1 国防科技大学 电子科学学院，湖南 长沙 410073
2 航天系统部装备部军事代表局，北京 100000
3 上海卫星工程研究所，上海 200000
红外图像去噪在**及民用领域应用广泛。现有基于深度学习的图像去噪方法主要为可见光图像设计，此类方法容易过度平滑图像细节，从而导致弱小目标丢失，为后续的检测任务带来困难。为了在去除噪声的同时保留好红外图像中的目标信息，本文提出了一种基于梯度可感知通道注意力模块的红外弱小目标检测前去噪网络。该网络首先采用编码器-解码器结构来去除图像中的加性噪声，然后通过梯度可感知通道注意力模块对图像高频区域进行自适应增强，有效保持红外弱小目标的响应强度。此外，本文提出了领域第一个包含3 981张含噪声的红外图像数据集。实验结果表明，该网络能够在有效去除加性噪声的同时避免过度平滑，很好地保留了红外图像中的目标信息，最终实现了在含噪声环境下的高鲁棒性红外弱小目标检测。
红外小目标 检测前去噪 梯度可感知通道注意力模块 infrared small target denoising before detection gradient-aware channel attention
1 南京信息工程大学电子与信息工程学院，江苏 南京 210044
2 南京信息工程大学江苏省大气环境与装备技术协同创新中心，江苏 南京 210044
针对遥感图像目标检测算法漏检和误检率高、目标定位不精确、无法准确识别目标类别等问题，提出一种基于改进YOLOv8的目标检测算法。为提高模型的损失函数对梯度分配的灵活性，适应各种形状和尺寸的物体，设计了非单调聚焦机制与边界框几何因素相结合的边界框回归损失函数；为扩大模型的感受野并削弱遥感图像背景对检测目标的影响，采用全局注意力机制与残差块结合的方式，设计了残差全局注意力机制；为使模型适应遥感图像中目标物体的形变与不规则排列，对YOLOv8模型中的C2f模块进行改进，融入可变形卷积与可变形感兴趣区域池化层。实验结果表明，在DOTA数据集和RSOD数据集上，所提算法的平均精度均值（mAP@0.5）达到72.1%和94.6%，优于对比算法，提高了遥感图像目标检测精度，为遥感图像识别提供了新的手段。
目标检测 YOLOv8 WIoU 全局注意力机制 可变形卷积 激光与光电子学进展
2024, 61(10): 1028001
1 北京理工大学光电学院，北京 100081
2 光电成像技术与系统教育部重点实验室，北京 100081
3 信息光子技术工业和信息化部重点实验室，北京 100081
注意力机制的出现和应用在一定程度上改善了神经网络对全局信息应用不足的缺陷，但常见的注意力机制模块也同样存在感受野小无法关注全局信息的问题，而某些全局注意力机制模块则计算成本过高。为此，提出一种基于卷积、池化、对比方法的轻量化注意力模块，即全局采样空间注意力模块。对于深度网络推理过程中部分模块输出的中间特征图，该注意力模块通过对比差值的形式获取所需要的空间注意力图。全局采样空间注意力模块是一种轻量化的通用模块，能够直接置入卷积神经网络中，增加的成本几乎可以忽略不计，并且其能够与网络一同进行端到端训练。主要在随机抽取的部分ImageNet-1K数据集和团队自制的“低慢小”无人机数据集中对模块进行了验证。实验结果显示，相比其他模块，所提模块在图像分类和小目标检测识别任务中具备1百分点~3百分点的性能提升效果，证明了所提模块的性能与其在小目标检测方面的适用性。
注意力机制 全局采样 轻量化 图像分类 小目标探测 激光与光电子学进展
2024, 61(10): 1037009
1 江南大学机械工程学院，江苏 无锡 214122
2 江苏省食品先进制造装备技术重点实验室，江苏 无锡 214122
针对工业场景下密集相似目标检测过程中，容易出现定位误差和伪目标等问题，提出一种基于阵列分布信息引导的密集目标检测算法。从密集目标图像中提取种子目标，根据目标阵列排布规则设计四方向搜索匹配策略，以种子目标的四邻域构建候选目标匹配区域，利用重索引算法更新目标位置索引，不断遍历实现所有目标的精确定位；针对相似目标检测困难的问题，在卷积神经网络前引入Transformer自注意力结构，提取样本间位置和类别的相关性特征，设计基于组图孪生卷积Transformer的分类网络，增强相邻目标图像结构化信息，实现密集相似目标的精确分类，最终完成稳健的目标检测任务。对大量密集目标图像数据集进行实验，结果表明，所提算法在精度上优于对比算法，检测分类准确率达到98.71%，可以完整提取目标并进行精确分类。
目标检测 密集目标 阵列信息 四方向搜索匹配 Transformer 激光与光电子学进展
2024, 61(10): 1012001
1 华中光电技术研究所—武汉光电国家研究中心，湖北武汉430223
2 武汉设计工程学院信息工程学院，湖北武汉430225
红外小目标检测通常受制于较远的成像距离，使得提取目标特征成为了一种困难，如何增强目标的特征表达是近些年的主要方向之一。而过于复杂的特征表达会损失推理速度，这对于有实时性要求的红外小目标检测任务是不利的。通过使用重参数化技术结合领域中常用的残差网络作为特征提取网络，再使用额外注意力与通道注意力作为特征增强模块与特征融合模块，在数据集上取得了较好的结果。提出的模型在 SIRST 与 IRSTD-1K 数据集上分别取得了 0.734 与 0.638 的 mIoU 值，同时参数量和计算复杂度只有 0.306 M 与1.114 G FLOPs。该模型能够在推理阶段保持较少参数的同时拥有和其他领先的方法相近甚至领先的性能，在串行运行的环境上有着明显的优势。
红外小目标检测 深度学习 卷积神经网络 模型压缩 注意力机制 infrared small targets detection deep learning convolutional neural networks model compression attention mechanism
1 西京学院 材料与能源科学技术研究院，陕西 西安 710123
2 北京星航机电装备有限公司，北京 100074
3 西北工业大学 光电与智能研究院，陕西 西安 710072
在计算机视觉领域中，基于孪生网络的跟踪算法相比于传统算法提高了精度和速度，但是仍会受到目标遮挡、变形、环境变化等影响，导致孪生网络的跟踪算法的性能降低。为了深入了解基于孪生网络的单目标跟踪算法，本文对现有基于孪生网络目标跟踪算法进行了总结和分析，主要包括在孪生网络中引入注意力机制方法、超参数推理方法和模板更新方法，对这3种方法的目标跟踪算法进行了综述，详细介绍了国内外近几年基于孪生网络的算法研究和发展现状。对3个方面的代表算法采用VOT2016、VOT2017、VOT2018和OTB-2015数据集进行实验对比，获得了多种基于孪生网络的目标跟踪算法的性能。最后对基于孪生网络的目标跟踪算法进行了总结，并对未来的发展方向进行了展望。
计算机视觉 目标跟踪 孪生网络 深度学习 computer vision target tracking Siamese networks deep learning
1 北京空间机电研究所，北京 100094
2 先进光学遥感技术北京市重点实验室，北京 100094
3 中国人民解放军63768部队，西安 710000
特征点提取与匹配是遥感图像处理中关键的一环，目前成熟的算法大多面向对地成像类型的遥感图像，对于空间目标的遥感图像，没有考虑成像条件与探测平台的影响因素，特征点匹配质量较差。针对空间目标的匹配精度不高这一问题，文章提出了一种基于聚类的特征点匹配算法。首先，根据空间目标的重复弱纹理进行特征点提取与描述，再利用特征点的空间位置进行聚类，并对特征点簇进行匹配；之后将特征点的主方向减去目标整体方向，利用特征点主方向对每一个点簇进行再分组，并完成特征点匹配；最后利用最近邻次近邻比率方法和随机样本一致算法（RANSAC）剔除外点。采用该特征点匹配方法进行的模拟成像数据实验结果表明，对于空间目标图像，基于聚类的特征点匹配较直接匹配，匹配数量的提升最高可达50%，重投影误差优于1/4个像元。文章提出的这一方法使用目前通用的各种特征描述子，能够大幅度提高空间目标图像特征点匹配的数量与精度。
特征点匹配 聚类 结构张量 重复纹理 空间目标 feature point matching clustering structural tensors repeated texture spatial object
1 中国铁道科学研究院集团有限公司铁道建筑研究所，北京 100081
2 中国铁道科学研究院集团有限公司高速铁路轨道系统全国重点实验室，北京 100081
3 铁科检测有限公司，北京 100081
随着遥感技术在铁路行业应用的深入，应用多源遥感对铁路设施状态进行观测成为学界和产业界关注的热点。针对铁路设施状态定量化监测问题，应用InSAR技术可以获得铁路设施沉降信息，沉降信息的分析提取往往要借助设施的类别、位置等属性，否则无法进一步对特定铁路设施的沉降进行量化评估。文章综合利用星基光学与微波遥感影像，通过目标检测技术对铁路设施进行自动提取，确定铁路设施微波散射点与光学属性中类别与位置的对应关系；选取典型区域，以接触网立柱为例，利用多源遥感影像对文中提出的提取方法进行验证，结果显示：综合光学遥感影像的高空间分辨率以及SAR影像对铁路设施特异性散射的特征对铁路设施进行提取，提取准确率较光学遥感影像提取准确率提高2.8%，较SAR影像提取准确率提高9.2%，同时提取结果中设施位置更准确，可减少因设施的错误监测造成的行车安全影响，为InSAR对铁路设施形变的定量化监测提供参考。
铁路设施 接触网立柱 遥感 光SAR融合 目标检测 railway facility contact wire column remote sensing optical SAR fusion object detection 贾剑利 1,2,3韩慧妍 1,2,3,*况立群 1,2,3韩方正 1,2,3[ ... ]张秀权 1,2,3
1 中北大学计算机科学与技术学院，山西 太原 030051
2 机器视觉与虚拟现实山西省重点实验室，山西 太原 030051
3 山西省视觉信息处理及智能机器人工程研究中心，山西 太原 030051
当前基于深度学习的目标检测算法已较为成熟。然而，基于少量样本检测新类仍具有挑战性，因为少样本条件下的深度学习容易导致特征空间退化。现有工作采用整体微调范式在丰富样本的基类上进行预训练，在此基础上构建新类的特征空间。然而，新类基于多个基类隐式地构造特征空间，其结构较为分散，导致基类与新类之间可分性较差。采用对新类和与其相似的基类进行关联再识别的方法进行少样本目标检测。通过引入动态感兴趣区域头，提升模型对训练样本的利用率，基于二者间的语义相似度，显式地为新类构建特征空间。通过解耦基类和新类的分类分支、添加通道注意力模块及增加边界损失函数，提升二者间的可分性。在标准PASCAL VOC数据集上的实验结果表明，所提方法的nAP50均值较TFA、MPSR及DiGeo分别提升10.2、5.4、7.8。
少样本目标检测 关联和识别 动态感兴趣区域头 通道注意力 边界损失 激光与光电子学进展
2024, 61(8): 0837015
