针对编解码语义分割网络计算量大、解码结构复杂的问题，提出一种高效无解码的二值语义分割模型DFNet。该模型首先去除主流分割网络中复杂的解码结构和跳跃连接，采用卷积重塑上采样方法重塑特征编码直接得到分割结果，简化网络模型结构；其次在编码器中融合轻量双重注意力机制EC&SA，提高特征编码的通道及空间信息交互，增强网络的编码能力；最后使用PolyCE损失替代常规分割损失，解决正负样本不均衡问题，提高模型的分割精度。在DeepGlobe道路分割和CrackForest缺陷检测等二值分割数据集上的实验结果表明，本文模型的分割精度F1均值和IoU均值分别达到84.69%和73.95%，且分割速度高达94 FPS，远超主流语义分割模型，极大地提高了分割任务效率。

针对传统喀斯特地区裸岩提取方法成本高、精度低的问题，文章构建了一种基于改进DeepLabV3+的裸岩提取方法。该方法首先在编码器中用CA-DC-MobileNetV3替换DeepLabV3+骨干网络Xception进行特征提取，很大程度上减少了模型的参数量；其次，将编码器提取的特征通过特征金字塔网络和坐标注意力机制进行加强特征提取，以获取更多小目标信息并减少图像细节损失；最后在空洞空间金字塔池化模块将不同空洞率的卷积层进行特征融合，提高信息的利用率。研究结果表明：文章方法在不同场景裸岩提取任务中表现最好，模型参数量约为DeepLabV3+的1/13，交并比、F₁分数分别为72.46%、84.03%，上述2个指标相比于DeepLabV3+模型分别提高了4.62和3.19个百分点，并优于其余常用语义分割模型，提高了裸岩提取精度。

光学下变频技术可将宽频带内全部电磁信号同时下变频到低频区间进行接收，是一种新型宽频带电磁环境快速接收技术。但是，获取的光学下变频信号中包含源个数未知、带宽不同的多种信号，现有信号分离方法需要获知源信号的个数，且无法同时分离窄带信号和宽带信号。为实现对光学下变频信号的自动分离，提出了一种基于变分模态分解（VMD）自适应模态重组的光学下变频信号分离方法。通过频谱分割因子和频谱包络检测，对光学下变频信号的VMD过分解模态进行自动重组和信号重组模态提取，实现光学下变频信号分离。对于包含普通脉冲信号、宽带码分多址（WCDMA）信号和线性调频脉冲信号的光学下变频信号，可自动实现对三种信号的分离，且与原信号的相似系数均高于0.97。实验结果表明，所提及方法在分离光学下变频信号时无需获知源信号的个数，并能同时分离具有不同带宽的多种源信号。

在QFN芯片封装缺陷检测中，增加图像分割环节可有效提高缺陷检测准确性与检测效率。针对图像分割中传统算法效率低、智能优化算法分割精度低稳定性差的问题，本文提出一种基于改进灰狼优化算法（IGWO）的图像多阈值分割方法。首先，改进原始灰狼优化算法非线性因子，平衡算法搜索效率与挖掘能力；其次，引入反向学习策略提高种群整体质量，引入正弦函数、调整头狼权重以改进灰狼更新策略，增强算法多样性与挖掘能力；然后，提出头狼靠拢与种群变异交替进行的位置更新策略，平衡算法收敛性能与跳出局部最优能力；最后，以Kapur熵为适应度函数，求解最优分割阈值。将本文提出的改进灰狼优化算法的多阈值图像分割方法，与灰狼优化算法（GWO）、基于翻筋斗觅食策略的灰狼优化算法（DSF-GWO）、基于莱维飞行的樽海鞘群优化算法（LSSA）、改进北方苍鹰算法（INGO）的图像分割方法进行实验对比，结果表明：本文方法在分割用时方面，约为DSF-GWO的1/2，INGO的1/4；在分割精度与稳定性方面，在进行QFN芯片缺陷图像的连续30次分割时，本文方法具有最大Kapur熵平均值、最小标准差与最短分割时间。因此本文方法可实现高精度、高稳定性与高效率的QFN芯片图像多阈值分割。

为了提高动态场景RGB-D SLAM中相机位姿精度，基于实例分割与光流算法，提出一种高精度RGB-D SLAM方法。首先，通过实例分割算法检测出场景中的物体，删除非刚性物体并构造语义地图。接着，通过光流信息计算运动残差，检测场景中动态刚性物体，并在语义地图中追踪这些动态刚性物体。然后，删除每一帧中非刚性物体和动态刚性物体上的动态特征点，利用其他稳定的特征点优化相机位姿。最后，通过TSDF模型重建静态背景，并以点云的形式显示动态刚性物体。在TUM和Bonn数据集中测试表明，本文方法与当前最先进的SLAM工作ACEFusion相比相机精度提升约43%。消融实验结果表明，保留动态刚性物体处于静止状态下的特征点对相机位姿估计结果提升约37%。稠密建图实验结果表明，本文方法在动态场景中重建结果优于当前先进的工作，平均重建误差为0.042 m。代码开源在https：//github.com/wawcg/dy_wcg。

The laser-induced damage detection images used in high-power laser facilities have a dark background, few textures with sparse and small-sized damage sites, and slight degradation caused by slight defocus and optical diffraction, which make the image superresolution (SR) reconstruction challenging. We propose a non-blind SR reconstruction method by using an exquisite mixing of high-, intermediate-, and low-frequency information at each stage of pixel reconstruction based on UNet. We simplify the channel attention mechanism and activation function to focus on the useful channels and keep the global information in the features. We pay more attention on the damage area in the loss function of our end-to-end deep neural network. For constructing a high-low resolution image pairs data set, we precisely measure the point spread function (PSF) of a low-resolution imaging system by using a Bernoulli calibration pattern; the influence of different distance and lateral position on PSFs is also considered. A high-resolution camera is used to acquire the ground-truth images, which is used to create a low-resolution image pairs data set by convolving with the measured PSFs. Trained on the data set, our network has achieved better results, which proves the effectiveness of our method.

由于卷积操作的局限性，现有的皮肤病变图像分割网络无法对图像中的全局上下文信息建模，导致其无法有效捕获图像的目标结构信息，本文设计了一个融入交叉自注意力编码的U型混合网络，用于皮肤病变图像分割。首先，将设计的多头门控位置交叉自注意力编码器引入到U型网络的最后两个层级中，使其能够在图像中学习语义信息的长期依赖关系，弥补卷积操作全局建模能力的不足；其次，在跳跃连接部分引入一个新的位置通道注意力机制，用于编码融合特征的通道信息并保留位置信息，提高网络捕获目标结构的能力；最后，设计一个正则化Dice损失函数，使网络能够在假阳性和假阴性之间权衡，提高网络的分割结果。基于ISBI2017和ISIC2018数据集的对比实验结果表明，本文网络的Dice分别为91.48%和91.30%，IoU分别为84.42%和84.12%，分割精度在整体上优于其他网络，且具有较低的参数量和计算复杂度，即本文网络能够高效地分割皮肤病变图像的目标区域，可为皮肤疾病辅助诊断提供帮助。