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：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。

摘要：广义零样本学习(GZSL)旨在利用视觉特征和语义信息之间的关系来同时识别可见类和不可见类。现有的大部分方法使用生成模型生成不可见类的伪视觉特征,但一般采用单向对齐VAE且语义原型种类单一,导致不可见类的语义信息非常有限。因此,提出了一种基于双语义双向对齐变分自编码器的广义零样本学习模型,首先采用户定义的属性和词向量两种语义原型,基于双向对齐的VAE分别稳定地生成2种伪视觉特征来获取丰富的语义信息;然后,设计了特征融合模块对2种伪视觉特征进行有效融合,并去除其中的冗余信息,增强伪视觉特征表示;最后,采用分类正则化进一步增强伪视觉特征的类别独立性。在3个基准数据集上进行了大量实验,并与相关算法模型进行了比较,结果表明了该模型的有效性。

摘要：针对目标检测任务中小目标特征信息不足、检测率较低,且错、漏检率较高等缺点,提出一种基于多尺度特征融合以及混合注意力机制的Tr-SSD算法。首先,使用Resnet50残差网络作为SSD算法的骨干网络,增强SSD算法的特征提取能力;其次,设计了一种混合注意力机制并将其应用于网络的中尺度特征图中以增强特征图中的有效信息,并建立信息间的远距离依赖;最后,使用以Transformer为核心的网络层与替换骨干网络后的SSD算法形成FPN结构,融合不同尺度的特征信息,以更准确地对小目标进行定位。实验结果表明:Tr-SSD算法在PASCAL VOC数据集、HRSID数据集和RSOD遥感数据集上检测的mAP值分别达到81.9%、87.5%和88.4%,比SSD算法分别提高了4.7百分点、6.8百分点和9.2百分点,且检测速度均满足实时检测的要求。

摘要：针对基于端到端学习的无线通信系统中存在的安全传输问题,提出了一种基于深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)的加密端到端通信系统。该系统由DCGAN与基于卷积神经网络(Convolutional Neural Networks,CNN)的自编码器(Autoencoder,AE)组成。通过调整网络结构及设计参数,获得了适用于不同类型信道的加密端到端通信系统。仿真结果表明,DCGAN可以对信息进行多种形式的加密处理。提出的系统可以实现任意长度输入比特的编码和解码,具有良好的泛化能力。系统获得了与传统数字调制系统相近的误码率(BER)性能。相较于基础的AE端到端通信系统,系统发射端的加密模块使非法窃听者更难窃听破译信号。

摘要：针对复杂图像边缘检测任务中多尺度特征提取困难和多尺度特征利用率低的问题,提出一种基于金字塔结构的Transformer边缘检测模型。该模型首先采用擅长根据全局远程依赖关系进行建模的Transformer特征提取主干——PVT网络,取代传统卷积神经网络,解决多尺度特征利用率低的问题;其次,为了充分考虑跨层间上下文特征交互问题,设计了一个专门用来建模和转移上下文知识的模块,用于探索更多显著边缘的判别信息;最后,设计了一个基于注意力机制的多尺度特征增强模块,通过充分挖掘检测对象的多层次和多尺度特征信息,实现对边缘的预测,提高模型边缘检测精度。而且,模型的特征求和与拼接过程不占显存也不占内存,加快了模型的推理速度。在BSDS500和BIPED两个公开数据集上进行大量实验,在BSDS500数据集上边缘检测的ODS值达到0.796;在BIPED数据集上边缘检测的ODS值达到了0.846,实验结果表明该算法在性能上优于对比模型。

摘要：差分星座图(Differential Constellation Trace Figure,DCTF)在射频指纹(Radio Frequency Fingerprint,RFF)识别中具有良好的性能,但在低信噪比情况下会产生严重的模糊。为了提高DCTF的识别精度,设计了注意力残差卷积神经网络模型,即DCTF-Res2Net模型。该模型在网络提取特征时加入注意力模块来提高DCTF的识别精度,并将标签平滑损失函数与网络模型结合,有效缓解了DCTF中的离群点对网络模型的干扰。在实验中,根据不同的传输方式和传输场景构建了完备的DCTF的数据集,并用DCTF-Res2Net模型对其进行分类。实验结果表明,在信噪比为5 dB的情况下,与传统的残差网络相比,所提出的DCTF-Res2Net模型可以达到更高的识别精度。

摘要：为提高热轧板材表面检测的速度以及检测的精度,提出一种改进的YOLOv7-BRS目标检测算法。首先,对YOLOv7中ELAN结构进行改进,提出一种新型计算模块BRConv,使用深度可分离卷积并添加多分支的跳跃连接方式来减小模型复杂度,实现模型轻量化并提高检测速度;其次,设计了一种新型多尺度识别的注意力机制,拥有不同的感受野,进一步提高模型对不同尺度重要特征的提取能力;最后,对损失函数进行改进,引入角度损失概念,重新定义了惩罚指标,提升模型训练时的收敛速度以及准确性。实验表明,改进后的模型体积减小了36%,在NEU-DET数据集上mAP提高了7.3%,FPS提高了14.4。相比于目前主流算法,检测精度和速度都有显著提高,并且体积更小,能够有效完成板材表面缺陷检测任务。