边缘指导图像修复算法研究

近年来,深度学习技术的不断发展为图像修复研究提供了新的思路,通过对海量图像数据的学习,使得图像修复方法能够理解图像的语义信息.虽然现有的图像修复方法已能够生成较好的图像修复结果,但遇到结构缺失较为复杂的图像时,对缺失部分细节处理能力较差,所生成的结果会过度平滑或模糊,不能很好地修复图像缺失的复杂结构信息.针对此问题,基...     

零件点云法向量估计的多尺度特征融合网络

为了解决机械零配件点云处理中非均匀采样干扰、尖锐特征损失等难点,提出一种基于深度神经网络多尺度融合的点云法向量估计方法.该网络在不同邻域尺度下集成了采样点细节与点云块整体两种特征.为了使该多维回归输出网络的训练更稳定且能缓解梯度爆炸问题,重新设计了一个光滑的损失函数.实验结果表明,该方法性能优于传统的方法以及HoughCNN、PCPNet等方法,能够更准确地估计尖锐边缘的法向量,对点云各种噪声和采样方法鲁棒性都更强.     

NeurIPS 2020观察与分析

神经信息处理系统大会（Conference on Neural Information Processing Systems,NeurIPS）是机器学习领域的顶级会议,在中国计算机学会（China Computer Federation,CCF）推荐国际学术会议中被评为人工智能领域的A类会议,一直广受关注。NeurIPS 2020收到了创纪录的9 467篇投稿,最终录用1 898篇论文。收录的论文涵盖了人工智能的各种主题,包括深度学习及其应用、强化学习与规划、纯理论研究、概率方法、优化及机器学习与社会等。本文回顾了NeurIPS 2020的亮点及论文录用情况,详细解读了特邀报告、最佳论文、口头报告及部分海报论文,希望能帮助读者快速了解NeurIPS 2020的盛况。     

图像分类模型的对抗样本攻防研究综述

深度学习模型在图像分类领域的能力已经超越了人类,但不幸的是,研究发现深度学习模型在对抗样本面前非常脆弱,这给它在安全敏感的系统中的应用带来了巨大挑战。图像分类领域对抗样本的研究工作被梳理和总结,以期为进一步地研究该领域建立基本的知识体系,介绍了对抗样本的形式化定义和相关术语,介绍了对抗样本的攻击和防御方法,特别是新兴的可验证鲁棒性的防御,并且讨论了对抗样本存在可能的原因。为了强调在现实世界中对抗攻击的可能性,回顾了相关的工作。在梳理和总结文献的基础上,分析了对抗样本的总体发展趋势和存在的挑战以及未来的研究展望。     

一种带式输送机故障诊断方法

针对传统浅层神经网络用于带式输送机故障诊断时存在故障状态样本数据不足、准确率不高等问题,提出了一种基于合成少数类过采样技术(SMOTE)和深度置信网络(DBN)的带式输送机故障诊断方法.该方法利用SMOTE生成带式输送机故障状态样本数据,克服样本数据分布不平衡现象;将样本数据输入DBN,利用无监督逐层训练方式提取数据中的故障特征,并通过有监督微调来优化故障诊断能力,实现带式输送机故障精确诊断.仿真结果表明,该方法提高了带式输送机故障诊断准确率.     

动态场景下基于视觉的SLAM技术研究

针对视觉同时定位与地图构建(SLAM)技术在动态环境中存在定位精度低、地图虚影等问题,提出了一种基于深度学习的动态SLAM算法。该算法利用网络参数少且目标识别率高的YOLOv8n改善系统的视觉前端,为视觉前端增加语义信息,提取动态区域特征点。然后采用LK光流法识别动态区域的动态特征点,剔除动态特征点并保留动态区域内的静态特征点,提高特征点利用率。此外,该算法通过增加地图构建线程,剔除YOLOv8n提取的动态物体点云,接收前端提取的语义信息,实现静态语义地图构建,消除由动态物体产生的虚影。实验结果显示,在动态环境下该算法与ORB-SLAM3相比,定位精度提升92.71%,与其他动态视觉SLAM算法相比,也有小幅度改善。     

基于U-Net结构改进的医学影像分割技术综述

深度学习在医学影像分割领域得到广泛应用,其中,2015年提出的U-Net因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对U-Net结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于U-Net结构改进的医学影像分割技术,从面向性能...     

无人机端路面车辆违停检测及取证系统

路边车辆违停现象日益严重,而针对路边违停现象的检测主要依赖于交警巡逻和固定相机抓拍,其时效性和灵活性不足.提出一种基于深度学习技术的无人机端路面车辆违停检测及取证系统,包含无人机车辆违停巡检和车辆违停取证两种模式.利用无人机高效灵活的优势,结合深度学习车辆检测技术检测路边车辆违停现象,并对深度学习目标检测算法进行了优化...     

Single-Step Fast Tissue Clearing of Thick Mouse Brain Tissue for Multi-Dimensional High-Resolution Imaging

Recent advances in optical clearing techniques have dramatically improved deep tissue imaging by reducing the obscuring effects of light scattering and absorption. However, these optical clearing methods require specialized equipment or a lengthy undertaking with complex protocols that can lead to sample volume changes and distortion. In addition, the imaging of cleared tissues has limitations, such as fluorescence bleaching, harmful and foul-smelling solutions, and the difficulty of handling samples in high-viscosity refractive index (RI) matching solutions. To address the various limitations of thick tissue imaging, we developed an Aqueous high refractive Index matching and tissue Clearing solution for Imaging (termed AICI) with a one-step tissue clearing protocol that was easily made at a reasonable price in our own laboratory without any equipment. AICI can rapidly clear a 1 mm thick brain slice within 90 min with simultaneous RI matching, low viscosity, and a high refractive index (RI = 1.466), allowing the imaging of the sample without additional processing. We compared AICI with commercially available RI matching solutions, including optical clear agents (OCAs), for tissue clearing. The viscosity of AICI is closer to that of water compared with other RI matching solutions, and there was a less than 2.3% expansion in the tissue linear morphology during 24 h exposure to AICI. Moreover, AICI remained fluid over 30 days of air exposure, and the EGFP fluorescence signal was only reduced to ~65% after 10 days. AICI showed a limited clearing of brain tissue >3 mm thick. However, fine neuronal structures, such as dendritic spines and axonal boutons, could still be imaged in thick brain slices treated with AICI. Therefore, AICI is useful not only for the three-dimensional (3D) high-resolution identification of neuronal structures, but also for the examination of multiple structural imaging by neuronal distribution, projection, and gene expression in deep brain tissue. AICI is applicable beyond the imaging of fluorescent antibodies and dyes, and can clear a variety of tissue types, making it broadly useful to researchers for optical imaging applications.     

浮选图像中泡沫边缘分割

矿物浮选过程中泡沫的表面特征是浮选性能的重要指标,它可以实时、直观地反映浮选效果的变化,准确分割泡沫的边缘信息是浮选过程中一项重要的任务。近年来,研究人员提出了各种浮选泡沫图像分割算法,但浮选泡沫图像中存在泡沫数量多、泡沫间粘连严重以及边缘不清晰等问题,现存的方法由于其特征提取能力有限,无法精确的分割泡沫边缘。据此,本文利用深度学习提出了一种基于多尺度融合的浮选泡沫图像边缘分割算法,该算法通过引入一种深度高分辨率的编码结构以及一种基于注意力的分层融合方法来增强模型的特征提取能力,从而提高对于浮选泡沫边缘的分割效果。具体而言,深度高分辨率的编码结构可以在不同分辨率层级上同时维护特征信息,使我们的网络模型可以有效地捕捉不同尺度的信息,在提高图像语义理解能力的同时能够保持更多的细节信息,提高处理高分辨率以及密集任务图像的能力。除此之外,本文设计了一种基于注意力的分层融合方法来充分融合深层和浅层的特征图,使融合得到的特征图趋向于更重要的特征信息,从而提高识别浮选泡沫的边界和精确定位浮选泡沫的能力。该算法在泡沫边界分割数据集上凭借58.25的泡沫IoU以及73.62的泡沫Fscore取得了最佳的性能,证明了我们提出的算法可以更加准确地分割浮选泡沫边缘。