基于EfficientNet的木薯叶病变自动分类模型

针对数据集中标注存在错误的情况下，传统的分类方法的模型在学习错误特征时过于自信导致准确率低的问题，提出了基于EfficientNet的自动分类模型。首先，对输入图像做数据增强，扩充数据后由EfficientNet提取特征；然后，引入标签平滑和随机丢弃节点，使模型不会过于自信，提高模型的泛化能力；最后采用双稳态逻辑损失进行预测。训练中通过对数据集做分层交叉验证来避免过拟合。实验结果表明，所提模型不仅比参数量低的模型表现更加优异，甚至比几倍于自身参数量的如ResNeXt或者十几倍于自身参数量的如RepVGG等模型也有更好的表现。所提模型计算量更小，推理速度更快，算法精度更高，更符合实际落地的要求。所提模型在木薯叶病变公共数据集上的准确率达到了89.66%。     

基于压缩感知的遥感成像稀疏重构性能分析

压缩感知是一种新型的信息论，打破了传统的Shannon-Nyquist采样定理，能够以少量数据完成信号采样。稀疏重构是压缩感知由理论到实际的关键环节，为了将压缩感知有效地应用于遥感成像领域，研究了稀疏重构对遥感成像过程的影响。针对稀疏重构理论模型，分析了重构误差的成因；同时，针对典型的凸优化类算法和贪婪类算法，利用峰值信噪比指标对遥感图像重构误差进行评价。在仿真实验中，定量考察遥感图像在不同压缩采样率、不同重构算法下的稀疏重构性能。结果表明，稀疏重构算法能够成功重构遥感图像，各算法在不同压缩采样率下均表现出了较好的重构质量，整体上能够满足遥感成像应用，验证了压缩感知稀疏重构方法在遥感成像中应用的可行性。     

基于超像素的均值-均方差暗通道单幅图像去雾方法

雾、霾天气会引起图像严重降质.本文假设局部雾浓度恒定,认为暗通道优先的有效性随景深递增呈指数衰减,其比例大小可间接反映雾浓度高低.在此基础上提出一种基于超像素的均值-均方差暗通道单幅图像去雾算法.首先通过超像素分割得到景深恒定的小区域,接着在每个区域内计算均值-均方差暗通道:用均值替代最小值抑制景深突变处的光晕效应,同时采用均方差对其进行修正纠正景深无限远处的偏色问题,由此生成的透射率在超像素内保持不变且更加精细、准确.实验结果表明该算法在雾浓度较大时能够显著提高大景深图像的可见性.     

改进RRT算法陷阱空间下的无人机航迹规划

针对大部分航迹规划算法在陷阱空间下,存在规划时间长、成功率低的问题,提出了一种改进RRT算法。通过将人与RRT算法相结合,由人设置虚拟目标点,引导航迹搜索走出陷阱空间;同时对节点扩展进行优化,保证航迹搜索在可行域内;并设置快速收敛策略,删除冗余节点,使航迹搜索速度加快。最后,通过仿真验证表明,该方法在陷阱空间规划中具有良好的效果,可快速规划可行航迹。     

像素级图像优化融合客观评价指标分析

文章对像素级图像融合的客观评价指标进行分析,设计了新的交互信息量指标,避免了信息的重载,并根据指标相关度和指标选取原则对图像融合的指标进行评价和选取,形成了一组有效的评价准则,使图像融合质量评价指标较为完备,实验验证了方法的有效性。