本技术涉及图像检测领域，尤其涉及一种基于改进注意力机制的无人机目标检测方法。通过将无人机采集的待检测图像输入目标检测模型，获取待检测图像的目标检测结果；其中，所述目标检测模型通过包括改进注意力模块的骨干模型进行特征提取；本发明提出的改进注意力模块对输入特征图进行三维度空间注意和通道注意融合提取，通过逐层提取跨通道交互特征并结合不同维度的全局均值池化与一维卷积，逐步生成三个维度的注意力特征图。本发明有效提升了目标检测的精度与鲁棒性，同时降低了计算复杂度和资源消耗，能够自适应地聚焦于图像中的关键区域，增强对小目标和复杂背景的识别能力，同时优化了目标检测模型计算资源的分配。

 本文公开了一种检测肿瘤纯度的方法、模型的训练方法、设备及介质，对原始病理图像进行切割处理，获得多个待检测子图像；将所述多个待检测子图像输入至预先训练好的细胞计数模型，获得细胞计数模型输出的各所述待检测子图像的检测密度图；其中，检测密度图包括癌细胞密度图和非癌细胞密度图；细胞计数模型是根据多个训练子图像及其参考密度图对初始模型的参数和超参数进行优化获得的，参考密度图是根据训练子图像及其标注结果生成的，标注结果包括细胞中心标注位置与颜色信息之间的对应关系；根据各待检测子图像的检测密度图，确定出肿瘤纯度检测结果。能够简单快捷地实现癌细胞和非癌细胞的识别及肿瘤纯度的检测，提升了诊断效率和准确性。

 本技术涉及人工智能技术领域，具体公开了一种用于ViTs的逐图像块后训练量化方法及系统，方法包括:获取全精度Vision transformer预训练模型、校准数据和量化器；将预训练模型中的全部模块替换为对应的量化模块，得到待量化的ViT模型，所述量化模块中包括激活值和权重的量化器，所述激活值采用逐图像块均匀量化器；利用所述校准数据，计算得到各量化器的缩放因子和零点偏移的初始值；利用校准数据和预训练模型，对缩放因子进行迭代优化，得到量化后的ViT模型。本发明允许每个图像块享有独立的量化参数，极大提升了量化分辨率并且使量化的激活值具有更强的表征能力。

 本技术提供了基于跨域异常注入的零样本伪异常图像合成方法及装置，包括以下步骤:收集真实异常图像，构建真实跨域异常数据集；选择真实跨域异常数据集中任一异常图像作为源图像，并获取源图像的二进制掩码，所述源图像的二进制掩码表示源图像中异常块的区域；基于给定的目标域正常图像集，获取目标图像，提取目标图像的二进制掩码表示前景；基于源图像与目标图像的二进制掩码将所述源图像的异常块缩放，注入目标图像中的指定位置，合成伪异常图像。本发明能够保证缩放的异常块能够自然、快速地注入到目标域的目标图像中，合成逼真的伪异常图像；且无需经过长时间训练便能生成大量逼真的伪异常图像。

 本技术公开了一种基于超图的红外弱小目标检测方法及装置。包括:1）将待检测图像序列构造为一个三维时空张量；2）建立低秩稀疏张量分解模型；3）设计基于Laplace的张量核范数；4）设计超图拉普拉斯正则化项；5）建立基于超图正则化项的时空张量分解模型；6）利用基于ADMM的算法，求解步骤5）中所建立的模型，得到目标检测结果张量；（7）将得到目标检测结果张量转化为目标检测结果序列，作为红外弱小目标检测结果，实现红外弱小目标检测。本发明的基于超图的红外弱小目标检测方法，能有效提升红外弱小目标的检测性能。

 本技术公开了一种基于粗细粒度注意力的小目标医学超声图像分割方法，包括:S1、收集医学超声图像，并进行数据预处理，作为数据集；S2、使用数据集训练多尺度粗粒度‑细粒度通道注意力U‑Net模型，得到训练好的多尺度粗粒度‑细粒度通道注意力U‑Net模型；S3、将待小目标分割的医学超声图像输入训练好的多尺度粗粒度‑细粒度通道注意力U‑Net模型，得到小目标分割结果，本文提升了目前小目标超声图像的分割精度，在跳跃连接中，利用门控信号与多尺度卷积扩张特征尺度，再利用SE模块与多尺度通道注意力模块进行粗粒度与细粒度通道处理的方法，提供了多尺度特征融合加权的方案。

 本技术公开了一种基于多级融合与并行滤波的图像去雾方法及系统，属于图像处理领域，该方法首先输入一幅有雾图像，并利用多级别特征融合技术提取有用的低级和高级特征。接着，设计并行滤波器处理模糊图像进行特征提取，确保在捕获大面积模糊区域的同时恢复纹理细节。此外，构建增强的分布式注意力单元，有效处理不均匀的雾度分布，通过学习到的空间权重特征自适应地融合提取的特征。最后，将融合后的特征输入去雾模型，生成清晰的输出图像。本发明还提供了实现该方法的系统，经过评估显示，该方法在仅用6.92M参数的情况下显著提高了去雾效果，具有良好的应用前景。

 本技术公开了一种基于多光谱的遥感图像时空融合方法，包括以下步骤:（1）利用开源网站获取Landsat影像和MODIS影像并进行预处理；（2）构建时空融合中的PLSR回归关系；（3）选择最优PLS成分数OPC；（4）自适应剩余补偿ARC；（5）获取最终的预测结果；本发明提高了预测结果的准确性。

本技术涉及一种基于双流网络的人体动作识别方法及系统，基于骨架信息分别提取无向时空图与RGB图像并分别使用GCN网络和CNN网络处理获得第一向量与第二向量分别代表空间时间特征与动作大小方向特征，从而获得较准确的人体动作类别识别效果，从提高骨骼信息数据的显性特征以及提高人体动作的识别率出发，在骨架信息的基础上提出基于GCN网络和CNN的双流网络，增强了骨架信息的表征，减少了骨骼信息噪声的影响，有效提高了人体动作的识别精度。

本技术提供一种基于模态多样性的短视频自动标注方法，属于自动标注领域，包括:获取三种模态以描述短视频的整体表示；将三种模态两两组合形成三种模态组，分别将各模态组合输入多头注意力机制中，以得到增强的视觉特征f