近期，我校人工智能與大數據學院計算機視覺與模式識別協同創新團隊在遙感圖像解譯、低光圖像檢測和水下圖像增強等方向取得新進展，研究成果分別發表于《IEEE Transactions on Geoscience and Remote Sensing》（中科院一區Top，影響因子8.6）和《Expert Systems with Applications》（中科院一區Top，影響因子7.5）等國際權威期刊。

在遙感小目標檢測方向，團隊針對遙感影像復雜背景干擾和小目標檢測難題，提出軸壓縮與多路徑尺度自適應融合網絡（AMSFNet）。該網絡設計單向多尺度耦合模塊增強小目標特征提取能力，構建軸壓縮增強注意力模塊聚合全局與局部信息以降低背景噪聲干擾，通過多路徑尺度自適應融合方法實現大小目標檢測平衡。陳巖博士為第一作者，王曉峰教授為通訊作者，合肥大學人工智能與大數據學院為第一完成單位。（論文標題：Axis-Squeeze and Multirouting Scale-Adaptive Fusion Network for Remote Sensing Images Object Detection，引用鏈接：https://ieeexplore.ieee.org/document/11121344） 

在復雜場景遙感語義分割方向，團隊提出輕量級跨域耦合網絡（LCCN）。該網絡創新性采用“Encoder-Coupler-Decoder”架構，耦合器中通過跨域耦合模塊實現多尺度特征提取與全局信息建模，解碼器中借助輕量級全特征映射注意力模塊捕捉多維度特征交互，優化復雜場景下的語義分割效果。王曉峰教授為第一作者，陳巖博士為通訊作者，合肥大學人工智能與大數據學院為第一完成單位。（論文標題：Cross-Domain Coupling Network With Lightweight Fully Featured Mapping and Loop Aggregation for Semantic Segmentation of High-Resolution Remote Sensing Images，引用鏈接：https://ieeexplore.ieee.org/document/11129080） 

在低光環境目標檢測方向，團隊提出光照調制拉普拉斯金字塔增強網絡（ILENet）。該網絡設計 LEP 與 IMM 兩大關鍵組件，LEP 優化低光圖像多頻率信息以提亮度、IMM 生成語義校正參數以優圖像，且與 YOLO 檢測器集成形成新框架，采用聯合訓練平衡增強與檢測任務，在低光數據集上達 SOTA（準確率 78.5%），其有效性亦經低光語義分割任務驗證。王曉峰教授為第一作者，鄒樂教授為通訊作者，合肥大學人工智能與大數據學院為第一完成單位。（論文標題：ILENet: Illumination-Modulated Laplacian-Pyramid Enhancement Network for low-light object detection，引用鏈接：https://www.sciencedirect.com/science/article/pii/S0957417425001265） 

在水下圖像增強方向，研究團隊提出一種融合特征提示Transformer的漸進式聚合增強方法。該方法創新性地融合了特征注意力機制與提示權重調節輸入特征，實現了特征高效傳遞與多尺度漸進式聚合，可以全面捕捉圖像細節與語義信息以有效增強水下降質圖像。該方法展現出優異的學習與泛化能力，且能為下游視覺任務帶來顯著性能增益。楊靜博士為第一作者和通訊作者，合肥大學人工智能與大數據學院為第一完成單位。（論文標題：PAFPT: Progressive aggregator with feature prompted transformer for underwater image enhancement，引用鏈接：https://www.sciencedirect.com/science/article/pii/S0957417424024060）

計算機視覺與模式識別協同創新團隊前身為人工智能與大數據學院視覺計算組，成立于2016年，依托安徽省智能制造多模態數據融合工程研究中心、安徽省高校優秀科研創新團隊，圍繞國家和安徽省“人工智能+”和計算機視覺應用的重大戰略需求，聚焦國內外視覺智能與場景認知計算的前沿問題，開展視覺智能關鍵基礎理論與算法研究，助力合肥大學學科建設和安徽省戰略性新興產業和區域經濟發展。

來源：科研處 人工智能與大數據學院 編輯：陳巖 預審：胡坤宏 審核：賈峰