摘要：作为一种重要手段,自训练方法极大提升了域自适应目标检测(DAOD)性能,其主要通过教师网络对目标域数据进行预测,然后选择高置信度的预测结果作为伪标签来指导学生网络训练。然而,由于源域与目标域存在显著的域差异,教师网络产生的伪标签质量不佳,进而影响学生网络训练,降低了模型性能。因此,提出一种面向DAOD的一致无偏教师(CUT)模型。首先,在教师网络设计自适应阈值生成(ATG)模块,该模块通过高斯混合模型(GMM)在训练过程为每张图像生成自适应阈值筛选伪标签,保证伪标签数量时序一致性,提高伪标签质量。其次,提出预测引导样本选择(PSS)策略,借助教师网络中区域建议网络的预测结果为学生网络选择样本,使选择的样本与真实结果具有一致性,降低质量不佳伪标签对学生网络的影响。此外,为了提升对小目标和数量较少困难类别目标的检测性能,设计混合域增强(MDA)模块,在训练过程中生成包含源域和类目标域随机信息的混合域图像对学生网络进行训练。将该模型在3个场景数据集进行实验,性能分别提升4.0%,5.8%和3.7%,验证了该算法的有效性。值得注意的是,该模型CUT首次利用自训练方法来解决可见光图像到红外图像的较大域差异问题。

摘要：针对钢卷端面纹理复杂、缺陷较小,以及YOLOv7算法识别速度较慢、小目标检测率较低等问题,提出一种改进的YOLOv7目标检测算法。对YOLOv7算法骨干网络中的ELAN结构进行改进,通过加入PConv卷积层设计了一种新的结构,以减少模型复杂度,提高模型的检测速度。由于小目标检测中容易出现漏检的现象,设计一种新的注意力机制CSCA,提高网络对小尺度目标的敏感度。在此基础上,使用WIoUv2损失函数替换原YOLOv7算法网络中的CIoU损失函数来优化损失函数,提高网络的鲁棒性。在自制的钢卷端面缺陷数据集上进行试验,结果表明改进的YOLOv7算法的mAP@0.5提升了4.1%,FPS提升了10.84 f/s,检测效果优于原算法。

摘要：针对伪装目标检测任务中存在检测精度有限的问题,通过引入双主干网络增加差异化信息,提出一种双主干伪装目标检测网络(Dual Backbone Network,DBNet).设计了双主干特征融合模块、边缘注意力模块和逐级细化模块.双主干特征融合模块将Res2Net50和PVT v2对原始图像提取的多级特征进行有效融合,获取丰富的全局上下文信息和局部上下文信息;边缘注意力模块根据生成的边缘预测图进一步计算边缘注意力图,使网络更加关注伪装目标的边缘细节;在逐级细化模块中,上一层的预测图和特征与当前层的特征依次经过粗预测细化结构和交叉查询注意力结构,该模块在标签监督下能够提供逐渐精确和细化的预测结果 .研究结果表明:在CAMO数据集,DBNet的S_(α)、F_(β)^(ω)和E_(φ)分别为0.877、0.838和0.932,MAE为0.042;在COD10K数据集,DBNet的MAE和E_(φ)分别为0.022和0.932;在NC4K数据集,F_(β)^(ω)和MAE分别为0.843和0.031.所提网络DBNet的检测性能优于其他23个伪装目标检测网络,所设计的3个模块能够有效提升网络对伪装目标的检测能力.

摘要：针对工业上铝型材表面缺陷检测速度慢,小目标缺陷如擦花、漆泡等检测精度低的问题,提出一种基于改进YOLOv8n的铝型材表面小目标缺陷检测模型。首先,采用跨尺度特征融合,通过融合不同尺度的特征,提升网络对多尺度信息的感知能力。其次,对YOLOv8骨干网络C2f结构进行改进,通过加入RFAConv注意力卷积设计了一种新的结构,以加强网络特征提取能力,提高小目标检测精度。在颈部使用轻量级RepGhost模块,以降低参数数量和计算量。最后,采用WIoUV3替换原YOLOv8模型中CIoU损失函数,以提高检测精度和收敛速度。在铝型材表面缺陷数据集上进行大量实验,实验结果表明改进模型mAP@0.5提升2.5%、帧率达到了110 fps,权重文件大小降低16.2%,检测效果优于原模型。此外,在VOC2012数据集和东北大学热轧带钢表面缺陷数据集上表明改进算法有良好的鲁棒性,改进模型满足工业上铝型材检测要求。

摘要：针对花粉图像清晰度不足、形状相近等特性所导致的识别精度低、人工识别低效的问题,提出一种基于动态高效网络的花粉图像识别模型。在ImageNet数据集上使用Noisy Student方法对EfficientNet进行预训练;将训练后的权重迁移到花粉识别模型中;引入动态学习率提升模型的识别精度。采用MixUp和GridMask的方法用于花粉图像数据增强。仿真结果与其它模型进行比较,验证了提出模型具有更好的分类效果。

摘要：为了更好地解决传统神经网络提取特征不够全面导致表情识别准确率低,以及表情识别中参数调整计算量大、耗时长、模型泛化能力弱等问题,这里提出一种将卷积神经网络多层特征融合与极限学习机(ELM)结合的表情识别方法。该方法是利用卷积神经网络(CNN)提取多层面部表情特征图,再将CNN提取出的后三层特征图采用多尺度池化操作,将这三个特征向量级联融合成一个面部表情特征向量,该特征向量具有多尺度多属性的性质能够很好的表达表情特征;最后,把融合后的面部表情特征向量输入到ELM分类器进行表情识别。实验结果表明,该方法能够有效地提高面部表情识别的准确率,在CK+、FER2013数据集上的平均识别准确率分别达到了98.72%和78.97%,并且缩短了识别时间。同时通过设计实验验证了模型具有较强的泛化能力。

摘要：为对海洋水质污染治理提供科学的理论基础,在统计学习理论框架下提出一种海水水质预测模型。结构上,该模型由数据降维、非线性逼近和参数优化3个功能部分构成。该模型用主成分分析对10种海水水质影响因子进行数据降维,从中提取主成分作为相关向量机的输入;利用相关向量机进行逼近,采用组合核函数替代传统的单一核构建多核映射机制,通过萤火虫算法优化组合核的权重及其模型的相关参数。实验结果表明,针对动态复杂的海洋数据,相关向量机的多核映射机制在预测精度上明显优于单一核的映射机制,进一步从统计分析角度验证了模型的有效性。

摘要：针对带宽资源有限、存在系统外部干扰以及参数不确定性的问题,提出了一种基于事件触发的网络化系统非脆弱耗散控制方案。首先,在网络化控制系统(NCS)模型的基础上,提出了一种非周期采样的事件触发方案,并建立一个时滞闭环系统模型;然后,利用锯齿波的结构特点构造新型双边李雅普诺夫泛函;最后,结合杰森不等式、自由权矩阵、凸组合等方法,导出保证系统稳定性的充分条件,并计算出反馈控制器的增益。数值仿真结果证明,所设计的双边泛函比用单边泛函具有更小的保守性,事件触发机制与普通采样机制相比能够节约带宽,且所设计出的控制器具有可行性。

摘要：目的 由于乳腺肿瘤病灶的隐蔽性强且极易转移,目前采用医学辅助诊断(computer-aided diagnosis,CAD)来尽早地发现肿瘤并诊断。然而,医学图像数据量少且标注昂贵,导致全监督场景下的基于深度学习的X-ray乳腺肿瘤检测方法的性能非常有限,且模型泛化能力弱;此外,噪声产生的域偏移(domain shift)也降低了不同环境下肿瘤检测的性能。针对上述挑战,提出一种单域泛化X-ray乳腺肿瘤检测方法。方法 提出了一种单域泛化模型(single-domain generalization model, SDGM)进行X-ray乳腺肿瘤检测,采用ResNet-50(residual network-50)作为主干特征提取网络,设计了域特征增强模块(domain feature enhancement module, DFEM)来有效融合上采样与下采样中的全局信息以抑制噪声,然后在检测头处设计了实例泛化模块(instance generalization module,IGM),对每个实例的类别语义信息进行正则化与白化处理来提升模型的泛化性能,通过学习少量的有标注医学图像对不可预见的噪声图像进行迁移学习,缓解因有标记医学图像匮乏而导致的泛化能力弱的问题;同时避免模型的冗余训练,进一步增强模型在不同环境下的鲁棒性。结果 为了验证所提模型SDGM的域内泛化性能,将INbreast的单域X-ray图像作为训练集,多种域偏移的图像为测试集,实验结果表明在域内泛化场景下SDGM性能优于FCOS(fully convolutional one-stage object detection)、Cascade-RCNN、FoveaBox、ATSS、TOOD(task-aligned one-stage object detection)、PVTv2-Transformer等方法,泛化性能比baseline方法的mAP(mean average precision)提升了9.7%;在训练数据量更小的前提下,单域泛化性能优于INbreast全监督场景下的baseline方法的性能。此外,为了进一步验证SDGM在不同数据集的域间的泛化性能,将CBIS-DDSM(curated breast imaging subset of DDSM)数据集作为训练集而多种域偏移的INbreast数据集作为测试集进行实验,所提方法 SDGM比baseline方法提升了5.8%。结论 所提单域泛化模型SDGM能够有效缓解域偏移对模型性能的影响,并能够针对医学数据域未知且数量少的特点进行泛化,能够较灵活地迁移至临床实践中未知域下的噪声场景。

摘要：基于深度学习的伪装目标检测(COD)是一项新兴的视觉检测任务,其目的是精确且高效地检测出“完美”嵌入周围环境中的伪装目标。目前大多数工作旨在构建不同的伪装目标检测模型,对现有模型的归纳总结及深入分析的综述性工作还很少。因此,对基于深度学习的伪装目标检测模型进行了全面分析和总结,并探讨了伪装目标检测未来的研究方向。首先对基于深度学习的23个伪装目标检测模型分别从由粗到细策略、多任务学习策略、置信感知学习策略、多源信息融合策略以及基于Transformer共5个角度进行了分类介绍,并对每种策略的优劣进行了深入分析;其次介绍了伪装目标检测广泛使用的4个数据集以及4种评估准则;然后对现有基于深度学习的伪装目标检测模型在4个数据集上进行了性能比较,包括定量比较、视觉比较和效率分析,并分析了这些模型对不同类型目标的检测效果;接着简单介绍了伪装目标检测在医学、工业、农业、军事、艺术等领域的应用;最后指出了现有方法在复杂场景、多尺度目标、实时性、实际应用需求、多模态等方面存在的不足和挑战,并探讨了伪装目标检测未来的研究方向。