本技术提供一种旋转电磁场结构表面腐蚀缺陷三维重构方法，首先通过仿真与实验建立旋转电磁场结构表面腐蚀缺陷磁场图像样本库；然后构建结构表面腐蚀缺陷三维重构网络，网络结构采用Pix2Pix，损失函数采用数据损失函数与物理损失函数相结合；再者，对建立的重构网络进行训练，取最优解；最后将训练好的网络部署在旋转电磁场检测系统上。本发明首先为结构表面腐蚀缺陷的三维重构提供一种行之有效的方法；再者，由于真实的结构表面腐蚀缺陷难以获取大量样本且制作昂贵，本发明采用物理与数据双驱动的方式实现了小样本下结构表面腐蚀缺陷三维轮廓的精准重构，为结构的安全评估与维修决策提供可靠的数据支撑。

 本文提供了一种基于迁移学习的关联成像方法，涉及关联成像技术领域，包括:构建基于差分关联成像的散斑网络，训练后得到优化后的散斑；使用优化后的散斑调制光源照射目标物体得到桶探测器值；进行差分关联成像，得到初始的目标像素矩阵；将目标像素矩阵与优化的散斑进行卷积操作得到预估的桶信号；更新目标像素矩阵每个像素的值。本技术最终只需要更新像素矩阵就可获得高质量目标图像，而不用更新几百万甚至上千万的网络参数，大大提高了计算效率，降低对终端设备计算资源的要求。

 本技术为应对光线影响的自动驾驶YOLO目标检测方法与系统，所述检测方法包括:使用车载摄像头在若干街道拍摄街道道路实际情况图像，获取不同街道的不同道路不同时间段的车辆实况图，构成图像数据集；将图像数据集使用LabelImg工具进行标注，标识出图像中的车辆目标，包括车辆的边界框和类别信息；构建应对光线影响的自动驾驶YOLO目标检测网络模型；利用获得的图像数据集训练应对光线影响的自动驾驶YOLO目标检测网络模型，以训练后的应对光线影响的自动驾驶YOLO目标检测网络模型用于应对光线影响下的车辆目标检测。本发明能够为自动驾驶车辆提供精确的车距调整和安全行驶决策，确保在各种光线条件下的行车安全和效率。

 本技术属于医学图像处理技术领域，针对现有技术存在的左心房和左心房瘢痕分割精度不是很高的技术问题，本发明提出了基于心脏医学图像的左心房及左心房瘢痕自动分割方法，包括以下步骤:S1、对训练数据和测试数据进行预处理，得到处理后的训练数据和测试数据；S2、利用处理后的训练数据对Boundary Loss Constrained Mutil‑Attention U‑Net模型进行训练，得到5个训练好的分割模型；S3、利用分割模型对处理后的测试数据进行分割，得到5个分割结果，取分割结果的平均值，作为最终分割结果。本发明能够缓解左心房和瘢痕间类别不平衡的问题，显著提高基线模型的分割能力。

 本技术提供一种基于多谱态双分支深度融合的浮选泡沫颜色分析方法，涉及浮选泡沫颜色分析技术领域，包括:采集并预处理泡沫的多谱态图像；将预处理后的多谱态图像输入多谱态双分支深度融合网络，先对进行多谱态浅层特征提取，获取反映泡沫空间信息及光谱信息的多谱态浅层特征矩阵F1；将F1并行输入分别针对泡沫光谱特征和空间特征的两个分支中，得到光谱特征矩阵FM和泡沫空间特征矩阵Fs；将FM和Fs输入多谱态特征融合模块进行智能加权融合，得到综合泡沫光谱特征及空间特征的融合特征矩阵F；将F输入泡沫颜色表征模块，输出得到泡沫的颜色状态预测，本发明可以对泡沫颜色进行预测分析。

 本技术公开了一种基于细节感知采样注意力模块的气缸内壁磨损检测方法，涉及智能制造领域，基于现有模型采用的双线性插值采样处理对细微磨损的感知能力有限。为此，首先，本发明构建双线性重排特征图，由采样后的每一个特征点对应的原始特征点组成；其次，设计由全连接网络组成感知注意力模块，从双线性重排特征图学习采样权重图；再次，设计均值残差聚合模块，利用均值滤波器处理双线性重排特征图，并叠加上双线性重排特征图和采样权重图的聚合结果，作为采样特征图。由于双线性重排特征图均值代表原始特征图的低频信息，在残差聚合时，能强化采样注意力学习对高频信息的倾向，提升模型对磨损细节的感知能力，提高检测准确率。

 本技术公开了一种基于自适应对比学习的半监督图像识别方法，本发明方法包括将有标签样本和无标签样本输入数据增强模块中得到增强样本；将增强样本输入特征编码器得到样本的特征嵌入和特征预测，计算有监督损失函数和自适应阈值；将无监督数据特征预测和自适应阈值对比，对无标签样本分别采用类感知模块和距离感知模块处理获得类感知损失函数和距离感知损失函数，同时计算无监督损失函数；将有监督损失、无监督损失、类感知损失、距离感知损失相加得到总损失函数，并训练机器学习模型。本发明通过设置自适应阈值，将置信分数不同的未标记样本分类处理，能够充分利用无监督数据，解决不同类别数据分布不均的问题，有效提升图像识别的准确性。

 本技术涉及机器学习领域，公开了一种基于宽度学习的半监督多视图聚类集成方法及系统，方法包括以下步骤:构建一种可以依据多视图人脸图像数据进行特征处理的基于宽度学习的自编码器，用于对输入的人脸图像进行特征提取，并基于宽度学习计算不同节点特征的权重；结合基于宽度学习的自编码器和双向约束传播构建聚类集成模型；利用聚类集成模型实现多视图人脸图像的聚类集成。本发明利用宽度学习系统的性能优势进行多视图数据的聚类处理，得到兼具效率与性能的模型网络，引入了流型结构和成对约束，并且在共识过程中采用了约束传播，丰富样本信息，有效提升基于宽度学习的聚类集成网络模型的鲁棒性和准确性，因而在实际场景中更具适用性。

 本文涉及一种基于时间基准的同步和异步融合的流量整形方法和装置，该方法包括接收报文描述符，并记录接收时刻值；根据报文描述符中流标识进行查表，得到整形类型和对应的合格时刻计算参数；根据接收时刻值、整形参数和时间基准，进行合格时刻计算和流量监管；通过监管的报文描述符按照合格时刻由早到晚的顺序将报文描述符排序后插入PIFO队列中；如果该队列的头部描述符对应的合格时刻晚于当前时刻值，则将头部描述符出队，否则不操作。该方法同时支持同步和异步整形模式，通过修改整形参数和合格时刻计算方法，可灵活地支持不同的整形算法；由于同步和异步整形共享同一套排序和传输选择逻辑，大幅减少了存储资源消耗。

 本文涉及一种基于图像的自动化分割方法和系统，方法包括提取模型图片中的牙齿特征模型；基于感知区域创建第一等值线并在远离第一等值线的方向上顺序创建多条第二等值线；在模型图片上的非牙齿特征模型区域创建第二基面参考等值线；驱动第二基面参考等值线靠近第一基面参考等值线至第二基面参考等值线与第一基面参考等值线重合度满足要求；将第一基面参考等值线和第二基面参考等值线进行融合，得到基面分割参考线。本申请公开的基于图像的自动化分割方法和系统，使用等值划分的方式来进行初步划分，同时使用边缘融合与局部调整的方式来得到精细化的提取边缘，用以实现对模型图片中牙齿的精确分割。