P22﹥《可见光-红外图像融合的目标检测综述》

概述：随着人工智能技术的快速发展，目标检测与识别的地位日益凸显。基于深度学习的可见光-红外图像融合的目标检测技术具有强大的特征提取和泛化能力，能够有效提取和融合可见光与红外图像特征。对基于双模态图像融合检测的发展现状进行概述，并在基于深度学习的目标检测基础上分析双模态图像融合检测的优势，对比介绍常用的数据集和主要的技术难题。对基于不同阶段融合的目标检测算法进行总结分析，指出特征级融合检测的优势与主导地位；重点对基于不同基础模型的融合检测算法进行分析和总结，探讨了Transformer在双模态融合检测领域的优势和主导地位，以及Mamba在未来研究中的巨大潜力。根据当前可见光-红外图像融合的目标检测研究现状，对未来以实际的开发应用为导向进行了展望。

作者简介：朱自文，硕士研究生，CCF 学生会员，武警工程大学研究生大队; 研究方向为深度学习、目标检测；E-mail：1966019840@qq.com。

宋晓鸥，博士，副教授，武警工程大学信息工程学院; 研究方向为卫星导航信号处理、认知无线电。

引用：朱自文, 宋晓鸥, 崔巍,等. 可见光-红外图像融合的目标检测综述[J]. 计算机工程与应用 ,2025,17:22-31.

全文：点击下载

P47﹥《深度学习在肝脏及肝脏肿瘤分割中的应用进展》

概述： 肝癌作为一种恶性肿瘤，其发病率和死亡率正呈逐年上升趋势，临床中精准分割肝脏与肿瘤对肝癌的诊断与治疗至关重要。传统的肝脏及肿瘤分割依赖医生手工操作，过程耗时且高度依赖医生经验，在大规模数据处理中难以确保效率和精度，且易因主观判断差异导致误差。近年来，深度学习因能自动提取图像特征被广泛应用于医学图像处理，在肝脏及肝脏肿瘤分割任务中也取得了显著进展。为更深入开展深度学习在肝脏及肝脏肿瘤分割的应用研究，从常用公开数据集及评价指标入手，分别从有监督与无监督学习的角度，梳理近年来深度学习在肝脏及其肿瘤分割领域的应用进展，总结各模型的优缺点，对比各类方法的性能差异，并以此为基础讨论现有研究尚存的不足及挑战，展望其未来发展方向，以期为进一步研究提供参考。

作者简介：崔慧，山东中医药大学医学信息工程学院。

王晓燕，山东中医药大学医学信息工程学院;；E-mail：sdnuwxy@126.com。

引用：崔慧, 郭英慧, 蔡肖红,等. 深度学习在肝脏及肝脏肿瘤分割中的应用进展 [J]. 计算机工程与应用 ,2025,17: 47-61.

全文：点击下载

P89﹥《MBFE-DETR:多尺度边界特征增强下的无人机目标检测算法》

概述：针对无人机视角下背景复杂、小目标比例较高且样本不平衡等问题，提出一种基于改进RT-DETR的无人机目标检测算法MBFE-DETR。设计一种基于C2f和单头自注意力模块的轻量化主干网络，降低模型参数量的同时提升网络的特征提取能力。提出多尺度边界特征增强协同网络MBFECN，通过其特有的多尺度边界特征增强机制和高效特征融合策略，解决了原模型在保持小目标边界细节方面的不足。引入Focaler-MPDIoU考虑框的位置匹配关系，同时通过线性区间映射重构原有IoU损失，使模型在复杂场景下的定位效果更好。针对样本不平衡的问题，采用新的分类损失函数ESVLoss，对分类损失值进行分段加权调整，并结合指数移动平均机制对权重进行动态平滑更新，使模型更具适应性。实验结果表明，在VisDrone2019-DET和DOTAv1.0数据集上，MBFE-DETR算法的mAP50分别提升3.9和2.9个百分点，同时参数量减少了21.6%。

作者简介：张晞，新疆大学计算机科学与技术学院/ 新疆大学新疆维吾尔自治区信号检测与处理重点实验室。

赖惠成，新疆大学计算机科学与技术学院/ 新疆大学新疆维吾尔自治区信号检测与处理重点实验室；E-mail：lai@xju.edu.cn。

引用：张晞, 赖惠成, 姜迪,等. MBFE-DETR:多尺度边界特征增强下的无人机目标检测算法 [J]. 计算机工程与应用 ,2025,17: 89-101.

全文：点击下载

P102﹥《YOLOv11-MAS:一种高效的PCB缺陷检测算法》

概述：随着电子设备对印刷电路板（printed circuit board,PCB）的要求越来越高，在PCB加工过程中的缺陷检测工作也愈发重要，但由于缺陷特征目标小、类别复杂且难以区分，传统检测方法在精度和鲁棒性方面存在局限。为此，对最新的YOLOv11版本改进，形成了PCB缺陷检测模型——YOLOv11-MAS。在骨干网络部分设计并嵌入中值增强空间通道注意力模块（median-enhanced channel and spatial attention block,MECS），以中值增强与深度卷积的方式扩大感受野，提高对PCB电路板特殊缺陷的识别能力。在颈部网络部分，采用自适应分层特征融合网络（adaptive hierarchical feature integration network,AHFIN），通过自适应加权融合多尺度特征，以增强对主干网络信息的利用，使模型能够精准关注关键缺陷区域。此外，将YOLOv11的损失函数替换为滑动对齐损失函数（slide alignment loss,SAL），通过优化边界框的界定，提高对复杂缺陷类型的检测能力。实验结果表明，YOLOv11-MAS模型在PCB缺陷数据集中的多个指标均表现优异，mAP值达到93.1%，较YOLOv11提升了7.8个百分点，同时在NVIDIA Jetson Xavier嵌入式设备上的检测帧率达49.6帧/s，能满足工业实时检测需求。

作者简介：殷旭鹏，南京信息工程大学自动化学院。

赵兴强，南京信息工程大学自动化学院/ 南京信息工程大学江苏省大数据分析技术重点实验室；E-mail：zxq8562@163.com。

引用：殷旭鹏, 赵兴强. YOLOv11-MAS:一种高效的PCB缺陷检测算法[J]. 计算机工程与应用 ,2025,17: 102-111.

全文：点击下载

P112﹥《DTI-YOLO:改进YOLOv10s的交通标志检测模型》

概述：针对交通标志检测中，远景小目标特征易被弱化，难以与复杂背景区分的问题，提出了一种基于改进YOLOv10s的交通标志检测模型（DTI-YOLO）。提出膨胀卷积融合膨胀注意力模块（DDFM）替换PSA模块，设计局部和全局特征提取分支，通过聚焦局部细节与全局语义，抑制噪声干扰，增强模型在复杂背景中分离小目标特征的能力。构建基于二检测层的跨尺度特征融合网络（TDL-CCFN），利用跨尺度特征融合结构和针对小目标设计的二检测层结构，增强深浅层特征间的融合和小目标特征的保留，同时减少了模型的参数量。引入InnerMPDIoU损失函数替换CIoU损失函数，通过融合可调节尺度因子和顶点几何距离度量，增强模型对小目标位置和视角变化的敏感性，提升边界框回归效率与模型泛化能力。实验结果表明，DTI-YOLO模型具有良好的检测性能，相较于YOLOv10s,DTI-YOLO在TT100K和CCTSDB数据集上的mAP50分别提升5.5和4.8个百分点，分别达到90.9%和86.6%；同时，参数量减少约33.3%，降至5.4×10～6，实现了模型轻量化。

作者简介：刘美辰，辽宁大学信息学部。

陈廷伟，辽宁大学信息学部；E-mail：twchen@lnu.edu.cn。

引用：刘美辰, 李杰, 陈廷伟. DTI-YOLO:改进YOLOv10s的交通标志检测模型[J]. 计算机工程与应用 ,2025,17: 112-122.

全文：点击下载