基于加权有界形变函数的可形变图像配准模型

可形变图像配准是图像处理领域中一个非常重要的课题,是计算机视觉中最基本的问题之一,也是医学图像分析的一个难题。文中研究了两幅单模态灰度图像之间的图像配准问题,充分考虑了参考图像的边缘信息,提出了一个新的基于加权有界形变函数的可形变图像配准模型。首次提出了加权的有界形变函数空间,给出了该空间的定义及相关结论,并从理论上证明了所提模型解的存在性。同时,利用梯度下降法设计了有效的算法进行数值求解,分别在合成图像和医学图像上进行数值实验。实验结果和定量评估结果表明,与对比模型相比,所提模型由于引入了控制函数且将加权有界形变函数作为正则项,得到了更精确的配准结果,特别是在图像边缘及一些细节处配准效果有明显提高。

基于可形变卷积与SimAM注意力的密集柑橘检测算法

针对现有检测算法难以检测自然场景下小而密集的柑橘问题,提出一种DS-YOLO(Deformable Convolution SimAM YOLO)密集柑橘检测算法。引入可形变卷积网络(Deformable Convolution)代替原YOLOv4中的特征提取网络部分卷积层,使特征提取网络能自适应提取遮挡、重叠等导致柑橘形状信息缺失的位置特征,在特征融合模块中,增加新的检测尺度并融合SimAM注意力机制,增强模型对于小而密集柑橘特征的提取能力。试验结果表明:DS-YOLO算法相较于原YOLOv4准确率提高8.75%,召回率提高7.9%,F1分数提高5%,能够较准确检测自然环境下的密集柑橘目标,为密集水果产量预测和采摘机器人提供了有效的技术支持。

可形变自驱动粒子在不对称周期管中的定向输运

粒子的随机运动被整流为定向运动是非平衡统计物理的重要研究内容.尽管如此,在活性粒子整流的研究中,粒子通常被视为刚性的.然而,在软物质中,粒子通常具有可变形的性质.本文重点探讨了可形变自驱动粒子在非对称周期通道中的定向运输行为.由于这些粒子具有可变形的特性,它们可以通过比自身小的通道.本文通过数值计算发现,可形变自驱动粒子能够打破热力学平衡,在空间不对称的条件下产生定向运动.粒子的集体运动方向完全由通道的不对称性决定.本文还发现,增加自驱动速度和粒子软化都能促进粒子的整流,而增大密度和旋转扩散则会阻碍粒子的定向运动.本文的研究成果有助于理解可形变粒子在受限结构中的定向运动行为,并为相关软物质马达的实验研究提供理论支持.

可形变Transformer辅助的胸部X光影像疾病诊断模型

针对胸部X光影像中的灰雾现象、病变区域重叠等问题,提出可形变Transformer辅助的胸部X光影像疾病诊断模型.将扩展后的ResNet50作为特征提取网络,添加压缩型双注意力模块,增强病变区域与非病变区域之间的特征差异,降低冗余信息的干扰,提高图像数据的特征提取效果;通过可形变Transformer解码器内部的交叉注意力模块,引入类别表征作为先验知识,引导影像特征进一步融合,提高不同疾病在影像区域重叠情况下的特征区分度;将解码器的输出传入分类器中以获得最终的诊断结果.压缩型双注意力模块和可形变Transformer均起到降低模型计算复杂度的作用,引入非对称损失函数可以更好地解决正负样本不均衡.利用所提模型在公开数据集ChestX-Ray14和CheXpert上进行多组实验,在2个数据集上的受试者操作的特征曲线下面积值(AUC)分别达到0.8398和0.9061,表明该模型在胸部X光影像的疾病诊断方面具有正确性和有效性.

基于导向型级联可形变卷积的电气设备红外图像检测

基于红外图像的电气设备识别及其温度异常检测对摄像机拍摄角度变化敏感,提出一种基于导向型级联可形变卷积神经网络的户外电力设备识别检测算法。对残差网络进行改进,在网络的后三个残差块中加入可形变卷积层,以便更好地提取电气设备的特征;利用像素点的概率得分图,预测候选像素点;三个级联的检测器将标定的真实框与算法生成的候选预测框进行阈值筛选,得到最终的预测框。建立并标记了近万张包括绝缘子、电流互感器、避雷器、断路器、隔离开关、套管等6种电气设备及其温度异常数据集ELE,实验结果表明该算法检测平均精度均值(mAP)达到95.3%,对包含小目标温度异常区域检测的mAP达到了88.1%。

一种改进可形变FCN的农作物害虫检测方法

田间农作物害虫种类繁多,不同的生长阶段形态和颜色各异,在自然环境下采集的图像背景复杂,角度和尺度变化多样,从而使传统的害虫检测方法准确率较低。提出一种改进可形变全卷积神经网络(deformable fully convolution network,DFCN)的农作物害虫检测方法,该方法由编码模块和解码模块组成。编码模块在VGG16中采用了可形变卷积,能适应不同形状、位置和尺寸等几何形变的害虫图像。为了更好地保留害虫图像的纹理特征和背景特征,在编码模块中应用了混合池化,加快了网络的训练速度,提高了害虫检测的准确率;解码模块对编码的下采样层进行反卷积操作,最后应用像素级分类器获得有效的检测图像。在扩展的害虫图像数据集上与DFCN方法的分割精确度和平均交并比分别为90.43%、78.16%,较语义分割方法SegNet分别提高了3.27、3.72,单幅图像的识别时间为0.36 s,比SegNet加快了0.16 s。结果表明DFCN方法在害虫图像检测方面具有较高的准确率,分割速度快,可为复杂背景下农作物害虫检测提供一定的理论参考。

联合应用初至和浅层反射的二维可形变层析静校正

本文提出了一种联合应用初至和浅层反射时间的可形变层析方法(以下称联合可形变层析反演方法),用于地震资料的静校正量计算。理论模型数据测试显示,与其他方法相比,该方法比初至可形变层析方法、网格层析方法求出的速度界面的精度更高;实际地震数据测试表明,与其他方法相比,联合可形变层析法反演可以获得更合理的近地表速度模型,据此进行静校正处理获得的叠加剖面的反射同相轴的连续性明显优于初至可形变层析方法以及其他两种商业软件。

基于可形变模型的左心室形状恢复与运动跟踪

从心脏核磁共振图像恢复左心室的3D形状并跟踪其运动,是当前医学图像分析领域的重要研究课题之一。提出了一种基于可形变模型的左心室3D形状恢复与运动跟踪方法,该模型充分考虑了左心室的实际几何形状,将左心室描述为一个一端封闭、非轴对称、轴线弯曲的广义圆柱壳;模型的参数为函数,用全局参数即可捕捉左心室的局部形变;模型的求解纳入基于物理学的可形变模型框架之下,这样,左心室的形状恢复与运动跟踪变成一个动态的数据拟合过程。根据跟踪的结果可以观察左心室的容积、质量等在一个心动周期中的变化情况,计算每博容积、射血分数等心功能指标,为心脏疾病诊断提供直观的临床参考。

基于联合聚类和配准算法的可形变数字化概率图谱研究

可形变形状模型化的一个关键问题就是从一系列未标记的形状点集中估计一个有意义的平均形状。本文给出一种新的联合聚类和配准算法,它可以从多个形状采样的未标记点集中计算出这样一个平均形状,利用一种交替更新方法,将这些形状采样点集非刚性匹配到正在形成的平均形状上,然后根据得到的非刚性变换来估计平均形状,整个过程是完全对称的。这种方法对医学图像处理中建立基于人群的概率图谱非常有用。实验中将其应用到4个不同人脑部2D胼胝体数据中建立图谱(平均形状)。

可形变人脸模型研究进展综述

正确理解和跟踪人脸是构建能够在复杂人类环境中自主工作的智能机器系统的首要和关键步骤,可形变模型通过统计学习方法给出对象形状的紧凑数学表示,是达成这一目标的重要手段。从机器学习和计算机视觉领域角度,对人脸图像的可形变模型构建这一研究课题的最新研究进展进行了综述。特别地,对其中涉及的关键问题进行了归纳,并建立了一个抽象的统一贝叶斯可形变模型;在此框架下,对标准的点分布模型PDM模型及其最新研究进展进行了回顾、对一些主要的方法进行了介绍、对这些方法优缺点进行了对比分析。

一种基于改进的DDCM可形变模型的医学图像分割算法

提出一种基于传统DDCM模型的具有自适应能力的可形变模型算法。利用局部归一化Snakes外力场的方法,提高模型的抗噪声能力,同时降低对初始位置的敏感性;构造图像边界信息图,用统计学方法获得Snakes的即时位置信息,解决传统模型的难于收敛到凹型边界、收敛条件不易控制以及移动步长的单一等问题。这种改进的可形变模型具有一定的自适应能力和较强的鲁棒性,而且效率高,在临床中有一定的实用价值。

基于关键点的类别级三维可形变目标姿态估计

为了解决类别级三维可形变目标姿态估计问题,基于目标的关键点,提出了一种面向类别的三维可形变目标姿态估计方法。该方法设计了一种基于关键点的端到端深度学习框架,框架以PointNet++为后端网络,通过特征提取、部位分割、关键点提取和基于关键点的姿态估计部分实现可形变目标的姿态估计,具有计算精度高、鲁棒性强等优势。同时,基于ANCSH方法设计了适用于K-AOPE网络的关键点标准化分层表示方法,该方法仅需提取目标少量的关键点即可表示类别物体。为了验证方法的有效性,在公共数据集shape2motion上进行测试。实验结果显示,提出的姿态估计方法(以眼镜类别为例)在旋转角上的误差分别为2.3°、3.1°、3.7°,平移误差分别为0.034、0.030、0.046,连接状态误差为2.4°、2.5°,连接参数误差为1.2°、0.9°,0.008、0.010。与ANCSH方法相比,所提方法具有较高的准确性和鲁棒性。

可形变光学超构表面及其动态调控

经过近10年的发展,超构表面作为一种新型的二维人工微纳结构,在光场特性调控方面展现出了巨大的研究潜力。但要实现小型化、集成化的超构表面光电子器件,还需要进一步发展具备动态调控功能的光学超构表面。本文综述了近年来发展的可形变超构表面的研究进展,简要概述了以纳米剪纸技术为基础的可形变超构表面的设计和实现方法,并重点介绍了其在相位、偏振、光学手性、非线性辐射等方面优异的调控性能及其应用。这种灵活的、易实现的可形变超构表面在光场动态调控方面具有独特优势,为设计和实现新型微纳光电子器件提供了新的策略,有望推动新兴的应变光电子学的发展。

基于可形变自相关网络的图像篡改检测方法

基于深度学习的图像复制-粘贴篡改检测方法在特征提取过程中未考虑特征的空间排列,在小区域篡改样本下检测性能不佳。基于可形变自相关网络提出一种图像篡改检测方法。通过引入可形变卷积和多尺度空间金字塔,自适应地学习篡改目标的空间形变,同时通过构造自相关金字塔式特征层次结构,融合全局特征和局部特征以提升图像篡改检测性能。实验结果表明,该方法在公开的图像篡改检测基准上各项评测指标均优于对比方法,其精确率、召回率、F1值较BusterNet 2019分别提高14.85、15.04、12.81个百分点,在小区域篡改样本下性能优势更为明显。

轻量级可形变卷积神经网络DPCNs研究

本文针对可形变卷积会产生巨大的计算开销,使得检测速度减慢的问题,提出一种轻量级可形变卷积神经网络DPCNs。该网络使用了可形变逐点卷积(Deformable Pointwise Convolution)能有效缩减计算量,在保持非规则感受野特性并获得检测精度提升的同时,有效提高检测速度。此外将深度卷积与可形变逐点卷积相结合,可在保持模型轻量化的同时,进一步提高检测精度。实验结果表明,以Mask R-CNN作为基本检测框架,检测精度比普通卷积提高了1.7%,检测速度比可形变卷积提高了8%。

一种用于可形变对象操作的动力学模型隐式求解方法

机器人操作可形变对象在多类场景中具有重要的应用需求。然而,对象复杂的高维动力学模型导致难以准确、快速地计算其形变。本文建立了一种基于交替方向乘子法的对象形变动力学模型快速、准确、隐式优化求解方法。该方法以通用对象几何模型为输入创建有限元模型,并分别构建材料本构势能函数和操作及碰撞交互单元的位置约束能量函数。随后,采用动力学投影方法构建基于交替方向乘子法的两项优化求解问题,最终快速、准确地计算对象在机器人操作下的形变。数值实验表明,所提出的方法能够在保证相对形变计算误差低于5%的条件下,实现高于24帧/秒的物理形态更新。针对实际应用场景,对所提出的方法开展了从形变仿真预测到在线操作执行的量化评估以及全局约束环境下的离线规划和仿真应用验证。

基于形变残差和级联编码的胰腺分割模型

为解决深度卷积神经网络进行胰腺分割时存在的胰腺形状位置变化大、噪声干扰、部分小目标等问题,提出一种结合可形变收缩残差块(Deformable Shrinkage Residual Block,DSRB)与级联编码模块(Cascading Encoding Module,CEM)的胰腺分割模型DC U-net。该模型利用2个可形变卷积、注意力机制以及残差结构设计了DSRB,通过可形变卷积来解决胰腺形状位置变化大的问题,使用软阈值化来减少噪声干扰;采用CEM来进行特征融合,对编码特征进行复用以降低编解码阶段的特征差异度,加强对小目标特征的学习。在NIH公开数据集上的实验结果表明,本文模型DC U-net的平均Dice相似系数(Dice Similarity Coefficient, DSC)达到87.26%,平均交并比(Intersection Over Union, IOU)达到77.98%,分割精度优于对比模型。

基于形变卷积和深层聚合网络的水下文物检测

搭载有视觉检测系统的自主水下航行器(AUV)具有水下文物探测功能,对深海考古有着重要意义。水下文物所处环境复杂多变,目标存在破损、堆叠和泥沙掩埋等情况,导致判别特征提取困难,使得AUV视觉检测系统无法可靠、准确地实现水下文物的检测。针对上述问题,提出一种基于可形变深层聚合网络模型的水下文物检测算法。为了充分提取复杂环境下水下文物目标特征信息,设计了具有可形变卷积层的多尺度深层聚合网络。在此基础上,引入SimAM注意力模型进行特征优化,来增强文物目标潜在特征信息并削弱背景干扰。最后,通过不同尺度的特征融合实现水下文物检测。在采集的水下文物数据集上进行大量验证和分析,算法的精确率、召回率和平均精度均值(mAP)分别达到了92.7%、90.5%和92.2%。此外,算法已部署到AUV系统中。在实际深海测试场景中,视觉检测系统的文物检测帧率达到19 fps,可满足实时检测的任务需求。

具有复杂纹理的木板表面刮痕缺陷检测模型

为提高木板加工生产线自动化水平,基于Faster RCNN提出一种木板表面刮痕缺陷检测模型,识别和定位不同纹理背景下的木板表面刮痕缺陷。图像预处理阶段提出改进双边滤波算法,在保持刮痕细节特征的同时对纹理背景进行平滑处理;提出灰度自适应刮痕生成方法进行数据增强处理。引入可形变卷积增强模型特征提取能力,使用旋转包围框标注并提出新的包围框回归损失函数,解决水平包围框中刮痕缺陷占比远小于纹理背景的问题。通过实际木板加工生产线采集的图像验证了提出模型的有效性,并将提出的模型与其他缺陷检测方法进行了对比测试,结果证明了所提模型的优越性。

改进YOLOv8的道路交通标志目标检测算法

虽然,当前检测技术日趋成熟,但对于复杂环境下的小目标检测仍然是研究的重难点。针对道路交通场景中普遍存在的交通标志小目标比例较高,环境干扰因素较大的问题,提出了一种基于YOLOv8改进的道路交通标志目标检测算法。由于小目标检测中容易出现漏检的现象,利用BRA(bi-level routing attention)注意力机制提高网络对小目标的感知能力。此外,还利用可形变卷积模块DCNv3(deformable convolution v3),针对特征图中的不规则形状具有更好的特征提取能力,使骨干网络更好地适应不规则的空间结构,更精准地关注重要目标,从而提高模型对遮挡重叠目标的检测能力。DCNv3和BRA模块均在基本不增加模型权重大小的情况下提高模型准确性。同时引入基于辅助边框的Inner-IOU损失函数。在RoadSign、CCTSDB、TSDD、GTSDB四个数据集上,分别进行了小样本训练、大样本训练、单目标检测和多目标检测,实验结果均有所提高。其中,在RoadSign数据集上的实验结果最佳,YOLOv8改进模型的均值平均精度mAP50与mAP50:95分别达到了90.7%和75.1%,相较于基线模型,mAP50与mAP50:95分别提升了5.9和4.8个百分点。实验结果表明,YOLOv8改进模型有效地实现了在复杂道路场景下的交通标志检测。