摘要：针对目前在红外小目标分割领域数据集稀缺问题,提出根据红外小目标特点设计图像分割弱监督方法来解决该问题。所提方法利用红外小目标边界框掩码作为监督,结合框外损失、框内损失和基于双模型的指数滑动平均迭代算法,为红外小目标分割提供一种更为经济高效的训练方式,在不需要大规模标注的情况下,让模型从有限的弱标签中获取知识,从而在红外小目标分割任务中表现出色。实验结果表明:所提方法成功克服了人工标注方式的繁琐和成本高的问题,为红外小目标分割任务提供了更高效和可持续的训练方式。

摘要：针对复杂背景和车辆姿态变化导致的车辆关重部位在图像中被遮蔽,无法准确识别的问题,提出了部分可形变物体图卷积神经网络(Partially Deformable Object Graph Convolutional Network, PDO-GCN)的遮蔽车辆关重部位检测模型。该方法以车辆刚体结构关系为基础,构建了基于PDO-GCN的二维成像平面上关重部位之间的空间关联模型,并利用可见关重部位的检测结果估计遮蔽关重部位的位置。实验结果表明,PDO-GCN模型在无需复杂标注的前提下,能够有效推断完整车辆结构信息,显著提高遮蔽部位的检测精度,且满足实时性要求,具有良好的应用潜力。

摘要：新兴的图像处理神经网络需要大量优质的训练数据训练才能发挥良好的效果,为了解决电磁层析成像(ElectroMagnetic Tomography,EMT)技术生成图像质量不高且不便于大量获取的问题,使用COMSOL Multiphysics软件仿真,建立EMT系统模型生成缺陷的真值图像,并利用共轭梯度算法生成重建图像与其对应,组合输入到变分自编码器(Variational Auto-Encoder,VAE)生成网络中,进行数据增强制成大量数据集,并对VAE生成图像进行结构相似性比对。实验结果表明,VAE生成图像的结构相似度(Structural Similarity,SSIM)与利用共轭梯度算法重建图像的结构相似度非常接近,相对误差控制在10%以内,证明了VAE生成网络应用于扩展神经网络数据集的合理性。