摘要：针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题,提出了基于SSD的锚框尺度密集化和锚框策略匹配目标检测算法。该算法选用经过改进后的深度残差网络替代SSD算法原有的特征提取网络。结合飞机遥感图像存在小尺度且密集的特点,重新设计了锚框尺度大小、比例和额外增加了一个包含两种尺度的特征层。而后对各个特征层进行锚框密集化操作使得特征层的锚框铺设密度基本相等,提高不同尺度的锚框匹配到真实目标的概率。在不同尺度的正样本锚框数量差距较大的问题上,提出了一种使得不同尺度的正样本锚框数量趋向于总体正样本平均值的锚框策略匹配方法,一定程度上提高训练的有效性和目标检测的鲁棒性。在飞机遥感数据集上进行相关实验,精度均值达到91.15%,每秒帧率为33.4。结果表明,改进后的算法不仅可以在增加较少训练参数的基础上提升检测精度,还能保留SSD算法的实时检测性。

摘要：多目标跟踪是计算机视觉领域被广泛研究的重要方向,但是在实际应用中,目标的快速移动、光照变化、遮挡等问题会导致跟踪性能变差,因此以多目标跟踪模型OMC为基础框架展开研究,以实现跟踪性能的进一步提升。针对多目标跟踪过程中存在的目标特征质量层次不齐的问题,对特征提取器进行优化,在主干网络集成了GAM注意力机制并在Neck网络部分更换了上采样方式;针对现有方法中存在的检测任务和重识别任务之间的“竞争问题”,构建了递归交叉相关网络,使得模型可以学习不同任务的特性和共性。此处针对两个子任务分别进行了优化,一是设计了新的通道注意力HS-CAM优化了重识别网络;二是更换了检测部分的边界回归损失函数,采用EIoU损失函数。实验表明,在MOT16数据集上MOTA指标可达73.5%,IDF1可达70.4%,MLgt为11.7%,相比较OMC算法减少了1.5个百分点。

摘要：针对当前飞机遥感图像目标检测算法的精度和实时性不能兼顾的问题,提出了基于SSD(Single Shot MultiBox Detector)的飞机遥感图像目标检测算法。首先使用经过改进后的深度残差网络替换SSD的骨架网络,对于特征图之间缺少特征信息关联和特征通道间缺少差异性权重值的问题,设计了一种含有特征感受野增强模块与注意力机制模块的新型特征金字塔网络。该网络用以融合不同层级的特征信息和训练特征通道间的权重系数,使得深层网络和浅层网络都得到结构层次丰富的融合特征,为后续网络的分类与定位提供了良好的前提。另外,在改进后的SSD算法中还使用了聚焦分类损失函数来解决正负样本不平衡的问题。在飞机遥感数据集上进行相关实验,精度均值达到92.45%,每秒帧率为35.6。结果表明,改进后的SSD算法能够同时兼顾高检测精度和实时性。

摘要：针对遥感图像水体分割任务,提出了一种多尺度融合注意力模块改进的UNet网络——A-MSFAM-UNet,该方法在GF-2遥感图像水体分割任务中实现了端到端高分辨率遥感图像水体分割。首先,针对以往注意力模块全局池化操作带来的局部信息不敏感问题,设计了一种多尺度融合注意力模块(MSFAM),该模块使用点卷积融合通道全局信息、深度可分离卷积弥补全局池化造成的信息丢失。MSFAM用于UNet跳跃连接后的特征融合部分重新分配特征点权重以提高特征融合效率,增强网络获取不同尺度信息的能力。其次,空洞卷积用于VGG16主干网络扩展感受野,在不损失分辨率的情况下聚合全局信息。结果表明,A-MSFAM-UNet优于其他通道注意力(SENet、ECANet)改进的UNet,在GF-2水体分割数据集上平均交并比(MIoU)、平均像素精度(MPA)和准确率(Acc)分别达到了96.02%、97.98%和99.26%。

摘要：为在保证多图谱分割精确度的基础上,提高算法的时间效率,提出基于重采样改进的多图谱分割算法。利用重采样代替粗配准环节,在配准分割过程中,通过两次提取分割组织为中心的感兴趣区域,有效降低数据规模。在标签融合阶段利用K近邻搜素算法改进基于图像块的标签融合方法。实验结果表明,该算法实现了在较高的配准精度下,高效率得到分割结果。

摘要：针对目前选票自动统计设备价格高昂,版面设计复杂,不能灵活推广应用等问题,基于图像处理研发了一套选票自动快速统计系统。系统硬件采用快速扫描仪和计算机,软件平台为MATLAB。通过图像处理的方法对选票图像进行图像预处理、方向定位、判定识别选票选项等,再对选项结果进行统计以及无效选票剔除,最终实现选票结果的自动、快速、准确统计,并清楚展示统计结果。整个过程准确、高效,符合选票统计所要求的公平性和公正性,并大大精简选举工作中的参与人员,缩短计票环节耗时,保障统计结果的准确性。系统已用于某单位现场选举结果统计,结果高效且准确。

摘要：传统抽取算法在病灶、细节区域存在分割不精准的问题。改进算法对U-net深度神经网络进行改进,在网络底层加入Dense-net网络中的稠密连接方式,使用BConvLSTM来组合编码器和解码器的特征信息,结合AC-net思想提出MultiAc模块,在U-net下采样和上采样过程加入该模块,帮助网络学习更复杂的特征信息,在预测过程中提高精确率。通过在DRIVE、STARE、CHASE_DB1这3个公开眼底数据库的实验,分割结果的客观评价指标与主观视觉验证了改进算法在分割精度方面的有效性。