本技术属于目标检测领域，公开了一种三维目标检测模型优化方法及相关装置，包括:获取训练数据，并将三维目标检测模型通过训练数据进行N次训练，得到N个预训练三维目标检测模型；获取各预训练三维目标检测模型的各检测框的定位置信度方差，并根据预设的定位置信度方差阈值，得到异常检测框；将异常检测框对应的真值框在几何位置不变的情况下放置于训练数据的若干目标点云帧中，当在若干目标点云帧下三维目标检测模型表现出一致的异常检测行为时，对训练数据进行数据增广后训练三维目标检测模型。不仅显著提升了三维目标检测模型的检测精度和效率，也赋予了模型更强的泛化能力，使其能够更好地适应各种实际应用场景中的复杂性和不确定性。

 一种基于改进YOLOv8的PCB表面缺陷检测方法，包括:获取PCB缺陷的图片，并使用标注软件进行人工标注和扩充处理，制作PCB表面缺陷的数据集，并将数据集划分为训练集、验证集和测试集；构建基于改进YOLOv8的PCB表面缺陷检测网络模型；使用训练集对基于改进YOLOv8的PCB表面缺陷检测网络模型进行训练；使用验证集和测试集对训练后的基于改进YOLOv8的PCB表面缺陷检测网络模型进行评估；本技术在保证PCB表面缺陷检测精度提升同时，又能提升缺陷检测的回归率。

 本技术公开了一种基于元学习的芯片表面缺陷目标检测网络及其训练方法和应用，通过构建支持元学习的芯片表面缺陷目标检测网络，包括依次连接的编码器、解码器、检测头；编码器采用Resnet网络，Resnet网络包括多个Layer，以输出不同大小的特征图；解码器由多个多尺度特征融合模块组成，对特征图进行多尺度特征融合得到用于预测目标位置的预测特征图，检测头能够实现对中心点位置信息和分类信息进行回归预测以及对中心点与目标预测框之间的距离进行回归预测；训练好的芯片表面缺陷目标检测网络结构可用于对芯片表面缺陷进行检测。

 本技术公开了一种基于隐式神经表示的遥感影像超分辨率方法、系统及设备，属于深度学习和遥感影像处理技术领域。本发明的方法先获取适用于遥感影像数据集并基于此训练遥感影像超分辨率模型，然后将待重建的低分辨率遥感影像和预先构建好的查询数组作为输入，由层次化特征金字塔提取模块进行多尺度特征提取，由双路径隐式注意力特征融合模块进行融合，最终由隐式高分辨率重建模块进行高分辨率图像的重建。本发明将特征金字塔、注意力机制等与隐式神经表示相结合，将不同层次的特征融合在一起，解决了遥感影像超分辨率过程中多尺度特征融合与高效信息提取的问题，能够提高遥感影像超分辨率精度的同时，实现遥感影像连续尺度超分辨率的目标。

 本技术所提供的一种基于参数化表达的点云表面重建方法、装置、终端及介质，该方法包括:获取目标物体对应的待处理点云，基于参数化表达确定锚点的参数化曲面，以利用参数化曲面表示待处理点云的物体表面；将参数化曲面转换为三角网格以重建目标物体的三维表面；其中，参数化表达由任意数量的锚点组成，且锚点位于目标物体的内部或外部并面向目标物体的表面对目标物体进行观测，得到基于锚点的位置、朝向以及预先构建的基函数的系数表示的观测信息，以利用观测信息表示锚点的参数化曲面。本发明基于参数化表达表示点云的物体表面，并将参数化表达转换为三角网格，实现点云的表面重建，能够在保持较高计算效率的前提下恢复更准确的物体表面信息。

 本技术公开了一种基于目标置信分层关联策略的多目标跟踪方法，包括:输入视频V，将视频V分割成单独的帧序列fk；得到帧fk中所有行人目标的集合D；利用基于检测框变化趋势的遮挡目标运动状态预测方法，预测现有轨迹在当前帧fk中的位置；根据所述的预测轨迹和目标的置信分层关联策略，将预测轨迹与检测目标进行关联；保存匹配成功的轨迹集合Tmatched，对于当前帧中每个匹配成功的轨迹tk，利用匹配到的目标在当前帧的观测值，更新得到更精确的运动状态Xk和变化速度Pk；将视频V中的所有帧序列进行处理，输出多目标识别跟踪。本发明具有能提高在拥挤的复杂动态场景中跟踪目标的准确性和鲁棒性的特点。

 本文涉及一种细胞图像识别方法、装置、系统、计算机设备和介质。所述方法包括:接收图像采集装置发送的待测细胞图像；所述待测细胞图像是内窥镜视野中活体组织的实时图像，所述图像采集装置与所述内窥镜连接；基于所述待测细胞图像，通过训练好的细胞图像识别模型获得所述待测细胞图像的识别结果；所述识别结果包括细胞类别和细胞位置；其中，所述细胞图像识别模型以yolo网络为基础，且将GhostNet特征提取网络作为主干网络。采用上述方法能够快速进行图像分析，特别适应于手术时对目标区域是否存在肿瘤病变的快速诊断。

 本技术公开了一种改进型YOLOv8芯片表面缺陷轻量化目标检测模型及其训练方法与应用，搭建改进型YOLOv8芯片表面缺陷轻量化目标检测模型，包括Backbone部分、Neck部分和Head部分，Backbone部分多个AKConv模块和C2f模块堆叠而成，对输入的图片进行多次卷积，并输出多层有效特征层至Neck模块；Neck部分包括多尺度特征增强模块和跨尺度通道融合模块CCFM，多尺度特征增强模块采用RepGFPN网络，对Backbone部分输出的多层有效特征层进行有效融合；跨尺度通道融合模块CCFM用于自动调节特征融合权重；Head部分输出芯片表面缺陷检测结果；利用训练好的改进型YOLOv8目标检测模型对芯片表面缺陷进行检测，可以克服对于小目标、复杂背景时检测效果不佳的缺陷，提升缺陷检测的速度与精度。

 本技术公开了一种基于时空超分辨率和神经辐射场的三维场景渲染方法，属于三维场景重建领域，该方法包括以下步骤:将多视图图像输入神经辐射场得到目标帧低分辨率图像和支持帧低分辨率图像；对目标帧低分辨率图像进行上采样处理得到第一分支的目标帧高分辨率图像；基于目标帧低分辨率图像和支持帧低分辨率图像采用视频插值网络处理并进行图像投影得到第二分支的目标帧高分辨率图像；将第一分支的目标帧高分辨率图像和第二分支的目标帧高分辨率图像输入轻量级神经渲染器得到目标三维场景。

 本文涉及一种异常细胞检测方法、装置、计算机设备和存储介质。所述方法包括:对内窥镜细胞图像进行色度处理，得到色度处理后的内窥镜细胞图像；所述内窥镜细胞图像为荧光细胞图像；通过预先构建的深度学习模型提取所述色度处理后的内窥镜细胞图像对应的边缘特征，并根据所述边缘特征对所述色度处理后的内窥镜细胞图像中的细胞进行定位；将所述色度处理后的内窥镜细胞图像中各细胞的边缘特征与标准细胞特征进行相似度比对，将相似度小于预设阈值的细胞确定为异常细胞。采用本方法能够准确检测出染色不均匀区域的异常细胞。