摘要：针对糖尿病视网膜病变(DR)检测模型在下采样过程中关键信息丢失和模型鲁棒性差的问题,构建一个PM-Net模型(Parallel Multi-scale Network)。在下采样过程中,利用信息增强的方式设计了多尺度最大池化和多尺度卷积模块并对ResNet-50改进。进一步,为了提高模型的鲁棒性,使用双分支的架构对模型进行扩展。提出的多尺度模块使得模型在下采样的过程中获得了更加丰富的视网膜眼底图像特征,从而提高了DR检测的性能,同时提出的双分支模型在DR检测过程中用局部信息辅助全局信息保证了模型的鲁棒性。模型在EyePACS、DDR和私有数据集进行了实验验证。实验结果表明:与主流的模型相比,本模型在EyePACS数据集上的准确率和二次加权Kappa分数分别提高了2.58%和1.31%。

摘要：针对跨域行人重识别任务中域间差距和噪声标签导致的模型识别准确率低、稳定性差的问题,本文提出一种结合域间一致性与抗噪学习的跨域行人重识别方法(SZTR).该方法将生成对抗网络应用到预训练中,并且设计一个预训练中的一致性正则化损失,用来保持行人图片风格迁移前后预测概率的一致性,以减小域间差距.在目标域的训练中引入更稳定的动量对比模型来提取样本特征,加入鲁棒性更强的自适应权重损失微调模型,以减小聚类过程中噪声标签带来的负面影响.实验结果及分析表明,所提方法有助于提升模型在跨域行人重识别任务上的准确度,取得了更稳定的识别效果.

摘要：多光谱辐射测温技术具有不干扰被测场、测量无上限以及响应速度快等优点,是高温测量领域的最有力工具之一。目前,多光谱高温计以点温测量为主,光路通过物镜、光阑、棱镜等光路通道将待测点辐射分光后进入探测器阵列,实现单点的多光谱信息采集。随着工业智能化程度的不断提高,更加需要实时获得大量的温度分布信息,如特种金属材料的冶炼过程、高温合金激光自动焊接过程、半导体晶体生长过程、火箭发动机尾喷焰温度诊断等领域都需要实时获得某条线乃至整个二维表面的温度,从而提高产品性能和质量,因此通过多光谱辐射测温技术测量待测表面某条线的温度分布十分重要。但是,简单将光阑变为狭缝,实现待测线表面的辐射经透镜、棱镜等传统光路分光后,由于光学系统球差的作用,会使得分光后的狭缝光谱由于离轴传输而呈现严重的弯曲现象,不利于矩形光电探测器阵列的完全接收。为此,提出基于正交柱状透镜组的多光谱线温光路系统,利用正交柱状透镜在不同位置成像可以实现由圆到椭圆再到直线的特殊作用,较好地解决了传统多光谱辐射高温计光路所存在的球差问题。利用ZEMAX光学设计软件,基于S4111-16Q的光电探测器阵列实际大小进行反向光学系统设计,确定了狭缝、物镜、棱镜、正交柱状透镜等光学器件关键的参数,基于这些参数所实际加工的光学器件,搭建了多光谱线温高温计光学系统,并进行了无正交柱状透镜和有正交柱状透镜成像情况下的对比实验,结果表明,在没有柱状透镜的情况下,狭缝成像明显弯曲,在加入正交柱状透镜的情况下,狭缝成像弯曲现象消失,经狭缝分光后的线光谱明显呈直线状态,这为整条线的光谱辐射信息完整进入各探测器阵列提供了技术支撑,从而为后续线温测量提供了有力的光谱辐射数据信息。

摘要：多光谱辐射测温是高温测量的最有力工具之一,它通过光学瞄准系统对准待测点,经分光光路后获得多个光谱通道的辐射信息,利用光电探测器转化为电信号,通过对多个光谱辐射通道的电信号进行数据处理后同时获得待测目标的真实温度和光谱发射率。待测目标的温度反演结果受未知的发射率影响难以直接反演。为解决待测目标发射率模型难以确定的问题,基于参考温度模型,提出一种无需假设发射率模型的多光谱辐射测温数据处理方法。利用同一时刻获得的各个通道反演的温度值与平均值的差值趋近于“零”的约束条件,根据精度要求,设置合理的截止条件,设计合适的发射率迭代步长,可以使反演精度满足实际要求。在提高反演速度方面,提出“二分法”,即在上一次发射率获得温度与平均温度偏差结果引导下,利用“二分法”快速减小发射率搜索区间,直到满足截止条件,即每个光谱通道反演温度趋于相等,从而实现快速反演的目标。基于二分迭代法的多光谱辐射测温反演新算法在未知发射率先验知识的情况下,可实现多光谱辐射测温数据的真实温度反演。基于光纤光谱仪设计了一套多光谱辐射测温实验装置,利用成像透镜将目标聚焦于分化板上的十字叉丝处,叉丝处粘贴有一个45°反射棱镜,将辐射信息反射至光纤后进入光谱仪实现多光谱测温。对一生物质锅炉炉膛火焰通过观察窗进行温度测量并与热电偶测量结果进行比对,结果表明与热电偶测量结果(1000 K左右)相对误差小于4.4%。同时用普通计算机课实现毫秒级实时反演,表明该算法满足在线测量要求,算法进一步完善了多光谱辐射测温理论,为多光谱辐射测温技术在生物质火焰高温测量领域的应用提供了理论支撑。

摘要：【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%,AlexNet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留AlexNet神经网络拟合优化性的同时加快寻优速率,可有效提高识别精度,实现木材高精度分类。

摘要：为解决智能交通系统中车标识别的问题,提出YOLOv5s网络车标定位多特征融合的车标图像识别方案。车标定位阶段选择YOLOv5s网络以满足对车标定位速度与精度等的需求。车标识别阶段通过调整扩展高斯差分中的参数得到具有不同效果的车标边缘,设计一组二维Gabor滤波器对边缘检测后的车标图像进行滤波处理并提取出对应的车标图像特征向量,通过计算待测车标图像特征与标准比对库中特征向量的欧几里德距离,取距离最小者对应的标签索引作为分类识别结果,该方案的最佳识别正确率为96.91%。采用随机森林算法进行分类后的最佳识别正确率可达99.33%。该方案的车标定位与识别最佳整体正确率超过了YOLOv5s网络直接一步到位识别车标的方案,且相较于传统图像处理方法有明显提升。

摘要：哈希方法由于低存储、高效率的特性而被广泛应用于遥感图像检索领域。面向遥感图像检索任务的无监督哈希方法存在伪标签不可靠、图像对的训练权重相同以及图像检索精度较低等问题,为此,提出一种基于深度多相似性哈希(DMSH)的遥感图像检索方法。针对优化伪标签和训练关注度分别构建自适应伪标签模块(APLM)和成对结构信息模块(PSIM)。APLM采用K最近邻和核相似度来评估图像间的相似关系,实现伪标签的初始生成和在线校正。PSIM将图像对的多尺度结构相似度映射为训练关注度,为其分配不同的训练权重从而优化深度哈希学习。DMSH通过Swin Transformer骨干网络提取图像的高维特征,将基于语义相似矩阵的伪标签作为监督信息以训练深度网络,同时网络在两个基于不同相似度设计的模块上实现交替优化,充分挖掘图像间的多种相似信息进而生成具有高辨识力的哈希编码,实现遥感图像的高精度检索。实验结果表明,DMSH在EuroSAT和PatternNet数据集上的平均精度均值较对比方法分别提高0.8%~3.0%和9.8%~12.5%,其可以在遥感图像检索任务中取得更高的准确率。

摘要：为了高效地对城市景观等复杂场景进行分割解析,本文结合高分辨率网络(HRNet),通过金字塔池化模块(Pyramid pooling module,PPM)补充全局上下文信息,提出了一个高分辨率场景解析网络。首先,以HRNet为基干特征提取网络,并利用空洞可分离卷积改进其大量使用的残差模块,在减少参数量的同时提高了对于多尺度目标的分割能力;其次,利用混合空洞卷积框架设计了多级空洞率,在稠密感受野的同时减小了网格问题的影响;然后,设计了多阶段的连续上采样结构以改进HRNetV2简单的后融合机制;最后,使用改进的可适应不同图像分辨率的金字塔池化模块聚合不同区域的上下文信息获得高质量的分割图。在城市景观数据集(CityScapes)上仅以16.4 Mbit的参数数量实现了83.3%MIOU的精度,在Camvid数据集也取得了良好的效果,实现了更加可靠、准确、低计算量的基于语义分割的场景解析方法。

摘要：遥感图像实时检测是遥感应用领域的关键技术问题之一,针对目前主流的目标检测算法在图像处理器(GPU)上存在模型参数量大、实时性差、功耗大和成本高的问题,提出一种基于现场可编程门阵列(FPGA)的遥感图像实时检测方案。首先,为减少参数量、提高检测速度,采用MobileNetv2作为特征提取网络,融合深度可分离卷积,使得模型轻量化便于部署;接着,采用CA注意力模块提高检测精度;最后,将模型浮点数参数量化为8位定点数,并将量化后的网络模型在FPGA上完成部署。实验表明,在遥感数据集VisDrone 2019上,所提设计方案平均精度均值(mAP)达到14.79%,FPS达到46.78帧/s,平均功耗为8 W,比CPU提高375.4%的检测速度,比GPU降低96.8%的功耗。该方案可以满足实时目标检测的要求,并且能够部署在功耗受限的卫星、无人机等设备上。

摘要：针对现存交通标志识别模型参数量过大、检测速度慢和检测精度较低的问题,本文提出一种改进YOLOv4-tiny的交通标志识别算法.该算法将深度可分离卷积应用到YOLOv4-tiny的特征提取网络中,显著降低了主干网络的参数量和计算量.在特征融合阶段,将特征提取网络得到的不同层次特征图输入双向特征金字塔网络结构(BiFPN)中进行多尺度特征融合.最后,在损失函数设计过程中,使用Focal损失函数代替二分交叉熵损失函数,使检测过程中的正负样本数量不均衡问题得以解决.在TT100K数据集上的测试结果表明,该算法的平均精度均值达到87.5%,相比于YOLOv4-tiny提升了3.9%,模型大小为14MB,仅为YOLOv4-tiny的58%.该算法一定程度上减少了计算量和模型大小,并带来了检测速度和精度的提升.