近期，公司教师在国外高水平期刊上发表高水平论文三篇。

公司机器视觉与智能检测研究所副所长张凯兵教授撰写的题为《Fabric Defect Detection Using Salience Metric for Color Dissimilarity and Positional Aggregation》在国际期刊《IEEE Access》（IEEE）（SCI检索号：000445476900001，中科院JCR 二区，IF：3.557）上发表。

该论文针对色织物微小疵点检测问题，提出了一种组合颜色相似性和位置集聚性的显著性测度疵点检测方法。该方法根据人眼视觉注意机制和疵点的显著性稀疏分布特性，首先将色织物图像转换到LAB颜色空间，并构建每个颜色通道的多尺度金字塔图像。然后在每一个颜色通道下，分别计算图像块之间的颜色特征的欧式距离和空间几何距离，构成缺陷测度函数获得缺陷图。利用多尺度思想将不同尺度下得到的缺陷图融合得到最终的检测结果图。实验结果表明，该方法对不同类型的织物疵点和存在微小疵点的织物图像均具有较好的检测效果，而且对噪声具有很好的鲁棒性。

公司机器视觉与智能检测研究所副所长张凯兵教授撰写的题为《Learning Recurrent Residual Regressors for Single Image Super-Resolution》在国际信号处理期刊《Signal Processing》（Elsevier）（SCI中科院JCR 二区，IF：3.470）上发表。

该论文针对单个线性回归函数不能较好地表征低分辨图像与高分辨图像之间复杂的非线性关系而容易导致图像重建结果过拟合或欠拟合问题，提出了一种学习残差复现回归器的图像分辨重建方法。该方法利用级联学习结构和字典学习算法，利用重建高分辨率图像与原始高分辨率图像之间的重建误差，由粗到精地建立低分辨与高分辨图像之间的多组残差回归映射模型，从而获取低分辨与高分辨图像之间更加有效的变换关系。实验结果表明，相比已有的同类实例回归图像超分辨率重建算法，该方法在主、客观质量评价方面均具有更好的重建效果，且优于基于卷积神经网络的超分辨重建方法。

近期，公司机器人与智能装备副所长李珣副教授撰写的题为《A Deep Learning Approach of Vehicle Multi-target Detection from Traffic Video》在国际期刊《Journal of Advanced Transportation》录用（中科院JCR 三区，IF：1.102）上发表。

该论文针对道路车辆目标检测传统方法需随场景变化提取不同特征，检测率较低与鲁棒性差的问题，在YOLO v2算法基础上，基于改进fine-tuning技术获得更适合于道路车辆检测的yolo-vocRV网络模型。通过大量的试验，车辆多目标检测方法，检测率在自由流状态下可达99.103%，同步流状态下可达97.852%，阻塞流状态下可达到97.311%，具有较小的误检率和良好的鲁棒性。