基于L1L0层分解模型的家具死节缺陷图像分割

针对成品家具中的表面死节缺陷,提出一种基于L1L0层分解模型与主动轮廓模型的死节缺陷图像分割算法。将RGB彩色图像转换成Lab图像,对Lab各通道灰度图进行L1L0两层分解,得到分解后的低频灰度图与高频系数图;并用主动轮廓模型对各低频灰度图进行分割得到Lab多通道的二值图。最后对多通道的二值图进行比较,选择b通道二值图作为图像最终分割结果,得到死节缺陷目标。试验结果表明,提出的算法能降低复杂背景噪声,分割效果好,能很好地提取家具表面死节缺陷,性能优于传统的Otsu方法。     

深度学习光流计算技术研究进展

图像序列光流计算是图像处理与计算机视觉等领域的重要研究方向.随着深度学习技术的快速发展,以卷积神经网络为代表的深度学习理论与方法成为光流计算技术研究的热点.本文主要对深度学习光流计算技术研究进行综述,首先介绍了有监督学习、无监督学习和半监督学习的光流计算网络模型与训练策略,然后重点阐述并分析了不同网络模型优化方法.针对光流计算模型的评估问题,分别介绍了Middlebury、MPI-Sintel和KITTI等数据库及评价基准,并对不同类型深度学习和传统变分光流模型进行对比与分析.最后,总结了深度学习光流计算技术在模型复杂度与泛化性、光流估计鲁棒性、小样本训练准确性等方面的关键技术问题,并指出了可能的解决方案与研究思路.     

水下声呐图像轻量级目标检测模型

水下AUV搭载声呐进行探测成为水下目标检测的主流方式，水下环境的复杂及声呐成像方式导致声呐图像分辨率较低，使用形态学目标检测等传统方法时检测精度与实时性不高，深度学习如YOLO等算法直接用于水下声呐图像目标检测时仍然面临样本少、模型参数多等挑战，为此，本文提出一种声呐图像水下目标轻量化检测模型。针对低分辨率声呐图像数据特点以及水下AUV自动检测对实时性的要求，以YOLOv4模型为主要框架，进行模型裁剪、替换优化特征融合模块、目标预测框K均值聚类以及改进损失函数等，将构建的检测模型应用于声呐目标检测。所构建的声呐图像水下目标检测轻量化模型的mAP相对于SSD、YOLOv3、YOLOv3-DFPIN、YOLOv4-tiny分别提高了0.0659、0.0214、.0402和0.1701。在mAP相较于YOLOv4、CenterNet、EfficientdetD0分别低0.0186、0.0093、0.0074的情况下，FPS分别相对于YOLOv4提升一倍多、相对于EfficientdetD0提升近5倍、相对于CenterNet提升近一倍。同时，本文提出的模型兼具高精度和实时性的优点。实验结果表...