随着数字媒体的快速传播，其版权保护成为了一个日益突出的问题。为了有效保护数字图像的版权，本技术公开了一种基于能量聚集特性的可逆矩阵彩色图像盲水印方法，该方法在频域中利用可逆矩阵的特性，通过先左乘后右乘的操作，实现矩阵的高能量聚集，通过量化高能量聚集系数来完成数字水印的嵌入，提高了水印方法的鲁棒性和不可见性，简化了运算过程，降低了计算复杂度。本发明具有较好的鲁棒性和不可见性，有效解决彩色图像数字水印运行速度慢的难题，适用于安全、高效进行数字媒体版权保护的场合。

 本技术属于自然资源评价技术领域，具体为一种基于实时遥感及监测的碟形湖状态评价方法。本发明碟形湖状态评价指标包括淹水状况、植被状况、水质状况和人类活动干扰状况四类指标。上述指标分别通过雷达遥感数据、光学遥感数据、在线水质监测设备及在线视频监控或无人机巡查方式获得；通过指标与历史监测数据进行比值法运算获得相应赋分，再通过加权运算得到栖息地综合得分。本发明极大的减少了现场采样调查工作，并且能够快速对碟形湖栖息地状态进行持续、可重复的评价，为湿地管理部门的及时调整水资源分配与利用政策，促进水资源的可持续利用提供数据支撑。

 本技术公开了一种基于基础模型的点云图像融合的3D目标检测方法，应用于自动驾驶技术领域，包括:将多视角图像输入至基础模型中，得到图像深度图；将图像深度图和雷达点云输入至语义投影模型中，得到雷达深度图；将图像深度图和雷达深度图输入至滤波模块中，得到增强后的雷达点云；分别获取多视角图像和增强后的雷达点云对应的多尺度图像BEV特征和多尺度雷达BEV特征，并输入至多尺度特征融合模块中，得到多尺度的融合特征；将融合特征输入至检测头中，得到检测结果。本发明利用基础模型实现了稀疏雷达点云致密化，并且利用多尺度特征融合模块实现了彻底融合多尺度和多模态的BEV特征，提高了目标检测的准确性和鲁棒性。

 本技术提出了一种面向隐私保护的多特征融合车辆重识别方法，旨在实现云辅助车联网场景下，车辆数据的隐私保护及检索，主要包括以下内容:(1)提出一种新的自监督学习方案；(2)提出一种多特征融合的车辆特征提取框架；(3)提出一种云辅助车联网场景下的隐私保护方案。

 本技术提出了一种基于三段式平行网络架构的轨道扣件状态识别方法，包括:获取轨道巡检图像；构建卷积神经网络CNN骨干网络，对轨道扣件的图像进行多尺度特征提取；利用局部特征分支对扣件特征进行卷积处理和上采样处理得到局部扣件特征；利用全局特征分支对扣件特征进行全局平均池化和卷积处理；利用以Vision Transformer为基础的架构的掩膜生成分支对扣件特征进行处理，生成轨道扣件的原型掩膜；将局部、全局和掩膜扣件特征进行融合；将扣件特征图进行非最大抑制和掩膜生成；对轨道扣件的健康状态进行分析。本发明结合CNN骨干网络和Vision Transformer，提出一种新的三段式平行网络架构，通过实例分割实现轨道扣件的精确识别和状态分析，提升复杂环境下的识别精度。

 本技术属于木材缺陷检测的技术领域，更具体地，涉及一种基于改进YOLOv8l的木材表面缺陷检测方法、电子设备及存储介质。所述方法包括:使用FasterNet改进传统的YOLOv8l的Backbone，利用FasterNet中部分卷积PConv的设计来减小参数量和计算量；提出了一种增强型加权双向特征金字塔网络EFPN，通过辅助分支加强不同特征层之间的信息交换，并设计了扩张重参数模块DRM来充分捕获不同尺度上的特征。改进后的YOLOv8l更加适用于检测木材表面的多尺度缺陷，不仅提高了检测精度，并且参数量和计算量更小，为木材表面缺陷检测提供了一种高效、精准的解决方案。

 本文公开了一种地块边界提取方法、装置、设备及介质，涉及遥感影像处理领域，该方法包括:基于耕地地块边界提取模型对研究区的卫星遥感影像进行地块边界提取，以确定研究区的地块边界影像；地块边界影像中包括掩码、轮廓及距离；耕地地块边界提取模型包括依次连接的残差神经网络、特征增强模块及卷积输出层；特征增强模块包括多尺度特征整合块及空间群体增强注意力机制；残差神经网络对输入的影像进行不同层次的特征提取；多尺度特征整合块将不同层次的特征进行融合；空间群体增强注意力机制对融合后的特征进行空间群体增强；卷积输出层对空间群体增强后的特征进行掩码预测、轮廓提取及距离估计。本申请提高了地块边界的提取精度和效率。

 本技术公开了一种端到端的宫颈细胞分类集成框架。主要包含四个模块:增强模块，对原始数据集进行扩充和预处理；融合模块，在数据集上训练改进的初级学习器并融合输出生成新数据集；提纯模块，提纯新数据集得到初级学习器的集成结果并保留误分类的样本；复学模块，使用次级学习器再学习并用于最终的分类。此外，在初级学习器和次级学习器的训练阶段提出了一种自适应的数据增强方法。本发明通过逐阶段的细粒度优化，解决了现有宫颈细胞数据集类别分布不均衡和数量稀少的问题，同时通过集成框架重点学习易混淆的图像特征显著提升分类精度。实验表明，本方法能够有效地辅助宫颈癌筛查，大大降低病理学医生的工作负担，有很好的应用价值，社会效益巨大。

 对抗领域自适应和共轭梯度核极限学习机的图像识别方法，其特征在于首先构建特征提取器获取源域和目标域的初步特征；然后构建对抗领域自适应网络优化两个领域特征，让源域和目标域特征提取器与鉴别器进行博弈，以此来减小目标域与源域的域间差异，并投影到一个公共的特征空间，找到最优的目标域特征。最后，构建分类器识别图像，构建共轭梯度核极限学习机作为分类器对最优目标域特征进行分类，得出分类结果。本技术的目的是提供一种轻量网络:对抗领域自适应和共轭梯度核极限学习机，解决现有深度学习对大量标注数据的依赖，降低图像识别中样本标注代价，降低硬件实现成本，实现跨领域的知识迁移，完成目标域无监督和高精度图像识别。

 本技术属于人工智能和生物医学影像技术领域，具体涉及一种基于互补先验和隐式神经表示的稀疏CT重建方法，包括S1:将稀疏CT重建问题解耦为基于物理模型驱动的数据项子问题和基于先验驱动的先验项子问题；S2：通过去噪正则化方法将隐式的深度图像先验和显示的自相似性、稀疏性先验知识相结合，构造为互补先验模型以求解先验项子问题；S3：将互补先验模型嵌入到隐式神经表示的网络结构中，通过使用带有先验嵌入的隐式神经表示来求解数据项子问题；S4：在半二次分裂法的基础上，本发明通过引入超参数细化区间平衡两个子问题在整体过程中的权重，从而在数据保真度和分布先验两个子问题之间进行高效的优化，确保在逆问题求解过程中逐步收敛到最佳解。