目的针对复杂交通场景中车辆转弯引起的活动轨迹状态更新不稳定，以及短期丢失轨迹缺乏针对性更新机制的问题，提出一种面向车辆转弯场景的轨迹状态更新与关联增强多目标跟踪，以缓解车辆转弯过程中易出现的漏检、身份切换和轨迹中断现象。方法首先该方法设计快慢双时间尺度记忆模块，针对车辆转弯时运动方向和空间位置变化快、外观信息变化相对缓慢的特点，分别对外观慢变信息与运动快变信息进行递推建模，并通过状态融合缓解单一流状态递推中快慢信息相互干扰的问题。其次该方法设计了短期丢失轨迹状态更新模块，结合最近更新轨迹嵌入、边界框变化趋势与丢失时长，对短期丢失轨迹进行状态递推，缓解了短期丢失轨迹与当前目标的状态偏移现象。结果该方法在FastTracker、CityFlow和TrafficMOT数据集上，在高阶跟踪准确率（higher order tracking accuracy，HOTA）、关联准确率（association accuracy，AssA）、身份切换次数（identity switches，IDs）以及轨迹碎片化次数（fragmentations，Frag）等跟踪相关指标上取得较优表现。结论所提方法能够有效提升车辆转弯场景下轨迹关联的稳定性与连续性，增强复杂交通场景中的车辆多目标跟踪性能。

头发的三维重建作为计算机视觉与计算机图形学领域中的重要研究方向，旨在精确建模头发复杂的几何结构与外观特性。现有的头发重建方法大多建立在理想光照假设下，能够在简单发型上取得较好效果，但在面对复杂光照条件以及致密卷发、高卷曲发型等高复杂度发型时，难以保持几何结构的准确性与重建结果的稳定性。本文提出一种基于自适应高斯椭球表示并具备复杂光照鲁棒性的多视图三维头发重建方法，能够在真实复杂场景中实现高精度的头发几何结构建模及细节丰富、外观一致的纹理重建。具体来说，本文提出了一种结合视觉语言模型（Vision-Language Model，VLM）与三维高斯泼溅（3D Gaussian Splatting，3DGS）的重建框架，实现对复杂发型（如致密卷发、高卷曲发型）的精细几何建模与逼真外观恢复。本文在多视图三维头发重建领域引入VLM对多视角图像进行光照质量评估与发型复杂度分析，构建光照-复杂度双感知的闭环引导机制。智能定位低光及逆光视角，动态调整高斯椭球密度，实现稀疏几何区域的自适应填充。本文设计了几何-纹理解耦优化策略，先联合优化几何与颜色，再在固定几何下微调颜色。实验结果表明，本文方法在自建数据和公共数据集上的定性结果均优于现有最先进方法（如Gaussian Haircut、Im2Haircut、DiffLocks），在几何精度、方向一致性和纹理恢复上均取得提升。与 Gaussian Haircut 相比，本文方法的PSNR（Peak Signal-to-Noise Ratio） 提高0.54dB，SSIM （Structural Similarity Index Measure）提高0.004，LPIPS（Learned Perceptual Image Patch Similarity）降低0.01，验证了本文方法在重建质量与视觉一致性方面的有效性。综上，本文方法通过引入视觉语言模型与自适应密度控制的协同机制，提升了复杂光照与高复杂度发型条件下的三维头发几何重建精度与稳定性，实现了几何结构与外观纹理的一致重建，并增强了方法在真实场景中的鲁棒性与泛化能力。本文方法的代码已开源至GitHub平台（https：//github.com/Blueekyyy/CURL），同时已在ScienceDB平台完成代码公开（https：//doi.org/10.57760/sciencedb.j00240.00223）。

目的电力图像监测主要分为传输与识别过程，传统监测方法未从语义层面考虑将二者进行联合优化，使得传输过程中目标语义信息无法充分提取，进一步导致了图像识别率偏低。针对电力图像受噪声干扰导致监测效率低下问题，提出一种基于语义通信联合优化的端到端电力图像监测方法。方法首先，在语义通信框架下设计轻量化卷积自编码器（convolutional autoencoder，CAE）传输模型，并引入基于通道注意力机制模块，使得模型更关注电力语义特征。其次，以vision transformer（ViT）为主体架构设计ViT识别模型，提出注意力引导的卷积编码模块，使得模型更好的理解电力图像局部语义特征。级联上述模型得到CAE-ViT模型，作为电力图像监测框架，并基于所提框架的参数空间扩展与语义优化方向设计联合训练方法，实现语义通信联合优化的电力图像监测。结果实验采用中国电力线路绝缘子数据集（chinese power line Insulator dataset，CPLID）和电力线路资产巡检数据集（inspection power line asset dataset，InsPLAD）进行验证，与对比方法相比，本文方法在低信噪比（-10dB~10dB）条件下电力图像监测识别率提高了4%~26%，验证了所提方法有效性。结论本文提出的方法在复杂电磁环境无线信道中更具鲁棒性，且进一步提升了电力图像的监测效率，为电力图像监测实际应用部署提供了有益的技术借鉴。

针对雾霾场景下图像低对比度、目标边缘模糊以及复杂背景干扰导致目标检测性能下降的问题，提出一种面向雾霾场景的特征增强目标检测网络SD-YOLO11。该方法以YOLO11为基础，从主干网络与颈部网络两个层面对模型进行协同优化。在主干网络中，引入SIBlock模块，通过递归空间交互增强模糊目标与小目标的特征表达能力；结合GhostConv与ADown模块，在降低计算冗余的同时提高关键特征保留能力。在颈部网络中，设计改进的BifpnCat特征融合结构，以增强多尺度语义信息与细节信息的交互能力；同时引入DASI注意力机制，对目标相关特征进行自适应增强，从而提升复杂雾霾场景下的目标感知能力。此外，通过优化特征拼接路径并增加P2检测头，进一步增强网络对小目标与低分辨率目标的检测能力。为了验证所提方法的有效性，在HazyDet、Foggy Cityscapes和RTTS数据集上开展对比实验。实验结果表明，SD-YOLO11在HazyDet数据集上的<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi mathvariant="normal">m</mi><mi mathvariant="normal">A</mi><msub><mrow><mi mathvariant="normal">P</mi></mrow><mrow><mn mathvariant="normal">50</mn></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/E4B73080-F457-4f21-9203-5355D3FB1A35-M001.jpg"><?fx-imagestate width="8.12800026" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/E4B73080-F457-4f21-9203-5355D3FB1A35-M001c.jpg"><?fx-imagestate width="8.12800026" height="3.21733332"?></graphic></alternatives></inline-formula>和<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><mi mathvariant="normal">m</mi><mi mathvariant="normal">A</mi><msub><mrow><mi mathvariant="normal">P</mi></mrow><mrow><mn mathvariant="normal">50</mn><mo>-</mo><mn mathvariant="normal">95</mn></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/E4B73080-F457-4f21-9203-5355D3FB1A35-M002.jpg"><?fx-imagestate width="11.93799973" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/E4B73080-F457-4f21-9203-5355D3FB1A35-M002c.jpg"><?fx-imagestate width="11.93799973" height="3.21733332"?></graphic></alternatives></inline-formula>分别达到78.8%和61.4%，较YOLO11分别提升1.4个百分点和2.0个百分点；在Foggy Cityscapes和RTTS数据集上同样取得优于主流检测方法的检测性能，并在小目标与低对比度目标检测任务中表现出更好的鲁棒性。研究结果表明，所提方法能够有效提升雾霾场景下目标检测的精度与稳定性，同时保持较好的实时检测性能，可为低能见度环境下的视觉感知任务提供有效技术支撑。

目的分割一切模型（segment anything model 2， SAM 2）在目标跟踪领域已取得显著进展，其具备强泛化的分割先验以及长时序建模能力，能够目标跟踪提供空间信息支持，缓解背景混淆与遮挡后重现易丢失等跟踪关键难题。然而，SAM 2无法利用高光谱数据中的光谱判别信息，当目标与背景在空间纹理上高度相似等情况时，仅依赖空间语义先验生成的掩码可能出现漂移。因此，针对高光谱目标跟踪中目标与背景分离不充分等问题，提出一种面向高光谱目标跟踪的光谱提示与混合注意力方法。方法以分割一切模型SAM 2为基础构建跟踪框架：在空间维度，利用语义掩码进行像素级目标—背景分离；在时序维度，通过记忆库与记忆注意力建立跨帧长时依赖，增强遮挡重现后的关联与恢复；在光谱维度，提出混合嵌入网络以对齐高光谱数据分布，并引入混合注意力与光谱嵌入模块，将目标光谱信息编码为提示向量、学习波段间深层语义关系。此外，为了促进相关领域研究，构建了首个高光谱空中目标跟踪数据集AHOT。结果在3个数据集上与6种最新方法对比，所提方法在HOTC-2024-RedNIR数据集上DP_20相比第二名提升4.08%，在AHOT数据集上DP_20相比第二名提升15.57%，对比实验结果证明所提算法改善了目标跟踪的性能。此外，本文方法的推理速度达到15.4 FPS，在实现较高精度的同时具有近实时的工程效率。结论通过掩码级目标分离与长时记忆建模，并结合光谱嵌入与注意力融合策略，所提方法显著提升了复杂场景下高光谱目标跟踪的精度与鲁棒性。构建数据集将在科学数据银行公开（31253.11.sciencedb.j00240.00255）。

目的针对高光谱图像开集识别中存在的异物同谱现象，以及传统深度模型基于闭集假设对未知类产生过度自信误判的问题，提出一种频域知识引导的高光谱开集识别方法（frequency knowledge-guided contrastive learning，FKCL）。方法本文提出一种数据驱动与物理知识协同的双分支网络架构。其中，特征分支利用3D-2D混合卷积网络提取深层空谱语义特征。频域分支利用实值快速傅里叶变换提取地物中心光谱的频域物理属性，并通过指数移动平均在线更新各类别的频域原型。在此基础上，该方法引入基于类锚点聚类损失的双重距离决策机制，从而在特征度量空间与频域物理空间中为已知类构建准确的判别边界。结果在 WHU-Hi-LongKou、Pavia University 和 Salinas 三个公开高光谱数据集上，采用类别留出协议构造伪未知类，对 FKCL 方法进行开集识别评估。实验结果表明，FKCL 在保持已知类分类性能的同时能够提升对伪未知类的拒识能力。其中，在 Pavia University 数据集上，模型总体准确率（overall accuracy，OA）达到 92.02%，未知类识别准确率为 100.00%。同时，不同数据集上的性能提升存在差异，Salinas 中多个未知类与已知类光谱高度相似，未知类拒识仍更具挑战性。结论本文方法通过引入频域物理先验知识作为特征距离度量的补充，缓解了传统深度学习模型对伪未知类样本过度自信的问题。在类别留出构造的伪未知评测协议下，FKCL 提升了模型对训练阶段未见地物类别的鉴别与拒识能力。