本文涉及一种肺部肿瘤细胞扩散方向标记方法、装置和计算机设备。所述方法包括:构建淋巴和血管框架图，采用预先训练的机器学习模型识别待标记的肺部CT图像中的血管结构和淋巴结构；根据淋巴和血管框架图进行配准，得到配准血管结构和配准淋巴结构；在已配准的肺部CT图像中识别肿瘤，及肿瘤与配准血管结构的第一位置关系、肿瘤与配准淋巴结构的第二位置关系和肿瘤在肺部结构中的第三位置关系；根据所述第一位置关系、所述第二位置关系以及第三位置关系，计算得到肿瘤中的肿瘤细胞进行血管扩散、淋巴扩散和直接扩散的概率以及扩散方向，并进行标记。采用本方法能够精准及高效的扩散标记。

 本技术公开了一种轻量化水下目标检测方法，涉及水下目标检测技术领域，包括:以YOLOv8为基准模型，对所述YOLOv8的网络骨干使用轻量化的RepGhost重参数模块实现特征复用，并采用SPD卷积模块替换网络骨干的卷积层；采用全局特征金字塔GFPN替换所述YOLOv8的网络颈部，进行特征融合；采用CLLA检测头替换所述YOLOv8的网络头部，提高对目标的识别和定位，获得轻量化水下目标检测模型；对所述轻量化水下目标检测模型进行性能评估，并将其应用到实际场景中，实现水下目标检测。本发明解决了传统方法在复杂水下环境和有限的计算资源下难以进行准确检测，以及未能考虑模型轻量化的问题。

 本技术涉及图像处理技术领域，具体为一种小型人脸检测方法、电子设备及存储介质，包括:选取人脸图像数据集，对所述人脸图像数据集中的图片进行预处理；将预处理后的图片输入至深度学习网络模型，所述深度学习网络模型包括Backbone网络、Neck网络和Head部分；设置适合所述深度学习网络模型的损失函数，训练并调整模型参数；将待检测的小型人脸图像输入至最优网络模型，输出小型人脸图像检测结果图，所述最优网络模型为将模型参数调整至最优后的深度学习网络模型；选择性状态空间模型的引入作为一种创新技术，在具有较强的全局特征提取能力的同时，有效地减轻了模型的计算负担。

 本技术公开了一种基于CMV3‑TFNet轻量化模型的三维掌纹感兴趣区域提取方法。该方法包括以下步骤:首先，利用三维掌纹采集系统，通过四步相移法采集十二幅变形条纹图，生成二维掌纹深度图；对收集的手掌图像数据进行预处理；利用CMV3‑TFNet模型架构对预处理后的图像进行掌纹中心定位和旋转角度预测，模型结构中引入极坐标变换网络PTN以增强旋转鲁棒性，使用深度可分离卷积和轻量化Transformer模块来提升计算效率，并通过CBAM模块加强特征提取能力。最后，对旋转校正后的掌纹图像进行裁剪，提取掌纹的感兴趣区域。所述方法在多种数据集上取得了良好的性能，具备在旋转复杂场景中准确提取掌纹感兴趣区域的能力。

 本技术涉及景区垃圾监测感知技术领域，具体涉及一种垃圾智能监测感知系统及其应用，系统包括采集模块、传输模块、云识别模块，其中:所述采集模块定点设置在待感知的区域内，采集待感知区域内的视频数据，将采集的所述视频数据通过所述传输模块上传到云识别模块，所述云识别模块对所述视频数据进行目标检测，并将待感知区域的垃圾检测结果以及垃圾检测得到的分布情况推送到客户端。本发明能够有效对特定区域内的垃圾分布情况进行感知，并通过获取的来及分布情况有效对特定区域内的垃圾桶以及清洁工人进行调度，可以提高清洁效率，保证特定区域内的卫生情况。

 本文涉及一种遥感数据变化检测系统，包括:基于单流的轻量化变化检测网络模型Lite‑CDNet，该模型包括深度特征融合模块DFFM、多尺度特征提取器以及多尺度轴向注意力模块MAA；通过深度特征融合模块DFFM对输入的双时相图像进行特征融合后，利用轻量化网络模型ShuffleNetv2进行多尺度特征提取，并通过多尺度轴向注意力模块MAA帮助模型识别变化的区域特征并改进特征细节；在训练过程中使用渐进式变化平衡采样策略PCBS来促进模型收敛。本申请能够保证检测精度，同时解决数据样本不平衡问题。

 本技术属于数字图像处理技术领域，公开了一种气动热辐射效应图像序列亮度均匀化方法及系统，方法包括:基于退化图像序列中每一帧退化图像的气动热辐射效应偏置场拟合系数向量，构造偏置场拟合系数向量的权函数；用所述权函数构造每一帧退化图像的偏置场稀疏向量：拟合每一帧退化图像的偏置场；用每一帧退化图像减去对应的拟合的偏置场，得到每一帧校正图像，以实现对所述退化图像序列的亮度均匀化。进一步地，通过构建每一帧校正图像的基于图像序列灰度分布的拟合函数，用所述拟合函数替换对应校正图像的均值，得到更新后的校正图像，实现对所述退化图像序列亮度的进一步均匀化。本发明能够对气动热辐射效应图像序列的亮度进行均匀化。

 本文涉及一种面向空间目标ISAR图像的特征点检测方法、装置和设备，通过采用物理光学法进行仿真构建基元图像数据集以及空间目标数据集，利用基元图像数据集对基础特征点检测模型进行训练，再对空间目标数据集中的每一张空间目标仿真图像进行多次仿射变换后，利用训练后的基础特征点检测模型对多次仿射变换后的图像进行基础特征点检测，得到对应空间目标仿真图像的伪真值标签，并利用空间目标数据集以及对应的伪真值标签对特征点检测模型进行训练，最后直接采用训练后的特征点检测模型对ISAR图像进行检测，即可得到空间目标的特征点，采用本方法在克服训练时标注图像太少问题同时，提高了空间目标检测结果的精度。

 本技术公开了一种基于XLSTM‑HVED神经网络的脑部神经胶质瘤缺失模态分割方法，包括如下步骤:步骤1、获取神经胶质瘤数据集，并将数据集划分为训练集和测试集；步骤2、构建用于神经胶质瘤分割的XLSTM‑HVED神经网络模型，所述XLSTM‑HVED神经网络模型包括SAVE编码器、Vision XLSTM注意力模块、分割解码器、重建解码器和DuSFE模块；步骤3、使用训练集对XLSTM‑HVED神经网络模型进行训练，结合神经胶质瘤图像特点,对XLSTM‑HVED神经网络模型参数调优；步骤4、使用测试集测试评估得到的XLSTM‑HVED网络模型，最终实现脑部神经胶质瘤缺失模态分割。

 本技术公开了一种基于渐进贪心算法的大范围森林点云单木分割方法，包括:获取机载LiDAR点云数据，采用布料模拟滤波滤除点云中的地面点；体素化，以树木点云的AABB包围盒为边界，计算每个点云所对应的体素键值并创建对应体素，采用空间哈希函数将体素键值编码为哈希索引并在该索引地址上存放对应体素的指针；渐进贪心分割；后处理；根据每个体素所包含的点云，以及体素所属的单木簇，对点云进行分割；输出每棵树的点云。本发明采用自底向上的分割策略，将不准确的底层信息逐渐传递到精确的顶层信息后再进行分割，并针对顶层信息从冠层整体分布特征而非局部最高点出发，避免困难的种子点识别和冠幅检测步骤，实现了快速贪心单木分割。