本技术公开了一种基于实例特征引导的视频车道线检测方法及系统，方法包括:构建视频车道线检测网络，包括骨干网络、颈部网络、线锚特征交互融合模块；骨干网络和颈部网络组成共享权重的两个多层次特征提取分支网络；获取当前帧图像和参考帧图像，并将两幅图分别送入两个多层次特征提取分支网络中，获取两幅图像的多层级图像特征；初始化分布在图像上的线锚，并将其与两幅图像的多层级图像特征一并送入线锚特征交互融合模块中，从高层级到低层级逐渐细化线锚的位置，以获取车道检测结果；对构建的视频车道线检测网络进行训练优化，获取最佳视频车道线检测网络进行车道检测。在面临困难场景的情况下，本发明能够充分利用视频中所蕴含的时序信息，结合参考帧中的车道线实例特征，作为补充和提示，能够有效地推理出完整的车道线实例，辅助当前帧的检测，提高模型的准确性和鲁棒性。

 本技术实施例公开了一种井下猴车识别模型训练方法、装置及存储介质，其中，所述方法包括:获取训练图集；将所述训练图集输入到YOLOv8模型进行训练，所述YOLOv8模型中第九层c2f模块卷积为可变形卷积，接收卷积层输入的卷积图像特征，对所述卷积图像特征依次进行可变形卷积、分离和拼接操作；根据打印比例系数确定每个像素点对应的线宽；对所述YOLOv8模型进行迭代优化，并对优化后的模型进行评价，将符合评价标准的模型作为井下猴车识别模型。可提升模型浅层网络对语义信息的提取，适应矿工各类坐姿细节，增加模型对不同载人状态猴车目标的辨识能力。

 本技术公开了一种模型和数据协同驱动的VR全景融合表达方法及系统，属于虚拟现实技术领域，解决现有的全景图像展示方式缺乏与地理场景对象仿真模型的深度耦合，难以精准描述复杂的地理场景对象及其时空演变过程。本发明包括基于地理场景空间语义约束将各地理场景对象和实时采集的现实世界全景图像中对应的地理场景对象进行融合建模得到VR全景融合场景；基于属性语义信息规则和用户视觉感兴趣区域对VR全景融合场景进行数模关联的增强表达，得到VR全景场景，并利用动态数据对VR全景场景进行实时更新。本发明用于VR全景融合表达。

 本技术涉及图像分析技术领域，具体为普外科手术切口图像分析方法及系统，包括以下步骤，基于初始采集的手术切口图像，移除图像中的背景噪声和非目标区域，调整图像亮度和对比度，并利用自编码器压缩和解压图像数据，提取图像数据中的稳定特征。本发明，通过细致调整图像的亮度和对比度，并精确移除无关噪声，确保了图像数据的清晰度和分析的准确性，从而使得切口愈合过程的观察更为精确，自编码器的应用在提取图像的稳定特征方面表现卓越，使得从复杂数据中快速识别出关键信息，利用孤立森林算法识别出偏离正常愈合的异常图像，并通过LSTM网络分析异常的发展趋势，极大地提高了早期判断并发症的能力。

 本技术的目的是提供一种基于解剖学的甲状腺超声扫查视频流程分析方法，该方法包括:根据超声图像解剖学知识进行图神经网络建模；采用自适应甲状腺解剖推理分割网络对甲状腺及周边器官进行图像分割；采用时间卷积网络判断当前帧的扫查阶段。本发明通过基于输入特征的自注意机制自适应地学习解剖关系建模，从而更好地捕捉复杂的解剖结构之间的联系，并且开创性进行基于视频流的超声扫查流程分析，实现对超声扫查流程的精确理解与阶段分割，引入了时空信息融合阶段，采用了时间卷积网络（TCN）使得模型不仅能够捕捉到空间特征，还能够理解时间序列上的动态变化，从而提高了对超声视频流中扫查阶段的识别能力。

 本文提供了一种基于图像识别的复杂丛林环境三维空间重建方法，涉及三维重建技术领域，该方法包括:结合目标丛林的初始探测信息进行环境监测网布设，获得丛林环境监测网；确定M个有效图像采集空间集合；确定K个图像采集重叠空间集合；获得K个重叠空间拼接路径集合；在确定匹配重叠空间拼接路径集合；提取M个图像采集装置在当前重建窗口的采集图像，获得M个实时采集图像，基于M个实时采集图像进行三维重建，并结合匹配重叠空间拼接路径集合对重建空间进行拼接，确定目标丛林的目标重建环境三维空间。解决了现有技术中复杂丛林环境进行三维空间重建时准确度低的技术问题，达到提高三维重建精度和质量的效果。

 本技术公开了一种基于特征聚焦细化的表面缺陷检测方法和系统，涉及缺陷检测技术领域，方法包括:目标特征聚焦细化缺陷检测模型包括目标边缘聚焦特征提取网络、目标复用融合语义网络、目标语义‑通道‑空间加权细化网络和目标检测层；通过目标边缘聚焦特征提取网络基于待检测图像输出多个缺陷边缘多尺度聚焦特征向量；将各缺陷边缘多尺度聚焦特征向量输入目标复用融合语义网络对应生成多个复用融合语义特征；采用目标语义‑通道‑空间加权细化网络基于各复用融合语义特征对应确定多个语义‑通道‑空间加权细化特征；通过目标检测层基于各语义‑通道‑空间加权细化特征输出待检测图像的缺陷检测结果。提高了小目标缺陷检测精度。

 本技术涉及图像处理目标检测领域，具体为一种无人机小目标检测方法、电子设备及存储介质，包括:获取图像数据集，对所述图像数据集中的各图像进行预处理，所述图像数据集由无人机拍摄的图像和相应图像的小目标验证数据组成；将预处理后的图像输入网络检测模型，计算所述网络检测模型输出结果与实际小目标验证数据的损失函数，训练所述网络检测模型参数直至最优；将待检测图像输入最优检测模型，输出无人机图像小目标检测结果，所述最优检测模型指训练后将模型参数调整至最优后的网络检测模型，增强模型对小目标的定位能力以及检测能力。

 本技术公开了一种基于频率分离的渐进式特征提取的立体图像超分辨率方法，具体涉及图像超分辨率技术领域。本发明所提出的方法包括以下步骤:对低分辨率图像进行预处理；将输入图像送入双频率特征提取模块，通过频率感知注意力构建单视图图像的结构性和纹理性依赖关系；通过渐进式立体特征融合模块，整合不同层次的相关信息，并进一步指导左右视图之间的低频和高频信息的融合；最后，将左右视图不同层级的特征级联后送入重建部分，得到最终的超分辨率图像，并利用频域损失平衡高频和低频信息。本发明在保证全局一致性的基础上有有效地提高了立体超分辨率图像的质量。

 本技术公开了一种基于空间‑光谱Token学习网络的全色锐化方法(SSTL)，本发明针对全色锐化任务提出了一种可以重构和融合空间、光谱特征的神经网络框架，即空间‑光谱Token学习网络，其包含三个新颖模块。傅立叶引导的Token重建模块通过应用复杂的特征交互规则，在从全色图像和低分辨率多光谱图像中提取的傅立叶域Token的交互特征，实现光谱特性的重建；Token选择模块强制空间‑光谱Token学习网络从全色图像的最相关空间区域中重建高分辨率多光谱图像的空间特性；自适应Token交互模块在光谱特征的通道交互过程中，使用从Token选择模块学习到的权重，从而实现空间‑光谱特性的无缝集成。此外，在公开数据集上的实验证实了本发明方法的有效性。