深度学习技术的三维激光雷达目标分割研究

为解决传统雷达目标分割噪声影响以及连通性较差等问题,提出引入深度学习技术的三维激光雷达目标分割方法。分析深度学习技术工作原理,设置学习数据输入层、隐层以及输出层的单元数据组取值;根据贝叶斯概率生成模型,获取三维激光雷达目标分割的实际期望值;引入表征转换机理论,衡量目标图像与参考杂波图像间相似程度;通过回归性问题计算图像参考杂波程度较高部分并进行消除,实现三维激光雷达目标分割。实验结果表明,所提方法可有效实现三维激光雷达目标分割,且计算过程简单,目标分割准确度较高。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果，设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络，剔除三维激光雷达主动成像过程中的杂波干扰，得到无杂波干扰的目标三维图像；设计生成模型与对抗模型的损失函数，利用端到端深度神经网络的点云编码层，在无杂波干扰的目标三维图像内，提取目标三维图像特征，并输入目标检测层内；通过目标检测层输出目标检测候选框，利用非极大值结合混合置信度，确定最终目标检测框，完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰，得到无杂波干扰的目标三维图像；该方法可有效完成三维激光雷达主动成像目标检测，且在不同目标运动模糊长度像素时，该方法目标检测的交并比均高于阈值，说明该方法的目标检测精度较高。     

基于深度学习的激光雷达遥感图像分割

为解决传统激光雷达遥感图像分割方法存在的分割精度差、鲁棒性差问题,引入深度学习模型对激光雷达遥感图像分割方法进行研究。通过对图像的颜色通道R、G、B三个分量进行加权平均,使激光雷达遥感图像灰度化,完成遥感图像预处理,根据处理结果构建遥感图像分割模型,并进行图像的细分割,引入改进深度学习模型计算全卷积网络输出值,最后以全卷积网络输出值作为激光雷达遥感图像的分割值,实现激光雷达遥感图像分割。通过实验数据显示,与传统激光雷达遥感图像分割方法相比较,提出的激光雷达遥感图像分割方法极大地提升了分割精度与鲁棒性,充分说明提出的激光雷达遥感图像分割方法具备更好的分割效果。     

机器视觉技术的红外弱小目标状态感知方法

为在复杂场景下精准感知多个红外弱小目标，提出基于机器视觉技术的红外弱小目标感知方法。依据搜索窗口与筛选条件，从红外图像中筛选出候选感兴趣区域，采用多目标分割算法，应用显著性特征从候选感兴趣区域中提取感兴趣区域，并提取感兴趣区域的加权灰度均值特征，将其作为Soft-FART网络的输入，通过Soft-FART网络模糊匹配知识库与感兴趣区域的加权灰度均值特征，选取大于警戒条件的目标作为感知到的红外弱小真实目标，并将感知结果输出。实验结果表明，该方法可在不同场景下精准感知红外单独弱小目标和多个红外弱小目标，且在高噪声环境下依然具备较好的红外弱小目标感知性能。     

基于空间图卷积的三维点云语义分割

随着科技智能化建设需求的提高，语义分割技术受到图形、图像领域内学者的广泛关注，其为目标跟踪、视觉控制等技术提供有效的决策支持。然而三维点云语义分割模型的运行效率和分割准确率是限制其发展的瓶颈所在。基于此，提出一种基于空间图卷积的三维点云语义分割网络（PCGCN）。PCGCN采用边缘图卷积网络提取局部特征，并使用残差网增强特征的传递，对不同尺度的局部特征进行融合并参与三维点云语义分割。PCGCN解决了在深度学习过程中因局部特征丢失产生的语义分割效果不佳的问题，同时，点云深度学习网络中，残差网的引入提高语义分割的准确度。在ShapeNet和S3DIS数据集上进行实验，实验结果表明，PCGCN在ShapeNet数据集的准确率达到85.1%，在S3DIS数据集的准确率达到81.3%。     

基于数据挖掘的偏振光成像目标检测研究

为提升偏正光图像目标识别技术水平，研究基于数据挖掘的偏振光成像目标检测方法。使用阈值分割法对偏振光图像实施分割预处理；使用斯托克斯参量、方差等方法获取偏振光图像的偏振态特征、目标边缘特征和直线特征；利用深度学习神经网络模型输出偏振光成像目标检测结果。实验结果表明：该方法可有效分割偏振光图像内的目标和背景，提取偏振信息能力较好；提取偏振光图像特征像素点的最低精度为0.98左右，提取其特征能力较强；特征信息提取效率较高，对于偏振光图像的特征信息提取最低耗时为0.257 s,应用性能较好。     

红外图像序列中运动弱小目标检测的方法研究

研究在红外图像序列中检测运动弱小目标的方法。首先通过高通或形态学滤波进行图像预处理，进一步用似然比检测分割出侯选目标，考虑到环境干扰造成的目标在某一帧暂时消失的情况，提出了利用目标运动特征通过选择合适的邻域判决条件并结合图像流分析提取运动弱小目标的一种方法。模拟实验表明该方法能够准确高效地检测出运动弱小目标。     

基于深度学习的分形图像压缩编码模型设计

针对传统编码模型存在的图像分割处理效果不佳、分割精度不高、耗时较长以及编码质量较差的问题，提出基于深度学习的分形图像压缩编码模型。建立图像分割约束条件，对图像进行分割处理，以处理后的图像作为深度学习中ResNet网络模型的输入，提取原始分形图像的特征并将图像块分类；建立特征图像块匹配规则，排序图像块，记录分形码，将分形码作为图像在度量空间内的表现形式，通过度量空间的压缩变换实现分形图像压缩编码。实验结果表明：所提模型的图像压缩编码质量较高，具有一定的应用价值。     

基于视觉传达的激光雷达图像目标检测方法

由于激光雷达图像目标检测的过程中,没有将背景和目标区分开,导致图像目标检测的精度较低,检测时间较长,检测效果较差,为此提出基于视觉传达的激光雷达图像目标检测方法。通过置信滤波方法对激光雷达图像实行预处理,划分激光雷达图像的背景区域和目标区域,将目标区域输入到基于视觉传达技术的视觉特征提取器中,提取图像目标区域特征,采用多核学习理论优化支持向量机,将提取的图像特征输入优化后的支持向量机中,实现激光雷达雷达图像的目标检测。实验结果表明,所提方法的检测效果好、检测精度高、检测时间短。     

基于全卷积网络的复杂背景红外弱小目标检测研究

针对复杂背景红外弱小目标检测过程中存在的检测误差率高,检测时间过长等问题,提出基于全卷积网络的复杂背景红外弱小目标检测方法。分析复杂背景红外弱小目标检测的研究进展,找出不同方法的缺陷,采集红外图像,提取目标检测特征,并采用全卷积网络设计弱小目标检测的分类器,实现复杂背景红外弱小目标检测。实验结果表明,该方法的复杂背景红外弱小目标检测精度超过97%,具有较高的实际应用价值。     

基于深度学习的焊缝缺陷X射线图像分类方法

针对工业领域中的焊缝缺陷分类难题,文中提出一种基于深度学习的分类方法,该方法借助图像分割技术形成专用的焊缝缺陷数据集,通过在数据集上的训练,使深度网络自动提取出缺陷特征并根据学到的特征对新分割出的缺陷区域进行分类,进而达到焊缝图像缺陷自动分类的目标。实验结果表明,该方法能够以96%的精度应用于目标场景。     

红外弱小目标检测的方法研究

本文研究在红外图像序列中检测运动弱小目标的方法。对传统的差分图像预处理方法进行了分析和改进,提出了利用累积效果和形态学滤波的图像预处理方法,简化了似然比检测阈值分割方法,提出了利用目标质心运动特征的目标提取判决方法。仿真实验表明,该方法能够准确高效地检测出运动弱小目标。     

Faster-RCNN和Level-Set结合的高分遥感影像建筑物提取

目前Level-Set图像分割方法存在初始轮廓的确定受人为因素影响较大的问题，对目标被遮盖和目标与背景灰度值相近无法达到理想的分割效果。针对此问题，本文提出了利用Faster-RCNN网络模型确定目标初始轮廓和区域信息的先验水平集图像分割方法，搭建Caffe深度学习框架训练Faster-RCNN网络模型；通过有监督学习的方式在IAILD数据集上训练模型，检测出目标建筑物并初步提取建筑物的轮廓，并将其与形状先验的Level-Set算法结合。对比实验结果表明，本文方法解决了Level-Set算法中图像分割结果初始轮廓受人为标记框选的影响较大的问题，能够更好地完成被遮挡建筑物的分割，对于目标建筑和背景灰度值相近也能达到更好的分割效果。     

基于自适应多尺度与轮廓梯度的遥感图像分割网络

遥感图像分割算法易受环境因素干扰，如物体遮挡、光照不均匀等。现有的深度学习遥感图像语义分割方法通常采取端到端的编解码结构，但针对相似度较高物体的结构和轮廓，仍存在分割不准确的问题。为了提高算法鲁棒性、分类准确率，提出一种基于轮廓梯度学习的深度卷积神经网络遥感图像语义分割算法。为了提高预测特征图的质量，首先基于SegNet模型，提出自适应注意力的多通道多尺度特征融合网络（D-MMA Net），其中D-MA block采用基于注意力的自适应多尺度模块，根据学习到的权重自适应地对不同尺度特征进行提取，以获得更多有效的高级语义特征。为进一步细化提取物体的边界，基于Sobel边缘检测算子原理提出可学习的轮廓提取模块。最后将轮廓信息与多尺度语义特征相结合，以增强对图像空间分辨率的鲁棒性。实验结果表明，所提算法提高分割的准确率，对于不规则物体边界，能有良好的分割效果。     

基于光流估计的红外弱小运动目标检测

提出了一种对复杂云层背景下红外图像序列中弱小运动目标分割和检测的方法.首先,利用Hom-Schunck算法计算序列图像的光流场,然后利用阙值分割和数学形态学滤波的方法进行目标检测,滤除噪声后提取出背景中的运动目标.实验结果表明,该算法对实时检测在复杂背景的红外图像中运动的弱小目标具有很好的效果.     

融合空域和频域网络模型的SAR图像识别

深度学习方法已经被广泛应用于合成孔径雷达(SAR)图像识别，并取得了不错的效果。但是大多数深度学习方法仅提取空间域的图像信息，未考虑SAR图像的频域散射特性，丢失了部分关键特征。为解决上述问题，文中提出了基于融合空间域和频域网络模型的SAR图像识别的端到端的深度学习框架。首先，将原始空间域图像通过频域变换方法转换为频域图像，对频域图像进行信道选择获取有效频域信号，将有效频域信号输入到频域主干网络提取频域特征；然后，将原始空间域图像输入到空间域主干网络，提取空间域特征；最后，通过网络模型融合空间域特征和频域特征，充分利用SAR图像的空间域像素信息和频域散射特性，进一步提取出目标的本质特征。文中所提方法在公共数据集MSTAR上进行了大量的实验，验证了模型的有效性和鲁棒性。     

复杂场景下单光子激光雷达深度估计方法

单光子激光雷达广泛应用于三维场景的深度和强度信息获取。在复杂场景中存在多个具有不同深度不同反射率的目标，在少返回光子和高背景噪声的情况下，传统方法对这些目标无法做出针对性处理。因此，提出一种复杂场景下单光子激光雷达深度估计方法。该方法充分利用回波信号的时域相关性，对激光雷达三维点云数据进行时域上的全局多深度开窗，并利用空间相关性进行空像素的加权填补。在优化框架下，基于预处理后的激光雷达三维点云数据建立泊松分布模型。最终采用交替方向乘子法求解成本函数的最小值，以得到准确的深度估计。实验结果表明，相较于常规方法，在远距离复杂场景下，所提方法估计深度图像的重建信噪比提高了至少15%，有效改善了深度图像的质量，提升了对低光子水平的鲁棒性。     

基于改进DeepLabV3+的遥感影像语义分割方法

针对普通卷积神经网络在遥感图像分割中小目标识别度不高、分割精度低的问题，提出了一种结合特征图切分模块和注意力机制模块的遥感影像分割网络AFSM-Net。首先在编码阶段引入特征图切分模块，对每个切分的特征图进行放大，通过参数共享的方式进行特征提取；然后，将提取的特征与网络原输出图像进行融合；最后，在网络模型中引入注意力机制模块，使其更关注图像中有效的特征信息，忽略无关的背景信息，从而提高模型对小目标物体的特征提取能力。实验结果表明，所提方法的平均交并比达到86.42%，相比于DeepLabV3+模型提升了3.94个百分点。所提方法充分考虑图像分割中小目标的关注度，提升了遥感图像的分割精度。     

基于伪孪生神经网络的低纹理工业零件6D位姿估计

从单帧RGB图像中获取目标物体的6D位姿信息在机器人抓取、虚拟现实、自动驾驶等领域应用广泛.本文针对低纹理物体位姿估计精度不足的问题,提出一种基于伪孪生神经网络的位姿估计方法 .首先,通过渲染CAD模型的方式,获取不同观察角度下的RGB图作为训练样本,解决了深度学习中数据集获取与标注较为繁琐的问题.其次,利用伪孪生神经网络结构学习二维图像特征和物体的三维网格模型特征之间的相似性,即分别采用全卷积网络和三维点云语义分割网络构成伪孪生神经网络,提取二维图像和三维模型的高维深层特征,使用网络推断密集的二维-三维对应关系.最后,通过PnP-RANSAC方法恢复物体的位姿.仿真数据集的实验结果表明,本文提出的方法具有较高的准确性和鲁棒性.     

AI识别技术在输配电网络故障诊断中的应用

常规方法分割图像中输配电网络像素点时，选择的分割点梯度不一致，使导线故障和器件故障定位范围较大，为此提出AI识别技术在输配电网络故障诊断中的应用方法。获取输配电网络机巡数据，转换红外图像像素点颜色，去除噪音像素点，根据灰度值选择种子像素点，将梯度幅值和方向一致的种子点作为分割点，分割输配电网络像素区域，输入AI识别网络，提取分割图像特征进行分类学习，输出故障诊断结果。实验结果表明，设计方法减小了导线故障点标记距离、器件元件故障区域标记面积，提高了故障位置定位精度。