSAL算法分别提高1.1和0.6个百分点。

摘要：视频显著性目标检测需要同时结合空间信息和时间信息,连续地定位视频序列中与运动相关的显著性目标,其核心问题在于如何高效地刻画运动目标的时空特征.现有的视频显著性目标检测算法大多使用光流,ConvLSTM以及3D卷积等提取时域特征,缺乏对时间信息的连续学习能力.为此,设计了一种鲁棒的时空渐进式学习网络(spatial-temporal progressive learning network,STPLNet),以完成对视频序列中显著性目标的高效定位.在空间域中使用一种U型结构对各视频帧进行编码解码,在时间域中通过学习视频序列中帧间运动目标的主体部分和形变区域特征,渐进地对运动目标特征进行编码,能够捕捉到目标的时间相关性特征和运动趋向性.在4个公开数据集上与13个主流的视频显著性目标检测算法进行一系列对比实验,所提出的模型在多个指标(maxF,Smeasure(S),MAE)上达到了最优结果,同时在运行速度上具有较好的实时性.

摘要：距离模糊是雷达系统中重频工作模式下必须考虑的问题,而多重频技术是解距离模糊常见的信号波形设计方案。一维聚类算法可根据雷达不同重频的测量视在距离稳健地求解目标不模糊距离,但一维聚类算法在排序效率和根据测距信噪比估计目标不模糊距离性能两方面存在不足。加权快速聚类距离解模糊算法首先提出快速聚类算法提高解模糊时的排序效率,继而采用加权方式提高目标不模糊距离的估计性能。快速聚类算法的仿真试验结果表明快速聚类算法解距离模糊是一种实用的快速解距离模糊算法。

摘要：在基于点特征的遥感图像配准过程中,特征点的自动提取和准确匹配是影响配准精度的关键。提出了一种干涉合成孔径雷达(InSAR)复图像对的自动配准算法,利用特征点的高曲率结构设计了模板,完成了特征点检测;根据匹配点对之间距离相近的结论设计了匹配算法,进行了特征点对的匹配。首先通过边缘检测和模板相关提取特征点;其次根据提出的匹配算法建立点的对应关系;最后利用两步法完成复图像的亚像元级配准。实验结果表明,该算法具有较高的配准精度。

摘要：舰载相控阵雷达作为多功能雷达可以大范围空域海域内预警搜索,又可同时快速捕获跟踪多个目标,其多目标随机跟踪能力是相控阵体制有别于非相控阵体制的突出优势。本文提出嵌入分层算法改进相控阵雷达的收发波形时间分配效率,利用待跟踪目标先验距离信息确定回波延迟,形成跟踪目标对应的嵌入式或并行式收发时序。创新的时间分配方法简洁有效、兼容传统模式,较好地提高雷达探测时效,数字仿真验证相控阵雷达收发波形时间分配的高时效性。

摘要：该文给出了一种基于平面显示角度扩展搜索雷达的系统设计方案,通过适应顶层的显示要求开展了雷达波形设计、工作时序设计和信号处理设计,进一步提出了各雷达单元的技术要求。文中给出了显示区划分处理模式,重新分层划分了显示区域。同时,文中相应给出了两种波形设计方案:方案(一)为纯数据处理改造模式适用于传统雷达,方案(二)为雷达的新型设计,需要数据处理同时兼顾改变发射接收。该系统方案能够节省雷达的时间和计算资源,形成了雷达系统设计框架,符合未来软件化雷达的技术趋势。