基于深度学习的目标检测技术在目标检测领域有强大的生命力,但是将其用于合成孔径雷达(SAR)图像舰船目标检测时并没有达到预期的效果。提出了一种基于卷积神经网络的SAR图像舰船目标检测算法用来检测多场景下的多尺度舰船目标,在单发多盒探测器检测框架的基础上,使用性能更好的Darknet-53作为特征提取网络,加入更深层次的特征融合网络,生成语义信息更加丰富的新的特征预测图。同时在训练策略上使用了一种新的二分类损失函数来解决训练过程中难易样本失衡的问题。在扩展的公开SAR图像舰船数据集上进行验证实验,实验结果表明,所提方法对复杂场景下不同尺寸的舰船目标的检测展现出了良好的适应性。

基于EKF的雷达与红外数据融合，通过状态向量融合与量测融合两种方法对多目标进行跟踪-EKF-based data fusion and infrared radar, through state vector fusion and measurement fusion of two methods for multi-target tracking

基于opencv实现的图像抠图和后续的融合粘贴。

使用平稳小波变换提出了两种图像融合算法。 还包括一组要融合的图像。

针对多聚焦图像融合中聚焦物体边缘衔接处产生伪影的问题，提出一种基于非下采样Contourlet变换(NSCT)与引导滤波的多聚焦图像融合算法。该算法对多聚焦图像进行NSCT分解后，利用基于边缘的加权融合方案处理低频子带系数，利用双向拉普拉斯滤波器提取带通方向子带系数的边缘和显著信息，通过引导滤波器对初始融合权重进行修正，最后利用NSCT重构获得融合后的多聚焦图像。实验结果表明，与其他融合算法相比，本文算法提高了融合图像的信息丰富度和清晰度，避免在聚焦物体边缘衔接处产生伪影，提高了融合图像的总体质量。

2021信通院云大所-隐私计算与区块链技术融合研究报告

Python中RGB-D图像的体积TSDF融合 这是一个轻量级的python脚本，可将多个已注册的颜色和深度图像融合到一个投影的截断的有符号距离函数（TSDF）体积中，然后可用于创建高质量的3D表面网格和点云。 在Ubuntu 16.04上测试。 较旧的CUDA / C ++版本可在找到。 要求 带有 ， ， ， 和 。 通过运行以下命令，可以快速安装/更新它们： pip install --user numpy opencv-python scikit-image numba [可选] GPU加速需要具有和的NVIDA GPU： pip install --user pycuda 演示版 该演示将来自7个场景的数据集的1000张RGB-D图像融合到405 x 264 x 289的投影TSDF体素体积中，在GPU模式下以约30 FPS（在CPU模式下为0.4 FPS）的分辨率为2cm，并输出3D网格mesh.ply可以使用诸如的3D查看器可视化的mesh.ply 。 注意：彩色图像保存为24位PNG RGB，深度图像保存为16位PNG（以毫米为单位）。 python de

matlab开发-神经网络自适应融合。基于模式识别的RBF两核自适应融合仿真

两条航迹分布式融合，包含源代码，原理简明易懂，加权法，方便可进行算法优化。matlab直接运行

采用冗余提升不可分离小波变换的改进NSCT图像融合算法，赵春晖，马丽娟，在灰度可见光与红外图像融合中，针对NSCT变换中金字塔分解(NSPFB)对细节能力捕捉不强的缺点，提出采用冗余提升变换替代NSPFB的图像融��