低重叠率和弱纹理图像的快速拼接算法

图像拼接可将多张有重叠区域的小图镶嵌成一幅大图,在三维重建、增强现实以及相机应用等多领域有着广泛的应用,受到科研人员和工程机构的一致关注;但当图像缺乏纹理,或者重叠区域较少的时候,现有算法难以得到稳定的拼接效果.针对上述问题,提出了一种快速拼接算法,主要包括2个创新点.第一点,设计了基于金字塔模型的相位相关配准算法,能够处理低重叠率和缺乏纹理的场景,对光照变化不敏感.第二点,设计了新的全局优化模型,能够进一步优化结果,剔除不可靠的参数估计等问题.实验部分证明了本算法精度高、速度快,能够较好的解决低重叠率和弱纹理等问题.     

基于CR-RFPR101的钢板表面缺陷检测

针对钢板表面缺陷种类多、背景复杂、检测精度低等问题,文章首先对钢板表面缺陷数据集进行数据增强,并对原始Cascade区域卷积神经网络(region-basedconvolutional neural netwroks, R-CNN)算法进行改进,将ResNeXt-101-64×4d作为Cascade R-CNN算法的骨干网络,优化特征提取模块,利用递归特征金字塔(recursive feature pyramid, RFP)网络以反馈连接的方式进行特征优化,提出一种CR-RFPR101(Cascade R-CNN RFP ResNeXt-101-64×4d)的检测算法,以更好地保留细节和语义信息;同时使用可切换的空洞卷积替换主干网络的卷积层,以改变感受野的方式提高检测性能;最后使用引入软化非极大值抑制算法,保留有效信息,提高识别率。经实验验证,CR-RFPR101算法的检测率为83.4%,比原Cascade R-CNN算法提高了7.3%,满足了钢板表面缺陷检测要求。     

基于YOLOv5的舰船目标及关键部位检测算法

为进一步提升对可见光图像中水面舰船目标的检测识别成功率,提出一种基于YOLOv5的舰船目标识别算法。使用基于随机池化方法的空间金字塔池化网络,运用双向特征金字塔网络进行多尺度特征融合,采用指数线性单元函数作为激活函数加快网络训练收敛速度,提升算法鲁棒性,从而实现了对水面舰船目标和舰船关键部位的快速准确识别。通过在舰船目标及其关键部位数据集上实验验证,对比多个经典目标检测方法,在识别准确率上均有不同程度提升,对比原YOLOv5s模型,平均精度均值提升3.03%,速度提升2 FPS,模型保持了YOLOv5轻量化的特点,在应用部署上有良好前景。     

利用统计特性进行图像融合效果分析及评价

研究图像融合的客观效果评价。利用图像的统计特性,即均值、标准方差、熵、交叉熵进行融合图像分析及效果评价的方法,并以多尺度对比度金字塔图像融合方法为例,就同一目标可见光与红外图像融合的具体情况,对融合层数不同的结果图象进行分析和评价。评价结果与理论分析结果、目视效果相吻合。统计特性是一种客观和实用的对融合图像效果进行分析及评价的方法。     

网络科学的理论模型及其应用课题研究的若干进展

概述了“一院两校”网络科学联合项目组在复杂网络的理论模型及相关应用课题近年来的若干研究进展。首先,基于国际上三大经典的复杂网络模型（ER随机图,小世界模型和无标度模型）,结合统一混合理论框架里3个模型（和谐统一的混合择优模型、大统一混合网络模型和统一混合变速增加长模型）,提出构建、描述和评论了网络科学模型金字塔;其次,把宏观网络推进到微观网络模型（量子信息网络与纳米相干网络）;然后概述了规则网络的非局域连接模型及其相关的社区网络、属性连接的网络模型;含权科学家合作网络模型和提高网络同步能力的模型等。相关应用课题的进展包括：小世界和无标度拓扑下束流输运网络中束晕一混沌同步与控制、复杂混沌网络的多目标分区同步的控制及同步能力、多智能体网络系统、网络上的交通拥塞与路由问题、网络上的病毒传播问题、网络上的博弈问题,以及高科技企业网络等。这些进展反映和揭示了当前国内外网络科学同步发展的趋势和面临的挑战。     

基于梯度金字塔图像融合的研究

根据人体视觉对梯度的敏感性特点,采用梯度金字塔融合方法对图像进行具有方向性的多尺度、多分辨率分解,然后采用基于区域信息特征的融合规则对图像进行融合,最后进行梯度金字塔分解的逆变换得到融合图像,并对融合结果作出评价。实验结果表明,该方法对多焦点和多光谱图像融合都十分有效。     

基于3D金字塔残差网络的高光谱图像分类方法

鉴于提取高光谱图像深层次特征时,深度学习网络面临的网络层数加深、特征图数量增多、计算量增大、梯度消失等问题,提出了一种3D金字塔残差卷积神经网络,通过将3D卷积块引入金字塔残差模型中,实现了高光谱图像空谱特征的同时提取,并利用金字塔残差网络逐级增加特征图维度,大大降低了模型的参数量.Pavia University和Salinas数据集测试结果显示,该方法分别取得了99.936%和99.879%的总体分类精度,分类效果优于SVM、3D-CNN、ResNet18等3D卷积模型,且网络参数仅为ResNet18等模型的1%.可见,该方法达到了网络参数和图像分类精度的双优表现,是一种有效的高光谱遥感影像分类方法.     

基于改进路径聚合和池化YOLOv4的目标检测

针对YOLOv4目标检测器存在信息利用率不足的问题,提出了一种新的基于改进的路径聚合和池化YOLOv4的目标检测方法 YOLOv4-P。为了充分利用路径聚合可以有效防止信息丢失这个特点,对YOLOv4的路径聚合网络进行改进,利用主干特征提取网络的第二个残差块,新增一个检测层,加强融合浅层特征层。另外,使用K-means聚类对数据集重新进行处理,获得合适的先验框尺寸。此外,图像经过主干特征提取网络后的感受野比理论感受野小,为了增大感受野,在主干特征提取网络的后端加入金字塔池化模块,利用4种不同尺度的金字塔池化引入不同尺度下的特征信息。最后,在PASCAL VOC2007和VOC2012进行仿真实验,实验结果表明,提出的YOLOv4-P有效提高了检测精度。     

可变树长混合小波和子树自量化分形视频编码

对可变树长混合小波和子树自量化分形视频编码方案进行了探讨。通过金字塔小波分解,每一视频序列帧被分解为多频率子带,将它们按一定方式组织成小波子树结构来表示视频序列的运动特性。对这些小波子树进行运动检测,分成运动树和非运动树两类。非运动树的编码直接、简单;运动树则采用可变树长混合小波和子树自量化方法来进行编码。实验结果表明:在低比特率情况下,文中所述的方案在PSNR(峰值信噪比)和主观质量两方面均可获得较好的性能     

不同分辨率图像的角点匹配方法

针对不同分辨率图像的匹配问题,提出了一种利用高斯金字塔的一对多角点匹配方法.采用一种变形的特征描述算子(SIFT)对角点附近的图像区域进行特征提取,根据提取出的特征向量进行角点匹配,并提出一种简单有效的抽样一致性算法以剔除错误匹配点对,最后在一对多角点的匹配结果中选出最佳的匹配作为最终的角点匹配结果.实验结果表明,该算法能有效地克服分辨率的差异给匹配带来的困难,算法简单,可靠性好.