【摘 要】
：
图像配准任务要求算法能够将不同视角、不同时间或不同传感器采集到的图像进行匹配，使其达到像素间的对准关系。图像配准是数字图像处理领域的一项关键技术，被广泛应用在医学影像诊断、遥感监测、立体视觉等领域。现有的图像配准算法中，借助图像采集设备参数的方法存在硬件内参难以获得或精度不够的问题，采用匹配图像特征计算图像单应性的方法存在对场景的深度信息利用不全的问题。针对这一现象，提出结合可见光图像与其深度信息
论文部分内容阅读
图像配准任务要求算法能够将不同视角、不同时间或不同传感器采集到的图像进行匹配，使其达到像素间的对准关系。图像配准是数字图像处理领域的一项关键技术，被广泛应用在医学影像诊断、遥感监测、立体视觉等领域。现有的图像配准算法中，借助图像采集设备参数的方法存在硬件内参难以获得或精度不够的问题，采用匹配图像特征计算图像单应性的方法存在对场景的深度信息利用不全的问题。针对这一现象，提出结合可见光图像与其深度信息来生成更具有真实性的配准图像对数据，用以训练得到一个可以进行像素级别图像配准的深度神经网络（Pixel-
其他文献
针对现有基于深度学习的通用目标检测方法对机场场面环境目标尺度差别大，特别是小目标难以检测到的问题，提出了一个基于SSD算法并结合特征金字塔融合网络的多尺度目标检测算法。该算法首先采用了更深的ResNet-50作为骨干网络，并单独设计了六层额外特征层。其次，使用特征金字塔网络进行特征融合，以获得更鲁棒的语义信息。最后使用Soft-NMS以解决存在的漏检情况，调整先验框的尺度比以更好的检测小目标。通过
针对医学图像分辨率小、边缘模糊、感兴趣区域（ROI）区域不明显造成的分割不准确性问题，提出了一种新型Mobile-Unet网络的肺结节图像分割方法。该方法首先使用Mobilenet中bneck模块替换Unet网络的下采样部分，并对输入图像进行特征提取；然后，将下采样提取的特征按照Unet网络连接方式融合到上采样部分；最后，利用训练好的网络得到分割结果。实验利用采集的肺结节数据集对Mobile-Un
提高SLAM(Simultaneous Localization And Mapping)算法的精度和鲁棒性是解决室外移动机器人自主定位问题的关键。针对单目相机在室外复杂环境下易受到遮挡、相机移动过快、图像模糊以及机器人纯旋转下算法精度和鲁棒性下降、低精度IMU(Inertial Measurement Unit)的累积偏移等问题，提出了一种多目相机与IMU融合的方案——MCSI-VINS(Mul
生成对抗网络在图像生成方面具有广泛应用。但基于无监督方式与有监督方式的网络生成样本仍有较大差距。为解决生成对抗网络在无监督环境中生成样本多样性差、质量较低以及模型训练时间过长等问题，提出了具有选择性集成学习思想的生成对抗网络模型。具体地将生成对抗网络中的判别网络采用集成判别系统的形式，有效的减少了由单判别器判别性能不佳导致判别误差的情况；同时考虑到若集成判别网络均采用统一网络设置，则在模型训练中基
针对眼底视网膜血管分割中血管边界难以精确识别以及血管与背景对比度低而难以分割的问题，提出一种编码器-解码器结构的算法。为了提高算法在血管边界的分割能力，在编码部分采用全局卷积网络和边界细化替换传统的卷积层；在跳跃连接部分引入改进的位置注意模块和通道注意模块，目的是增加血管与背景之间的对比度，使网络更好的将血管与背景分割开；此外，为了提高网络的性能，在编码部分的最后一层使用密集卷积网络解决网络过拟合
目前视频目标分割算法多是基于匹配和传播策略分割目标，常常以掩模或者光流的方式利用前一帧的信息， 该文探索了新的帧间特征传播方式，利用短时匹配模块提取前一帧信息并传播给当前帧，提出一种面向视频序列数据的目标分割模型. 通过长时匹配模块和短时匹配模块分别与第一帧和前一帧做相关操作进行像素级匹配，得到的全局相似性图和局部相似性图，以及前一帧的掩模和当前帧的特征图，经过两个优化网络后通过分割网络得到分割结
RGB-D图像显著性检测旨在提取三维图像中的显著目标。为解决当前显著性检测算法难以检测出光线干扰场景内的目标和低对比度的目标等问题，提出了基于跳层卷积神经网络的RGB-D图像显著性检测方法。利用VGG网络分离出RGB图像和深度图像的浅层与深层特征，而后进行特征提取;以跳层结构为基础连接提取到的特征，实现融合深度、颜色、高级语义和细节信息的目标，同时生成侧输出;最后，将侧输出进行融合，得到最佳的显著
Dear editor,The human motion recognition based on the segmented datasets is a hot multidisciplinary research topic in the field of computer vision. However, in reality, the collected data is without s
利用深度学习技术对颅脑核磁共振图像(MRI)中三叉神经区域进行自动检测可为后续三叉神经分割提供可靠的输入图像，从而有效解决人工筛选三叉神经对临床医生专业素养要求高、耗时长等弊端。采用YOLO网络用于自动检测颅脑核磁共振图像的三叉神经区域，为提高推理速度，系统性地评估了NVIDIA TensorRT框架在不同计算平台下的推理性能。实验结果表明通过YOLO目标检测网络能够准确检测出包含三叉神经的区域，
应用基于各种卷积神经网络算法的图像处理技术对表面缺陷进行检测识别，不仅可以降低人工的成本，还可以大大提高效率和准确度。但是，当前比较热门的图像处理技术普遍存在计算量大、存储成本高以及模型复杂等特点，与工业应用所要求的高实时性以及有限的计算资源相悖。因此提出一种基于多尺度压缩卷积神经网络模型（MC-CNN）进行表面缺陷快速检测，通过网络结构优化、知识蒸馏、网络修剪以及参数量化等压缩方法对网络进行多尺