一种基于FCOS神经网络的小建筑物目标检测方法北大核心

提出了一种基于FCOS神经网络的小建筑物目标检测算法,针对FCOS模型在特征提取阶段提取到的小建筑物目标特征较少问题,引入多尺度检测和可变形卷积方式,加强网络对小建筑物目标的特征提取能力,并通过改进后的SGE注意力机制降低特征图中的干扰噪声权重。改进后的网络可以提取到更多的小建筑物目标特征,对环境干扰噪声的鲁棒性更强。在自己搭建的数据集上进行了实验测试,结果表明,在相同环境下网络改进后建筑物的整体检测准确率提升了1.7%,其中对小建筑物目标提升了3.6%,减少了小建筑物目标漏检、误检的问题。     

基于多尺度特征校准的图像协调化方法

图像组合是图像处理中一个重要操作，然而组合图像中前景区域与背景区域的外观不协调使得组合图像看起来不真实。图像协调化是图像组合中极其重要的一个环节，其目的是调整组合图像前景区域的外观使其与背景区域一致，从而让组合图像在视觉上看起来真实。然而，现有方法只考虑了组合图像前景与背景之间的外观差异，忽略了图像局部的亮度变化差异，这使得图像整体的光照不协调。为此，该文提出一个新的多尺度特征校准模块(MFCM)学习不同尺度的感受野之间细微的特征差异。基于所提模块，该文进一步设计了一个新的编码器学习组合图像中前景与背景的外观差异和局部亮度变化，然后利用解码器重构出图像，并通过一个对前景区域归一化的回归损失指导网络学习调整前景区域的外观。在广泛使用的iHarmony4数据集上进行实验验证，结果表明该方法的效果超过了目前最优的方法，验证了该方法的有效性。     

纸质简谱图像的分割、倾斜校正及音符歌词提取

乐谱图像的自动分割、倾斜校正是乐谱识别过程中的关键技术,各种计算机光学乐谱识别技术在乐谱图像的数字化中有着广泛的应用,但对于乐谱中简谱的识别一直鲜有研究.本文针对人工拍摄条件下光照不理想的简谱图像,提出一种基于PCNN(脉冲耦合神经网络)和DNN(深度神经网络)相结合的分块简谱图像自动分割算法,该方法根据简谱图像灰度分布特征对图像进行自适应分块处理,依据每个分块的灰度特征与PCNN最佳迭代次数之间的关系构造合适的DNN神经网络,从而实现了最优分割图的自适应选取;进一步利用最优分割图像中音符小节线的水平投影,提出一种双尺度下降法实现了简谱图像的倾斜校正;提出去边垂直投影法和连通域距离判断法实现了简谱图像中音符及歌词的提取.实验仿真结果表明:本文算法对复杂光照条件下的简谱图像处理都具有较好的鲁棒性,同时表现出更高的效率.     

空心岩样径向渗流-轴向应力特征与巷道围岩渗透突变机理

为了探究承压水下巷道围岩的渗透突变机理，针对空心岩样的渗流-应力特征开展了一系列室内试验和渗透突变表征模型研究。自主研制了一套空心岩样径向渗流-轴向应力试验系统，突破了仅开展轴向渗流的传统试验条件限制，实现了径向渗流及轴向应力同步进行。采用该新型试验系统，以孔径(5～20 mm)和水压(0.5～2.5 MPa)为变量开展多组空心红砂岩渗流-应力试验，得到空心岩样径向渗流-轴向应力特征。试验结果表明径向渗流的蚀损作用引起岩样黏聚力、内摩擦角等力学参数衰减，增大水压，渗流的蚀损作用变强，岩样内部裂隙贯通通道形成时间缩短，渗透突变现象提前发生。大孔径岩样对轴向应力敏感度更高，内部结构受径向渗流蚀损作用易破坏，渗透突变发生时间缩短。岩样渗透率在试验过程中存在3种状态：(1)以孔隙结构为主要渗流介质的孔隙渗流状态；(2)以局部裂隙结构为主要渗流介质的非稳定渗流状态；(3)以贯通裂隙结构为主要渗流介质的渗透突变状态。渗透率达到峰值的试样渗流介质为受水压影响产生的贯通裂隙结构，峰值渗透率随水压增大呈线性增长，与孔径没有明显关系。以裂隙体积变化为纽带建立空心岩样渗透突变表征模型，模型计算值与实验结果吻...     

具有函数尺度因子的有理分形曲线

带有常数尺度因子的分形插值,是描述具有明显自相似事物的一个有效工具,然而,它却难以精确地刻画自相似较弱的不规则数据.为此,提出一种具有函数尺度因子的有理样条分形插值方法.首先,在迭代函数系统中引入函数尺度因子,构造了一种仅仅基于函数值的带有形状参数的有理分形插值曲线;然后讨论了分形曲线的分析性质,包括分形曲线在尺度因子满足适当条件下的光滑性、分形曲线对插值数据扰动的稳定性以及分形插值函数的收敛性;最后,研究了分形曲线的计盒维数,给出了计盒维数的上下界.数值算例验证了该分形曲线造型的可控性和对噪声的鲁棒性;对海岸线数据插值时,该方法相比B样条、Bézier曲线和三次样条能更好地还原海岸线的粗糙程度;处理股票时序数据时,相比ARIMA和SVM方法,在RMSE等多项指标下更优.     

基于多尺度的贝叶斯模型显著性检测

针对传统基于贝叶斯模型的显著性检测算法存在准确率不理想的问题,提出了一种基于多尺度的贝叶斯模型显著性检测算法。通过超像素分割算法(SLIC)将原图分割成不同尺度的超像素,根据超像素边界信息得到背景种子,进而通过距离计算和多尺度融合得到背景先验;对原图进行颜色增强,采用Harris算子对增强图进行检测角点求得凸包,融合不同尺度下的超像素得到凸包先验;融合背景先验和凸包先验得到最终先验;利用颜色直方图和凸包计算似然概率;将最终先验和似然概率通过贝叶斯模型计算显著图。在公开数据集MSRA1000、ECSSD上与多种传统算法进行准确率和召回率对比,该算法有更好的表现。