ä¸ºäº†æ”¹å–„å’Œä¼˜åŒ–çœ¼é•œé•œç‰‡çš„åŠ å·¥æµç¨‹ï¼Œé¿å é•œç‰‡å°–è¾¹åŠ å·¥è¿‡ç¨‹ä¸­åˆ€è½´çŸ¢é‡å˜åŒ–å‰§çƒˆã€å½±å“å·¥ä»¶è¡¨é¢çš„åŠ å·¥è´¨é‡ï¼Œæå‡ºäº†ä¸€ç§åŸºäºŽUG NXçš„äº”è½´æ•°æŽ§åŠ å·¥è·¯å¾„ã€‚åˆ©ç”¨æ™ºèƒ½é•œæ¡†æ‰«æä»ªå¯¹é•œæ¡†è¾¹ç¼˜è¿›è¡Œæ‰«æï¼ŒèŽ·å¾—é•œæ¡†å‡¹æ§½ç‚¹äº‘æ•°æ®æ–‡ä»¶ï¼Œç¼–å†™ç›¸åº”ç¨‹åºå¯¹ç¬¦åˆçœ¼é•œç‰‡åŠ å·¥æ ‡å‡†çš„OMAæ–‡ä»¶ä¸­çš„çƒåæ ‡æ•°æ®è¿›è¡Œåæ ‡åŠæ ¼å¼è½¬æ¢ç­‰å¤„ç†ã€‚åŸºäºŽNURBSæ›²çº¿æ‹Ÿåˆç®—æ³•ï¼Œå®žçŽ°åˆ€è·¯è½¨è¿¹çš„è¿žç»­æ€§å¹¶ä¿è¯æ‹Ÿåˆæ›²çº¿çš„ç²¾åº¦ã€‚è®¾è®¡å’Œå»ºç«‹ä¸€ç§æŽ§åˆ¶åˆ€è½´çŸ¢é‡å¹³æ»‘å˜åŒ–çš„åˆ€è½´é©±åŠ¨çº¦æŸæ–¹æ³•ï¼Œä¾é æ›²çº¿é©±åŠ¨åˆ€è½´åŠé•œç‰‡æ›²é¢æ³•å‘é‡çº¦æŸåˆ€è½´ä½¿åˆ€å¤´å¹³æ»‘è¿›ç»™ï¼Œå¹¶å°†åˆ€è½¨æ–‡ä»¶ç»è¿‡åŽå¤„ç†è½¬æ¢ä¸ºNCæ–‡ä»¶ã€‚æœ€åŽï¼Œå¯¹åŠ å·¥åŽçš„é•œç‰‡è¿›è¡Œè¯¯å·®æµ‹é‡ï¼Œç»“æžœè¡¨æ˜Žï¼Œé€šè¿‡ç‚¹äº‘æ•°æ®æ‹Ÿåˆåˆ€è·¯æ›²çº¿çš„æ–¹æ³•æé«˜äº†åŠ å·¥é¢çš„ç²¾ç¡®åº¦å’Œå ‰æ»‘æ€§ï¼Œæœ‰æ•ˆç¼©å‡äº†åŠ å·¥æµç¨‹ï¼Œæé«˜äº†åŠ å·¥æ•ˆçŽ‡ã€‚

为克服激光、相机在雷视监控设备测速任务中的采集频率、分辨率、视角等差异，提出一种影像优先与二维三维视图一体的多目标连续追踪测速方法。首先，均匀选取场景几何特征同名点对，采用直接线性变换法计算外参参数，在线完成相机与激光雷达间标定；然后，提出视觉引导的视锥体空间下二维三维一体目标定位方法，以高分辨率地面点计算区域界限初步去除背景点，将视锥三维视图转换为二维俯视图自适应计算目标聚类参数，以二维最密体素指引恢复至三维选取起始种子点完成聚类定位以消除无关点，解决视角导致的不同分辨率点云目标检测混淆问题；最后，基于卡尔曼滤波，考虑车辆运动状态，根据离散同步帧点云定位结果将测速过程建模为相应观测方程，并以点云分辨率估计观测噪声协方差矩阵，实现对离散测速结果的连续最优估计，解决观测噪声以及两设备时间异步的误差影响。在常见交通场景的图像+点云数据下进行实验，结果表明，本文方法速度测量的平均绝对误差为0.276 4 m/s，均方根误差为0.325 1 m/s，最远探测距离达到103.211 m，具有较高的准确性和实用性。

砂粒显微图像分割可以辅助地质评估，但因其种类繁多，特征复杂，为分割的准确度带来了挑战。针对该类图像提出一种增强型金枪鱼群优化指数熵的分割方法（ETSO-EXP），可以有效保留各类砂粒的纹理特征。首先，针对金枪鱼群优化算法（TSO）在全局搜索与局部开发上的若干不足，提出了混沌扰动策略、动态权重策略和余弦干扰策略对其增强，基准函数实验表明ETSO大幅提高了收敛精度，小幅提高了收敛速度。其次，将ETSO用于确定EXP的分割阈值，以分割图像的信息量为标准验证了该方案的可行性。最后，在雅鲁藏布江砂粒显微图像数据集上进行分割实验，与TSO-EXP相比，ETSO-EXP分割的图像在峰值信噪比、结构相似性、特征相似度和寻优速度的评估上分别达到了18.78%，6.85%，4.16%和3.83%的提升，在同类分割方法中性能最优。结果表明，分割方法ETSO-EXP对于对比度较高、纹理丰富或砂粒碎屑尺寸差异较大的图像都具有较高的分割精度和计算速度。

针对基于深度学习的点云分类分割网络在局部上下文信息提取和近邻点特征表达上的不足，以及最大池化容易丢失次优信息的问题，提出结合双注意力和加权动态图卷积网络的点云分类分割算法。首先，加权动态图卷积利用加权K近邻算法构建鲁棒的局部结构，并引入强化边卷积模块对点特征加权以得到强化后边特征。然后，通道注意力构造通道相关性并释放各通道潜力，再利用空间注意力感知三维点云的空间结构，以增强局部语义特征的表达，并提取有效上下文信息与深层语义特征。最后，采用TopK池化添加次优特征。实验结果表明，该算法在ModelNet40分类数据集上总体分类精度达到93.36%，在ShapeNet Part部件分割数据集上平均交并比达到85.96%，能够有效提取上下文信息和增强近邻点特征表达，表明了算法的有效性。

针对膝骨关节炎的多分类准确率低，对膝骨关节图像特征提取不充分的问题，提出了基于多模态融合的3DRes-ViT网络模型。设计一种三维卷积神经网络（3D Convolutional Neural Networks， 3D CNN），分别提取双回声稳态（DESS）和快速自旋回波（TSE）磁共振成像（Magnetic Resonance Imaging，MRI）序列的三维浅层特征。研究发现这两种信息具有互补性，将这些特征进行融合。通过高效通道注意力（Efficient Channel Attention， ECA）模块捕捉融合后特征通道间的依赖关系，并输入到Vision Transformer（ViT）编码器中，结合3DCNN和ViT的优势高效聚合两个模态的局部特征和全局特征。最后，ViT的输出再与二维卷积神经网络（2D CNN）提取的X光图像特征进行融合，以进一步提升分类性能。实验结果表明，本文方法在KOA四分类任务中表现优异，平均分类准确率达到了91.2%、平均精度为91.6%，F1分数为0.914，平均绝对误差降低至8.8%，显著提高了膝骨关节炎多分类的准确率。

工业生产中的自动化智能化离不开自动目标检测，而高准确性的自动目标检测则依赖于与实际场景相适应的数据集。本文针对工业实际场景，发布了一个密集控制阀零件数据集，命名为PD4CV（Part Detection for Control Valve）2023。该数据集的图像全部来源于控制阀生产车间，图像采集完成后，首先对数据集图片进行预处理操作，接着对数据集图片中的零件目标进行标注，然后再对数据集图片进行训练集、验证集以及测试集的划分。PD4CV2023数据集共涵盖9类零件，包括510张工盘图像和15 015个零件样本，平均每张图像含有约29个零件样本。与现有的目标检测数据集相比，该数据集具有零件摆放密集、遮挡，零件尺寸差异大，部分零件外形相似，零件样本数量不均衡等特点。最后，在不同类型数据集上的预训练对比实验表明，一般场景数据集、特定工业场景数据集只适用于一般和特定任务，而代表实际控制阀生产工况下的PD4CV2023数据集，可用于控制阀零件目标检测，其具有其特殊性和不可替代性；一系列目标检测算法在该数据集上的综合对比则验证了PD4CV2023数据集在一般性目标检测、多尺度目标检测、小规模、不均衡数据下目标检测中的有效性。PD4CV2023数据集可用于面向工业的目标检测的相关研究。

High-quality ghost imaging (GI) at low sampling rate is of great importance for scientific research and practical applications. Therefore， the reconstruction of high-quality images under low sampling rate con• ditions remains the focus of GI research. In this paper， a high-quality passive compressive ghost image recon• struction algorithm was proposed， called PCGI-LRC. Based on the assumption that the matrices stacked with nonlocal similar blocks of an image have low-rank and sparse singular values， a joint iterative solution of the least squares problem was demonstrated theoretically and experimentally and the low-rank approximation problem of the nonlocal similar blocks can achieve high-quality ghost images under low sampling rate condi• tions (6. 25%-50%). Moreover， the experimental results show that the proposed algorithm outperforms the GI based on sparse basis constraints (GI-SBC) and GI based on full variational constraints (GI-TVC) algo• 文章编号 1004-924X (2024)01-0012-12 收稿日期： 2023-06-26； 修订日期： 2023-08-22. 基金项目： 国家十四五预研基金资助项目(No. 514010405) 第 1 期 雷 腾， 等： 低秩聚类被动压缩鬼成像 rithms regarding peak signal-to-noise ratio (PSNR)， structural similarity coefficient (SSIM)， and visual ob• servation. Information of the target is preserved while the reconstruction noise is suppressed； the PSNR is improved by more than 1. 1 dB and the SSIM improvement is higher than 0. 04 dB. Key words： ghost imaging； image reconstruction； image suppression； single pixel imaging

由于不同的照明条件、复杂的大气环境等因素，相同端元的光谱特征在图像的不同位置呈现出可见的差异，这种现象被称为端元的光谱变异性。在相当大的场景中，端元的变异性可能很大，但在适度的局部同质区内，变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model，PLMM）在解混的过程中可以减轻端元变异性造成的不利影响，但是对缩放效应造成的变异性的处理能力较弱。为此，本文改进了扰动线性混合模型，引入了尺度因子以处理缩放效应造成的变异性，并结合超像素分割算法划分局部同质区，然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing，SEVU）。与扰动线性混合模型，扩展线性混合模型（Extended Linear Mixing Model，ELMM）等算法相比，所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance， mSAD）和丰度均方根误差（abundance Root Mean Square Error， aRMSE）最优，分别为0.085 5和0.056 2；在Jasper Ridge和Cuprite真实数据集上mSAD是最优的，分别为0.060 3和0.100 3。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。