本技术公开了一种基于多尺度特征融合Transformer的大豆叶片病害识别方法，包括以下步骤:S1：从公共数据集中获取不同类型的大豆叶片病害图像，S2：对采集的大豆叶片病害图像进行预处理操作，包括旋转、翻转、亮度调整、对比度调整；S3：构建大豆叶片病害识别模型；S4：对训练后的模型进行验证；S5：获取待识别的大豆叶片病害图像；S6：将待识别的大豆叶片图像输入构建好的大豆叶片病害识别模型中，识别并通过分类器输出病害种类；引入了金字塔池化模块和自注意力机制，并对通道注意力模块进行了优化，可以获取不同尺度之间的全局空间依赖关系，从而有效提高模型的识别准确率。

 本技术公开了一种面向雨天车辆检测的多模块协同式去雨方法及系统，给定输入多模块协同式去雨方法的有雨图像，通过卷积层完成原始噪声过滤，构建渐进式信息感知模块，用于丰富空间细节的提取与传递优先级高的信息，输出特征；特征在编码单元经下采样被逐级缩小至低分辨率，经中间层处理后，由解码单元映射至原始高分辨率，输出特征；特征经3×3卷积层映射后生成残差图像，通过与相加得到最终去雨结果。

 本技术公开了一种基于两阶段渐进式的去雨方法及系统，旨在解决智能网联汽车在雨天场景下车辆检测精度衰退的问题。该方法通过构建专门的车辆检测数据集MCGVD，并将其分为训练集和测试集，利用包含改进U‑Net的特征提取网络和特征融合机制的两阶段渐进式去雨网络TSPNet进行训练。测试集输入训练完成的TSPNet中，通过1x1卷积进行通道升维后提取浅层雨纹信息，再通过改进的编码器‑解码器架构完成深层雨纹信息的提取，最终复原得到车辆图像，实现雨天车辆检测。该系统通过轻量级特征提取与加权模块和高效率特征传递与融合模块，提高了去雨效果和图像质量，显著提升了车辆检测系统在复杂天气条件下的性能，具有重要的实际应用价值。

 本技术提出一种触屏交互下手绘微地图曲线拟合优化方法，涉及地图数据制备领域，本质上是一种复杂曲线拟合优化方法。该方法旨在优化移动端平台上用户手绘微地图曲线的几何形态，解决因手指遮挡、触屏精度等因素导致的手绘曲线抖动等问题，提升手绘微地图视觉效果和地理信息实用性。方法包括:通过分析手绘曲线的时空特征，选取分段点，将复杂曲线分段；运用支持向量机对线段进行分类；针对不同类型的线段采用最小二乘估计或贝塞尔曲线进行拟合优化；以主方向为约束，对优化后的线段进行方向规则化表达；最后，基于显著基准线将优化线段合并为完整曲线。本发明能有效提升手绘微地图的美观性和信息表达准确性，降低用户创作门槛，增强用户体验。

 本技术公开了一种结合图注意力和区域分类的视觉重定位方法，涉及计算机视觉中视觉重定位领域。该方法采取场景区域分类的方法，对空间场景进行建模与层次分类，对数据进行重标注，采用层次化的场景坐标区域回归与相对坐标预测的做法，将重定位问题由粗到细地将重定位问题前置转换为一个分类问题，最终将定位集中在一个小型区域内，有助于改善大场景规模下的重定位问题；运用图注意力机制，结合分类结果，使得图像中的像素点更好地获取与其处于同一个区域内的其他像素点的信息，产生更为优秀的特征表示。本发明能够解决真实场景下的视觉重定位问题。

 本文涉及三维空间生成式智能体生成方法、装置及电子设备。包括:通过基于预设场景元素搭建三维的活动场景，并搭建活动场景的时间系统；导入初始虚拟对象，设置初始虚拟对象的个人信息；初始虚拟对象为三维模型；创建初始虚拟对象的记忆库；基于初始虚拟对象创建动画器组件以及寻路组件，生成生成式智能体；动画器组件用于控制生成式智能体执行动作，寻路组件用于在活动场景中对生成式智能体导航，生成式智能体用于执行预设任务，预设任务基于个人信息、记忆库中存储内容、时间系统的时间点与活动场景中的地点生成，能够构建三维的活动场景和智能体对象，实现了智能体在三维场景中自动寻路功能，并能根据周围环境和自身情况自动执行任务。

 本公开提供一种图像处理方法、装置、电子设备及存储介质，涉及图像处理技术领域。该方法包括:获取初始图像。将初始图像输入预先训练的图像处理模型，得到目标图像。图像处理模型包括依次连接的特征提取网络、自注意力卷积网络和结果映射网络；特征提取网络用于对初始图像进行下采样，并提取初始图像的第一局部特征图；自注意力卷积网络用于捕捉第一局部特征图中各个位置之间的依赖关系，得到第二局部特征图；结果映射网络用于对第二局部特征图进行上采样，并将上采样的结果映射为目标图像。本公开通过在图像处理模型中引入自注意力卷积网络，捕捉特征图中各个位置之间的依赖关系，可以使生成的目标图像的质量大幅提高。

 本技术公开了一种基于无人机技术的松材线虫病智能识别方法与系统，包括:S1：使用无人机搭载多光谱相机采集树木区域的图像，应用双边滤波算法去除图像噪声，获得去噪后的图像；S2：从去噪后的图像中提取颜色特征、纹理特征以及植被指数特征；S3：对去噪后的图像进行人工标注，标记出感染松材线虫病的树木区域；S4：整合去噪后的图像、颜色特征、纹理特征、植被指数特征与分割掩码，基于U‑Net构建并训练松材线虫病分割模型；S5：应用训练完成的松材线虫病分割模型，识别出松材线虫病感染区域。本发明能够提供一种高效、准确的松材线虫病智能识别方法，利用现代无人机技术和深度学习算法来克服传统监测手段的局限性。

 本文涉及一种基于街景图像的招牌三维位置计算方法和装置，通过计算机视觉、三维重建等方法高效地实现众源开放街景数据中的招牌识别与对齐，提供准确的招牌地理位置估计，显著提升了地理实体定位的精度和鲁棒性，有利于街景资源在POI自动生成，城市语义三维模型建设、智慧城市等领域的进一步应用。

 本文涉及一种基于形态特征差异学习的空间碎片智能检测方法和装置。所述方法包括:获取包含空间碎片目标标签和/或恒星目标标签的单帧图像组成的训练样本，将训练样本输入空间碎片检测网络，空间碎片检测网络包括：多个编码块、上下文调节模块、混合卷积自注意力单元、与编码块数量对应的解码块以及融合预测单元，根据训练样本的空间碎片目标标签和/或恒星目标标签以及预测结果，对空间碎片检测网络进行反向训练，以根据训练好的空间碎片检测网络对待检测的单帧图像进行空间碎片目标检测。采用本方法能够解决目前深度学习算法进行单帧图像目标检测效果不佳问题。