一种基于自注意力记忆机制的台风云图预测方法。本技术将葵花八号拍摄的台风云图数据进行数据转换、大小转换等预处理，并且将数据集分成训练集与测试集，在时空预测模型当中引入只注意力记忆机制，来捕获云图帧间和帧内的全局和局部的时空依赖，从而对台风云图进行准确的预测。

 本技术提供一种碱激发粉煤灰矿渣胶凝体系反应产物识别和分类方法，包括:获取碱激发粉煤灰矿渣胶凝体系样本的BSE图像和EDS图像；基于EDS图像的像素颜色特征进行聚类，得到各物相掩膜；将BSE图像的相位特征融合到EDS图像中，基于与EDS图像同视场区域的BSE图像的灰度特征提取孔结构；根据各物相掩模和孔结构，得到扣除孔隙掩膜的未反应前驱体物相掩模和扣除孔隙掩膜的反应产物物相掩模；对反应产物物相掩模进行超像素分割，得到每一个超像素的Mg/Al比；对每一个超像素的Mg/Al比进行聚类分析，实现矿渣反应产物、混合反应产物和粉煤灰反应产物的识别和分类。本发明可以实现粉煤灰矿渣碱激发胶凝体系中反应产物的精细化分类，提高反应产物识别和分类的准确性。

 本技术公开了一种超像素高频增强的轻量级图像超分辨率重建方法、装置、设备及介质。对输入的图像进行基于卷积网络的浅层特征提取，并通过局部聚类将相邻像素分组为超像素，根据相似度对超像素进行聚类，得到局部区域；引入像素内注意模块和像素间注意模块，两种注意机制在局部和全局特征提取中相互配合。同时，利用高频增强分支引入高频先验信息以捕获高频细节，提高重建图像质量。该方法将具有相似特性的像素聚合形成超像素，并通过像素内注意模块和像素间注意模块分别实现局部和全局的信息交互。同时，利用高频增强模块将高频先验信息加入网络，从而有效提高网络的特征提取能力。在标准数据集上的大量实验验证了该方法具有更好的重建效果。

 本技术公开了一种矿用激光雷达与相机的外参标定方法及系统，属于计算机视觉和机器人技术领域，该方法通过获取待标定的目标场景中的原始图像和原始点云；根据原始点云数据，获取初步对齐结果；对初步对齐结果进行优化，获得激光雷达融合帧点云；对原始图像进行全景分割，构建2D‑3D有效目标质心对应关系；基于激光雷达融合帧点云和2D‑3D有效目标质心对应关系，通过全景分割提取有效目标，构建有效目标全景信息匹配度目标函数，对目标函数进行优化，得到激光雷达与相机的外参最优解。该方法可以有效提高矿用激光雷达与相机外参自动标定精度，为后续矿用激光雷达数据与图像融合提供了研究基础。

 本技术公开一种基于虚拟样本驱动的井盖病害检测方法，利用AIGC即生成式人工智能技术生成大量模拟真实井盖病害的虚拟样本，构建病害井盖虚拟数据集进行目标检测模型训练,并使用该模型进行真实图像中井盖病害的发现与识别；使用AIGC生成的虚拟图像构建虚拟数据集，有效抑制井盖病害类型长尾分布现象，平滑井盖病害标签；结合后验知识指导模型优化，即在模型训练后，进一步利用模型对真实图像识别结果开展指标分析，从易错识别病害井盖场景、易错漏识病害形态、易错漏识别病害井盖类型三个维度，针对性的平滑虚拟数据集中特征分布，对模型预测结果进行校正和优化；通过这种方法，模型能够更准确地识别井盖病害，提供更可靠的病害分类和统计结果。

 本技术提供了一种基于频率增强的食管癌病变分割系统及方法，包括特征提取模块，用于利用编码器对食管癌病变消化内镜图像进行特征提取，得到三个高级特征；特征解耦模块，用于提取图像的边缘信息，得到全局初步预测模型；多尺度跨层融合模块，用于利用一个具有不同空洞率的卷积进行跨层融合，得到融合特征；上下文特征变换模块，用于融合全局初步预测模型、边缘信息和融合特征，并输入到解码器中，得到全局预测模型；深度监督模块，用于利用病变分割掩膜监督和病变边缘监督计算训练损失，减小全局预测模型的分割误差。本发明不仅可以准确提取消化内镜图像中食管病变的边缘，还能够提高对变化尺度病变的分割准确率，实现了早期食管癌的有效诊断。

 本技术属于单目3D目标检测技术领域，尤其涉及一种基于深度感知增强Mamba的单目3D目标检测方法，本方法构建的模型中的FMF模块专注于在较低的计算资源消耗下，有效地保留和融合来自不同尺度的图像信息。通过精确调控信息流，FMF模块能够在保持图像细节的同时，增强模型对于尺度变化的适应性和鲁棒性。DMB模块则利用从图像特征融合后的特征作为输入，采用一种新颖的自适应策略来全局整合深度信息和视觉信息。这种深度融合策略不仅提升了深度估计的准确性，还增强了模型在不同视角和环境条件下的表现。本方法可以在控制成本的基础上，保证单目3D目标检测的准确性和稳定性，从而有效促进机器人导航、自动驾驶和多目标追踪等领域的发展。

 本技术提出了一种基于CNN与Transformer结合的图像去模糊方法，该方法利用公开数据集准备训练、验证和测试集。在编码器阶段采用逆残差快速傅里叶变换来提取输入模糊图像的特征，使用了像素注意力特征融合模块。解码器部分则引入了通道调制自注意力机制和混合尺度前馈网络，实现全局上下文建模并获取更多信息。此外，在解码器中还应用了同尺度特征融合模块，以便于学习图像的层次信息并丰富特征表示。为该方法在解码器第一层和特征加强网络中使用小型U型网络进行多尺度学习。最终，通过将增强后的特征与原始图像合并，生成清晰的去模糊图像。此方法通过优化模型参数并引入多种创新机制，提升了图像去模糊的效果以及模型的泛化性和鲁棒性。

 本技术公开一种基于边缘紧缩和曝光的伪装目标检测方法，包括:在训练阶段，针对训练集中每一训练图像及该训练图像的真值图，训练目标检测模型，使用模型中编码单元输出的编码特征经由条件随机场处理，获取中间过程损失和特征图，在编码单元对应的解码单元中基于特征图和编码特征和相邻解码单元输出的特征基于边缘曝光机制进行解码处理，获取中间过程损失，遍历每一解码单元获得最终输出的真值图，根据中间过程损失和最终的真值图的损失，调整目标检测模型的权重参数，获得训练的目标检测模型，进而对待处理的图像进行检测，获得输出的真值图。本发明的方法能够定位精确边缘，解决了现有技术中边缘无法精确区分的问题。

 本技术涉及线上适应分配技术领域，且公开了一种基于成员画像的互联网线上课堂自适应分配方法，包括:获取目标人物的目标数据，通过课程筛选策略，形成分配数据，以确定向目标人物推送的线上课程，根据分配数据，向目标人物推送目标习题，确定目标人物对目标课程的适应度，该基于成员画像的互联网线上课堂自适应分配方法，根据目标人物的年龄初步筛选对应的线上课程，根据目标人物对不同教学风格的线上课程对应的目标推送习题的答题正确率和对应的成绩排名，判断目标人物对不同教学风格的适应度，使目标人物能够找到自己适合的教学风格，以便于精准地向目标人物推送线上课程，从而提高学习效率、提升学习效果。