基于深度学习的复杂气象条件下海上船只检测

为了解决复杂海情环境下的不同种类和大小的舰船检测问题,提出一种实时的深度学习的目标检测算法。首先,提出了一种清晰图片和模糊图片（雨、雾等图片）判别的方法;然后,在YOLO v2的深度学习框架的基础上提出一种多尺度目标检测算法;最后,针对遥感图像舰船目标的特点,提出了一种改进的非极大值抑制和显著性分割算法,对最终的检测结果进一步优化。在复杂海情和气象条件下的舰船目标公开比赛的数据集上,实验结果表明,相比原始的YOLO v2,该方法的准确率提升了16%。     

结合多尺度条件生成对抗网络的井下轨道检测

目的 传统的轨道检测算法受环境干扰因素大导致检测效率低,基于卷积神经网络（CNN）算法的轨道检测结果缺乏对于对象的细腻、独特刻画且过多依赖可视化后处理技术,因此本文提出一种结合多尺度信息的条件生成对抗网络（CGAN）轨道线检测算法。方法 在生成器网络中采用多粒度结构将生成器分解为全局和局部两个部分;在判别器网络中采用多尺度共享卷积结构,进一步监督生成器的训练;引入蒙特卡罗搜索技术通过对生成器的中间状态进行搜索,并将结果再送入到判别器中进行对比。结果 在井下巷道场景测试集中,本文方法取得了82.43%像素精度和0.621 8的平均交并比,并且对轨道的检测可以达到95.01%的准确率;与现有的语义分割的算法相比,表现出了优越性。结论 本文方法能够有效应用于井下复杂环境,一定程度上解决了传统的图像处理算法和卷积神经网络算法存在的问题,从而有效服务于井下自动驾驶。     

多尺度的社团结构稳定性分析

社团结构分析是一项非常重要且具有挑战性的工作,已经引起来自不同领域学者的广泛关注.在该文中,作者创新性地结合Potts模型和Markov动态过程,提出了衡量多尺度杜团结构稳定性的完整理论框架.对于给定的网络,该文通过揭示网络社团结构及其自旋动态的局域一致行为之间的关系,可以不使用特定的算法而直接获得社团结构相关的重要隐藏信息,比如社团结构的稳定性和在多个时间尺度的社团结构的最佳数量.它还克服了传统方法的不足,如模块度Q的分辨率局限性问题.进一步基于理论分析,该文给出一个无参数的社团结构探测算法.该算法通过计算每个节点的归属向量,可以识别网络的模糊社团结构,从而在多个层次上描述了每个节点参与重叠社团的程度.同时该文也证明了算法的可扩展性和在实际大型网络上的有效性.     

基于图像超分辨率的多尺度特征交互传播研究

该文构建了一种可对不同形式的多尺度结构进行归纳的统一框架,并基于该框架系统地探究了多尺度卷积的两个因素——特征传播和跨尺度交互,提出了简单而有效的多尺度卷积单元——多尺度-跨尺度-权重共享的卷积(MS³-Conv)网络。实验结果表明,与基于标准卷积的网络相比,基于MS³-Conv的网络可使用较少的参数和较低的计算成本实现更好的图像重建性能。除了定量分析,该文也对重建图像进行可视化分析,证明了MS³-Conv网络能更好地恢复高频细节。     

基于多尺度贯序式卡尔曼滤波的运动声阵列跟踪算法

为了研究运动声阵列对二维目标在复杂环境中的实时跟踪性问题,根据运动声阵列及二维目标的运动特点建立了状态方程与测量方程,并将其描述为块的形式.根据不同的状态块,利用小波变换把状态块分解到不同尺度上,分别在时域和频域上建立相应尺度上的状态与观测信息之间的关系;采取卡尔曼滤波器递推思想来实现运动声阵列的多尺度贯序式卡尔曼滤波算法,根据最小二乘误差估计理论推导了运动声阵列跟踪系统在球坐标系和直角坐标系下的误差,为提高系统跟踪精度奠定了理论基础,并为工程应用提供了实际方法.与传统的卡尔曼滤波算法相比,Matlab仿真结果表明了本文算法的有效性和优越性.     

一种基于改进的形态学算子的边缘检测算法

本文提出了一种基于改进的形态学算子和多尺度多结构元素思想的边缘检测算法.改进的抗噪型形态学边缘检测算子增强了图像边缘检测时的抗噪能力,采用多尺度和多结构元素构建的边缘检测算法既具有较好的抗噪能力,同时可检测更多边缘方向.实验结果表明,该算法具有较好的抗噪能力,在检测出更多的边缘方向的同时可保留较多的边缘细节,具有较强的...     

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.     

一种基于多尺度拱高形状描述的图像检索方法

本文提出了一种多尺度拱高形状描述（MSAH ）．该方法用多尺度的拱高来度量形状轮廓线在其每一个点的弯曲程度,这里尺度是以该点为中点的弧段的长度．在每一个尺度级,为形状轮廓线构建一个一维的拱高函数,然后对其进行傅立叶变换,组合各尺度级的低阶的傅立叶变换系数,构成描述形状的特征向量．在形状匹配阶段,用两个形状的特征向量的 L1-距离来度量它们的形状相似性．该方法不仅能描述形状的全局特征,而且能描述形状的细节信息,因而在应用于图像检索中,具有高的检索精确率．MSAH形状描述子非常紧致,而且具有较低的计算复杂度,因而检索效率也很高．在用MPEG-7形状数据库和植物叶片形状数据库的检索实验中,其检索性能要优于近年来提出的基于变换域的形状描述方法和经典的形状上下文描述方法．     

基于改进U-Net的SPECT骨显像病灶分割研究北大核心CSCD

在核医学中,单光子发射计算机断层(single-photon emission computed tomograpy,SPECT)骨显像是辅助医师诊断癌症的重要手段。针对骨显像图像信噪比低、边界模糊、病灶小难以提取和人工勾画病灶耗时等问题,提出一种基于改进U-Net网络的骨显像病灶自动分割算法。该算法在U-Net的原卷积块基础上,采用了多尺度密集连接(multi-scale dense connection,MDC)的方式来提高对小病灶特征的提取能力,同时解决了网络加深后出现的梯度消失问题。其次,为提取病灶的细节特征,在密集连接和跳跃连接处引入了注意力机制结构。最后,针对使用小样本数据集,模型难以收敛的问题,采用迁移学习的方法,优化了模型的初始参数,提升模型的泛化能力和分割效率。此外,为了降低计算量、进一步提高分割效果,对数据集进行了裁剪和去噪。同时,将处理后的图像采用旋转、镜像等方法进行了数据扩充。实验结果表明,改进的U-Net的识别精确率(precision)、平均交并比(mean intersection-over-union,mIoU)分别能达到0.7352、0.4673,效果优于目前主流的分割算法,具有一定实际应用价值。     

基于改进多尺度间隙度的海上目标分割方法

针对复杂海面背景下的可见光图像舰船目标分割问题,引入了图像的多尺度间隙度特征,分析了Dong提出的图像间隙度特征提取算法存在的问题,并进行了改进,采用滑动盒子内像素值方差计算滑动盒子的质量,提高了舰船目标与海面背景的可分离程度,最后利用改进算法提取图像的多尺度间隙度特征对海上舰船目标进行分割。实验结果表明,利用改进方法对海面背景下舰船目标进行分割,相对于sobel边缘检测、ostu阈值分割和基于传统提取算法的多尺度间隙度特征分割方法结果更优,可以更好地抑制海面亮度变化、海浪和背景杂波的影响,准确分割出海上舰船目标。