轻量级重参数化的遥感图像超分辨率重建网络设计

针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高,本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先,采用重参数化方法设计了一种残差局部特征模块,以有效地提取图像局部特征;同时考虑到图像内部出现的相似特征,设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力,并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能;最后,在上采样模块前使用多层特征融合模块聚合所有的深度特征,以产生更全面的特征表示。在UC Merced遥感数据集上进行测试,该算法在遥感图像3倍超分辨率下的参数量为539 K,峰值信噪比为30.01 dB,结构相似性为0.8449,模型的推理时间为0.010 s;而HSENet算法的参数量为5470 K,峰值信噪比为30.00 dB,结构相似性为0.8420,模型的推理时间为0.059 s。实验结果表明,该算法相比HSENet算法,参数量更少,运行速度较快,且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试,该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势,表明该算法的泛化能力较强。

结合坐标Transformer的轻量级人体姿态估计算法

针对现有的大多数自底向上人体姿态估计算法存在模型规模大、计算成本高及对边缘设备不友好等问题,提出了一种基于YOLOv5s6-Pose的轻量级多人姿态估计网络模型YOLOv5s6-Pose-CT。该模型在颈部网络中引入空间和通道重建卷积,以减少空间和通道维度上的特征冗余。同时,提出了一种坐标Transformer嵌入于主干网络中,使模型专注于长距离依赖和拥有高效的局部特征提取能力。其次,通过使用无偏特征位置对齐来解决多尺度融合过程中出现的特征错位问题。最后,使用损失函数MPDIoU对边界框的回归损失重新定义。在COCO 2017数据集上的实验结果表明,本文优化的网络模型与主流的轻量级网络EfficientHRNet-H1模型相比,在保持相同精度的同时,参数量和计算量分别减少16.2%和66.1%。相比于基准模型YOLOv5s6-Pose,参数量减少11.2%,计算量降低5.8%,平均检测精度和平均召回率分别提升2.5%和2.6%。

多尺度自相似遥感图像超分辨率重建网络设计

遥感图像所捕获的区域一般较大,因此具有相似特征的目标在图像中重复出现的概率也较大。针对这一特点,本文提出了一种多尺度自相似遥感图像超分辨率重建网络。通过在SSEM网络结构中引入全局上下文模块来获取图像内单尺度和跨尺度信息的内部递归性,在上采样模块中引入像素注意力模块以增强其特征细节提取能力。在UC Merced数据集上的测试显示,本文算法在2倍、3倍和4倍尺度上比HSENet算法的PSNR分别提高0.11dB、0.15dB和0.05dB;在SSIM指标上,本文算法在3倍和4倍尺度上比HSENet算法分别高出0.0058和0.0013。

试论整体观察方法在写生教学中的意义

■一、整体观察方法的概念及要素整体观察作为一种“方法”,是建立在对广泛的观察对象的感性与理性认识相结合的基础上产生的,同时也是对画面整体性充分认识的结果。它包含整体观察状态和过程,但范围、意义都要大得多。用一句话来概括,即:整体观察方法是从画面的整体性需要出发,以“看”的方式去认识或获得对象整体特征及其关系的一种方法。它由三个要素构成:1.宏观、系统的思维观念;2.概括、

体积阵束控方法特性研究

为研究体积发射阵在不同倾斜角情况下的探测性能,考虑具有不同倾斜角度的体积阵,拟合其各方位角发射声压级以及优质因数,选取浅海弱负梯度、深海冬季两种典型水文条件进行声场仿真。在无目标先验条件的情况下最大化探测概率,提出了一种束控发射的方法使全阵的探测覆盖范围最大化,并通过仿真寻求出最佳的束控时延,验证了该束控方法对于扩大体积发射阵探测范围的有效性,并给出了水文条件不明确情况下的束控方法。