在SAR图像机动目标自动识别过程中,因目标预筛选阶段采用次优的异常检测策略而产生大量虚假的感兴趣区域(Region of Interest,ROI),这些虚假ROIs很大程度上降低了目标识别的效率。该文提出一种基于多特征联合的序贯鉴别算法来去除虚假R...在SAR图像机动目标自动识别过程中,因目标预筛选阶段采用次优的异常检测策略而产生大量虚假的感兴趣区域(Region of Interest,ROI),这些虚假ROIs很大程度上降低了目标识别的效率。该文提出一种基于多特征联合的序贯鉴别算法来去除虚假ROIs。该算法首先对ROI切片的目标特征做冗余性、鲁棒性和可分离性的定量分析,以选取互补性强、稳定好的最优特征,并按所选特征鉴别性能的优略进行排序,来构建序贯鉴别的观测矢量,然后利用各鉴别特征的统计模型和设定的虚警概率来计算各特征对应判决阈值,最后联合优选的多个特征进行序贯判决。文中利用X波段的MSTAR数据验证了本文的算法,并与二项式距离鉴别算法做性能比较。展开更多
针对现有跨垄式采茶机导航中心线提取效率低的问题,该研究提出一种基于机器视觉跟踪生长ROI茶垄间导航线提取算法。首先采用固定ROI(region of interest)方法,选取图像左下方区域为第一块ROI,在ROI内进行超绿指数灰度化,最大类方差法分...针对现有跨垄式采茶机导航中心线提取效率低的问题,该研究提出一种基于机器视觉跟踪生长ROI茶垄间导航线提取算法。首先采用固定ROI(region of interest)方法,选取图像左下方区域为第一块ROI,在ROI内进行超绿指数灰度化,最大类方差法分割茶垄道路与背景,通过形态学操作对图像进行增强与降噪,使用最大连通域检测操作提取ROI内的坐标信息与特征点,根据ROI提取的坐标信息动态生成ROI,直到整个图像中所有茶垄道路信息提取完成,最后采用最小二乘法获取跨垄式采茶机底盘在垄间行驶的导航线。该方法经过连续帧测试,处理一帧1920×1080像素图像的平均时间为18 ms,该研究算法与人工提取导航线的航向角平均误差为0.405°,标准差为0.463°,可在一定杂草、落叶干扰的情况下完成导航角提取。展开更多
Semantic Communication(SemCom)can significantly reduce the transmitted data volume and keep robustness.Task-oriented SemCom of images aims to convey the implicit meaning of source messages correctly,rather than achiev...Semantic Communication(SemCom)can significantly reduce the transmitted data volume and keep robustness.Task-oriented SemCom of images aims to convey the implicit meaning of source messages correctly,rather than achieving precise bit-by-bit reconstruction.Existing image SemCom systems directly perform semantic encoding and decoding on the entire image,which has not considered the correlation between image content and downstream tasks or the adaptability to channel noise.To this end,we propose a content-aware robust SemCom framework for image transmission based on Generative Adversarial Networks(GANs).Specifically,the accurate semantics of the image are extracted by the semantic encoder,and divided into two parts for different downstream tasks:Regions of Interest(ROI)and Regions of Non-Interest(RONI).By reducing the quantization accuracy of RONI,the amount of transmitted data volume is reduced significantly.During the transmission process of semantics,a Signal-to-Noise Ratio(SNR)is randomly initialized,enabling the model to learn the average noise distribution.The experimental results demonstrate that by reducing the quantization level of RONI,transmitted data volume is reduced up to 60.53%compared to using globally consistent quantization while maintaining comparable performance to existing methods in downstream semantic segmentation tasks.Moreover,our model exhibits increased robustness with variable SNRs.展开更多
针对现有加密算法在医学图像加密方面存在的效率低、健壮性差以及加密系统稳定性差的问题,设计一个图像感兴趣区域(Region Of Interest,ROI)加密方法。利用统计方法将医学图像中的规则区域或曲线区域提取出来,随机选取几个像素值进行迭...针对现有加密算法在医学图像加密方面存在的效率低、健壮性差以及加密系统稳定性差的问题,设计一个图像感兴趣区域(Region Of Interest,ROI)加密方法。利用统计方法将医学图像中的规则区域或曲线区域提取出来,随机选取几个像素值进行迭代生成加密密钥,对ROI进行置乱和扩散操作,完成ROI的空间域加密。所提算法在密钥随机性、抗攻击性以及健壮性等方面都表现出较好的性能,相比于同类加密算法表现出明显的优势,可以为医学领域保障患者图像信息安全提供技术支持。展开更多
为解决现有工件分类模型在处理高分辨率图像时非感兴趣区域(region of interest,ROI)的冗余计算问题,提出了1种ROI自适应轮廓驱动裁剪的工件分类网络模型(a workpiece classification network model with ROI adaptive contour-driven c...为解决现有工件分类模型在处理高分辨率图像时非感兴趣区域(region of interest,ROI)的冗余计算问题,提出了1种ROI自适应轮廓驱动裁剪的工件分类网络模型(a workpiece classification network model with ROI adaptive contour-driven cropping,ACDC-ClassNet)。该模型利用轮廓检测定位图像最大轮廓及其中心,据此生成标准化方形ROI裁剪区域,消除背景干扰。该模型采用预训练的50层残差网络(residual network-50 layers,ResNet-50),调整其分类头以适应工件类别数量,实现高效的特征聚焦与分类。结果表明,该ROI裁剪策略平均减少72.15%的冗余区域面积,使模型更专注于工件细节。相较于原始ResNet-50,ACDC-ClassNet在准确率、精确率、召回率、F1分数等指标上分别提升3.83、4.04、3.64、4.13个百分点。同时,该策略也优于高效网络(efficient network,EfficientNet)、视觉变换器(vision transformer,ViT)模型,准确率分别提升8.40、4.27个百分点。ACDC-ClassNet为工业背景下的高效视觉检测提供了新的技术路径。展开更多
文摘在SAR图像机动目标自动识别过程中,因目标预筛选阶段采用次优的异常检测策略而产生大量虚假的感兴趣区域(Region of Interest,ROI),这些虚假ROIs很大程度上降低了目标识别的效率。该文提出一种基于多特征联合的序贯鉴别算法来去除虚假ROIs。该算法首先对ROI切片的目标特征做冗余性、鲁棒性和可分离性的定量分析,以选取互补性强、稳定好的最优特征,并按所选特征鉴别性能的优略进行排序,来构建序贯鉴别的观测矢量,然后利用各鉴别特征的统计模型和设定的虚警概率来计算各特征对应判决阈值,最后联合优选的多个特征进行序贯判决。文中利用X波段的MSTAR数据验证了本文的算法,并与二项式距离鉴别算法做性能比较。
文摘针对现有跨垄式采茶机导航中心线提取效率低的问题,该研究提出一种基于机器视觉跟踪生长ROI茶垄间导航线提取算法。首先采用固定ROI(region of interest)方法,选取图像左下方区域为第一块ROI,在ROI内进行超绿指数灰度化,最大类方差法分割茶垄道路与背景,通过形态学操作对图像进行增强与降噪,使用最大连通域检测操作提取ROI内的坐标信息与特征点,根据ROI提取的坐标信息动态生成ROI,直到整个图像中所有茶垄道路信息提取完成,最后采用最小二乘法获取跨垄式采茶机底盘在垄间行驶的导航线。该方法经过连续帧测试,处理一帧1920×1080像素图像的平均时间为18 ms,该研究算法与人工提取导航线的航向角平均误差为0.405°,标准差为0.463°,可在一定杂草、落叶干扰的情况下完成导航角提取。
基金supported by the National Science Fund for Excellent Young Scholars(No.62422112).
文摘Semantic Communication(SemCom)can significantly reduce the transmitted data volume and keep robustness.Task-oriented SemCom of images aims to convey the implicit meaning of source messages correctly,rather than achieving precise bit-by-bit reconstruction.Existing image SemCom systems directly perform semantic encoding and decoding on the entire image,which has not considered the correlation between image content and downstream tasks or the adaptability to channel noise.To this end,we propose a content-aware robust SemCom framework for image transmission based on Generative Adversarial Networks(GANs).Specifically,the accurate semantics of the image are extracted by the semantic encoder,and divided into two parts for different downstream tasks:Regions of Interest(ROI)and Regions of Non-Interest(RONI).By reducing the quantization accuracy of RONI,the amount of transmitted data volume is reduced significantly.During the transmission process of semantics,a Signal-to-Noise Ratio(SNR)is randomly initialized,enabling the model to learn the average noise distribution.The experimental results demonstrate that by reducing the quantization level of RONI,transmitted data volume is reduced up to 60.53%compared to using globally consistent quantization while maintaining comparable performance to existing methods in downstream semantic segmentation tasks.Moreover,our model exhibits increased robustness with variable SNRs.
文摘针对现有加密算法在医学图像加密方面存在的效率低、健壮性差以及加密系统稳定性差的问题,设计一个图像感兴趣区域(Region Of Interest,ROI)加密方法。利用统计方法将医学图像中的规则区域或曲线区域提取出来,随机选取几个像素值进行迭代生成加密密钥,对ROI进行置乱和扩散操作,完成ROI的空间域加密。所提算法在密钥随机性、抗攻击性以及健壮性等方面都表现出较好的性能,相比于同类加密算法表现出明显的优势,可以为医学领域保障患者图像信息安全提供技术支持。
文摘为解决现有工件分类模型在处理高分辨率图像时非感兴趣区域(region of interest,ROI)的冗余计算问题,提出了1种ROI自适应轮廓驱动裁剪的工件分类网络模型(a workpiece classification network model with ROI adaptive contour-driven cropping,ACDC-ClassNet)。该模型利用轮廓检测定位图像最大轮廓及其中心,据此生成标准化方形ROI裁剪区域,消除背景干扰。该模型采用预训练的50层残差网络(residual network-50 layers,ResNet-50),调整其分类头以适应工件类别数量,实现高效的特征聚焦与分类。结果表明,该ROI裁剪策略平均减少72.15%的冗余区域面积,使模型更专注于工件细节。相较于原始ResNet-50,ACDC-ClassNet在准确率、精确率、召回率、F1分数等指标上分别提升3.83、4.04、3.64、4.13个百分点。同时,该策略也优于高效网络(efficient network,EfficientNet)、视觉变换器(vision transformer,ViT)模型,准确率分别提升8.40、4.27个百分点。ACDC-ClassNet为工业背景下的高效视觉检测提供了新的技术路径。
