本文涉及一种细胞量化方法、装置、计算机设备和存储介质。所述方法包括:通过预先构建的深度学习模型，提取感兴趣区域对应的内窥镜细胞图像的细胞轮廓特征，并根据所述细胞轮廓特征分离出所述内窥镜细胞图像中各细胞对应的细胞轮廓区域；通过所述深度学习模型对各细胞对应的细胞轮廓区域进行分类，得到各细胞的细胞类别；通过所述深度学习模型根据各细胞的细胞轮廓区域，确定所述内窥镜细胞图像对应的整体细胞量化结果；通过所述深度学习模型对细胞类别为异常细胞的细胞轮廓区域进行深度特征提取，根据异常细胞的深度特征和细胞轮廓特征确定异常细胞量化结果。采用本方法能够准确高效地判断细胞异常情况。

 本技术公开了基于轻量化循环对抗生成网络的夜间‑日间图像转换方法，涉及图像转换与模型压缩领域，该方法包括以下步骤:从夜间数据集与日间数据集中挑选图像数据，结合联合损失函数并生成转换夜间与日间图像的最终网络模型；将共享注意力模块引入生成的最终网络模型中，并构建用于夜间到日间图像转换的共享注意力循环对抗生成网络模型；通过引用知识蒸馏算法压缩共享注意力循环对抗生成网络模型，得到教师生成器模型，并将知识通过教师生成器模型传递至学生生成器模型；将学生生成器模型中的特征图通过解码器对特征图进行上采样还原，得到夜间到日间的转换后的图像。本发明有效缓解了图像颜色失真、目标细节模糊等问题。

 本技术提供了一种面向工件表面缺陷的智能检测方法及系统，方法包括:对生产线上传送的工件进行实时图像采集；通过端到端去噪网络模型进行预处理；将去噪、还原后新的工件图像输入特征提取深度学习模型，对工件图像提取表面的深层特征；将深层特征输入表面缺陷识别网络模型，对深层特征进行分类处理，识别出工件表面的多种缺陷类型；根据在线识别到的缺陷类别、个数以及严重程度，对每个工件的整体质量进行评估。本发明提供的提升了图像的清晰度和准确性，能够对识别出的缺陷进行分类，确保生产过程中仅输出合格品，有效提升了锂电池极片的整体质量和安全性，且显著提升了生产线的效率。

 本技术属于目标检测领域，公开了一种三维目标检测模型优化方法及相关装置，包括:获取训练数据，并将三维目标检测模型通过训练数据进行N次训练，得到N个预训练三维目标检测模型；获取各预训练三维目标检测模型的各检测框的定位置信度方差，并根据预设的定位置信度方差阈值，得到异常检测框；将异常检测框对应的真值框在几何位置不变的情况下放置于训练数据的若干目标点云帧中，当在若干目标点云帧下三维目标检测模型表现出一致的异常检测行为时，对训练数据进行数据增广后训练三维目标检测模型。不仅显著提升了三维目标检测模型的检测精度和效率，也赋予了模型更强的泛化能力，使其能够更好地适应各种实际应用场景中的复杂性和不确定性。

 一种基于改进YOLOv8的PCB表面缺陷检测方法，包括:获取PCB缺陷的图片，并使用标注软件进行人工标注和扩充处理，制作PCB表面缺陷的数据集，并将数据集划分为训练集、验证集和测试集；构建基于改进YOLOv8的PCB表面缺陷检测网络模型；使用训练集对基于改进YOLOv8的PCB表面缺陷检测网络模型进行训练；使用验证集和测试集对训练后的基于改进YOLOv8的PCB表面缺陷检测网络模型进行评估；本技术在保证PCB表面缺陷检测精度提升同时，又能提升缺陷检测的回归率。

 本技术公开了一种基于元学习的芯片表面缺陷目标检测网络及其训练方法和应用，通过构建支持元学习的芯片表面缺陷目标检测网络，包括依次连接的编码器、解码器、检测头；编码器采用Resnet网络，Resnet网络包括多个Layer，以输出不同大小的特征图；解码器由多个多尺度特征融合模块组成，对特征图进行多尺度特征融合得到用于预测目标位置的预测特征图，检测头能够实现对中心点位置信息和分类信息进行回归预测以及对中心点与目标预测框之间的距离进行回归预测；训练好的芯片表面缺陷目标检测网络结构可用于对芯片表面缺陷进行检测。

 本技术公开了一种基于隐式神经表示的遥感影像超分辨率方法、系统及设备，属于深度学习和遥感影像处理技术领域。本发明的方法先获取适用于遥感影像数据集并基于此训练遥感影像超分辨率模型，然后将待重建的低分辨率遥感影像和预先构建好的查询数组作为输入，由层次化特征金字塔提取模块进行多尺度特征提取，由双路径隐式注意力特征融合模块进行融合，最终由隐式高分辨率重建模块进行高分辨率图像的重建。本发明将特征金字塔、注意力机制等与隐式神经表示相结合，将不同层次的特征融合在一起，解决了遥感影像超分辨率过程中多尺度特征融合与高效信息提取的问题，能够提高遥感影像超分辨率精度的同时，实现遥感影像连续尺度超分辨率的目标。

 本技术所提供的一种基于参数化表达的点云表面重建方法、装置、终端及介质，该方法包括:获取目标物体对应的待处理点云，基于参数化表达确定锚点的参数化曲面，以利用参数化曲面表示待处理点云的物体表面；将参数化曲面转换为三角网格以重建目标物体的三维表面；其中，参数化表达由任意数量的锚点组成，且锚点位于目标物体的内部或外部并面向目标物体的表面对目标物体进行观测，得到基于锚点的位置、朝向以及预先构建的基函数的系数表示的观测信息，以利用观测信息表示锚点的参数化曲面。本发明基于参数化表达表示点云的物体表面，并将参数化表达转换为三角网格，实现点云的表面重建，能够在保持较高计算效率的前提下恢复更准确的物体表面信息。

 本技术公开了一种基于目标置信分层关联策略的多目标跟踪方法，包括:输入视频V，将视频V分割成单独的帧序列fk；得到帧fk中所有行人目标的集合D；利用基于检测框变化趋势的遮挡目标运动状态预测方法，预测现有轨迹在当前帧fk中的位置；根据所述的预测轨迹和目标的置信分层关联策略，将预测轨迹与检测目标进行关联；保存匹配成功的轨迹集合Tmatched，对于当前帧中每个匹配成功的轨迹tk，利用匹配到的目标在当前帧的观测值，更新得到更精确的运动状态Xk和变化速度Pk；将视频V中的所有帧序列进行处理，输出多目标识别跟踪。本发明具有能提高在拥挤的复杂动态场景中跟踪目标的准确性和鲁棒性的特点。

 本文涉及一种细胞图像识别方法、装置、系统、计算机设备和介质。所述方法包括:接收图像采集装置发送的待测细胞图像；所述待测细胞图像是内窥镜视野中活体组织的实时图像，所述图像采集装置与所述内窥镜连接；基于所述待测细胞图像，通过训练好的细胞图像识别模型获得所述待测细胞图像的识别结果；所述识别结果包括细胞类别和细胞位置；其中，所述细胞图像识别模型以yolo网络为基础，且将GhostNet特征提取网络作为主干网络。采用上述方法能够快速进行图像分析，特别适应于手术时对目标区域是否存在肿瘤病变的快速诊断。