IRS辅助MU-MISO系统中基于深度残差学习的信道估计

针对智能反射表面辅助多用户通信系统中传统信道估计方法性能下降的问题,将信道估计问题转化为信道去噪问题,利用深度残差学习方法学习残差噪声,从含噪导频信号中恢复信道系数。同时为提升信道估计精度,设计信道估计网络进一步提升去噪性能。网络主体包含两个模块:拼接信息保留模块将每一层卷积输出相融合,防止信道特征丢失,有效提取信道噪声的主体特征;扩张卷积稀疏模块通过扩大感受野范围获得信道的重要结构和细节特征,恢复信道噪声的边缘细节特征。仿真结果表明,归一化均方误差约等于0.45时,所提方法在不明显增加复杂度情况下,相比于线性最小均方误差算法获得3.7 dB的信噪比增益,更为接近最小均方误差信道估计器的性能,表现出了更好的性能和可用性。

基于生成对抗残差学习的矿山远程监控图像去噪算法

在矿山远程监控系统中,由于监控摄像头位置和环境等因素限制,往往会导致图像中存在各种噪声,如椒盐噪声、高斯噪声等,这些噪声会对图像质量产生严重影响,同时也会给后续的图像分析和处理带来很大困难。因此,如何准确地去除噪声,提高图像质量,一直是矿山远程监控系统中的重要问题。生成对抗学习是一种基于对抗生成网络(Generative Adversarial Networks,GAN)的图像处理技术,可以有效去除图像中的噪声。据此,提出了一种基于生成对抗残差学习的矿山远程监控图像去噪算法。该算法首先通过GAN生成器学习得到一组残差图像,然后通过残差学习方式将原始图像与残差图像相加得到去噪后的图像。同时,为提高算法的鲁棒性和适用性,还引入了噪声分布估计网络和自适应控制机制。试验结果表明:该算法可以有效去除矿山远程监控图像中的噪声,并且具有较好的鲁棒性和适用性。

残差学习与层注意力相结合的轻量级图像超分辨

基于卷积神经网络(CNN)的方法在图像超分辨率问题中取得了良好的性能,然而,大多数超分辨率研究都采用复杂的层连接策略来提高特征利用率,这使得网络的深度不断加大,参数量持续上涨,很难部署在移动终端。针对该问题,本文提出一种残差学习与层注意力结合的轻量级图像超分辨(RLAN)算法,更高效地提取并聚合重要特征。首先,采用3×3的卷积层进行浅层特征提取。然后,在非线性映射部分,通过堆叠改进的局部残差特征块(RLFB)进行局部特征学习,同时引入层注意力模块(LAM)来利用残差分支上的层次特征进一步提升特征聚合的效果。最后,采用像素注意力重建块(PARB)进行图像重建,以很小的参数成本提升重建质量。与NTIRE2022冠军RLFN相比,RLAN最终以仅373k的参数量取得了更优越的性能,在4个数据集上的平均PSNR与SSIM分别提升了0.35 dB与0.0014。实验结果表明,RLAN可以精准地恢复SR图像,有效地减少了边缘处的伪影。

引入残差学习与多尺度特征增强的目标检测器

目前深度学习在计算机视觉领域中取得了巨大成功,但是小目标检测仍是目标检测领域中具有挑战性的难题。针对小物体分辨率低、图像模糊、携带信息少等问题,提出了引入残差学习与多尺度特征增强的目标检测器。首先在主干网络中引入基于残差学习的增强特征映射块,通过通道平均和归一化处理使得模型更加专注于对象区域而不是背景,并在兼顾检测速度的同时为有效特征层提供额外的语义信息;然后特征映射对上下文信息敏感的特征融合块进一步增大有效特征图的感受野,并将用于预测的浅特征层与深特征层进行融合,提高低分辨率下的检测性能;最后通过双重注意力块抑制背景噪音,将关键特征嵌入到注意力中,在保留空间信息的同时加强通道间的信息关联,进而增强特征的表达能力。为了更好地检测小目标,还对浅层特征映射先验框数量进行了调整。实验结果表明,在PASCAL VOC2007的数据集上,该算法对于300×300输入尺度的检测精度(mAP)为79.9%,较SSD提高了2.7个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了5.1个百分点、7.5个百分点、3.9个百分点、7.2个百分点。在OAP自制航拍数据集上的检测精度(mAP)为82.7%。

基于残差学习的非对称卷积神经网络图像去噪方法

为了获得更清晰的图片,更好地去除图像中的噪声,对目前去噪效果较好的基于残差学习技术的深度卷积神经网络去噪算法(DnCNN)进行改进,提出了DnACNN模型,该模型通过将常规的方形卷积核替换为一组非对称卷积核来增强方形卷积核的骨架部分,从而提高特征提取精度和性能;并在测试阶段进行权值融合,从而减少参数、简化模型,确保不增加任何额外的推理时间。实验表明该方法在不增加任何额外推理时间的前提下能更有效地去除图像中的噪声,与目前主流去噪方法相比,能更好地捕获特征,提升特征丰富性,获得了更高的峰值信噪比,且能够更多地保留细节纹理。

残差学习与循环注意力下的SSD目标检测算法

针对Single-Shot Detection的特征金字塔中生成的浅层特征语义信息不足,导致小目标检测性能较差的问题,提出了一种基于残差学习与循环注意力的SSD目标检测算法。首先主干网络采用学习能力更强的Resnet101来提取有效的特征信息;然后通过构建轻量级的单向特征融合块对原特征金字塔中的深特征层与浅特征层特征进行融合,并生成新的特征金字塔,进而丰富用于预测的有效特征层的语义信息;最后提出一种新的空间池化策略,并与残差网络中的跳跃连接相结合构成循环注意力模块,从而引入全局的上下文信息,为局部特征建立全局信息关联。为了解决难易样本数量不平衡的问题,将Focalloss作为回归损失函数。实验结果表明,在PASCAL VOC公共数据集上,该算法的平均检测精度(mAP)为79.7%,较SSD提高了2.5%。在MS COCO公共数据集上的mAP为30.0%,较SSD提高了4.9%。

基于残差学习的新型不可感知水印攻击方法

传统的水印攻击方法虽然能够干扰水印信息的正确提取,但同时会对含水印图像的视觉质量造成较大损失,为此提出了一种基于残差学习的新型不可感知水印攻击方法.首先,通过构建基于卷积神经网络的水印攻击模型,在含水印图像和无水印图像之间进行端到端非线性学习,完成含水印图像映射到无水印图像的任务,达到水印攻击的目的;其次,根据水印信息的嵌入区域选择合适数目的特征提取块以提取含水印信息的特征图.鉴于含水印图像和无水印图像之间的差异过小,水印攻击模型在训练过程中的可学习性受到限制,导致模型很难收敛.引入残差学习机制来提升水印攻击模型的收敛速度和学习能力,通过减少残差图像(含水印图像和提取的特征图像做差)与无水印图像之间的差异来提升被攻击图像的不可感知性.此外,还根据DIV2K2017超分辨率数据集以及所攻击的基于四元数指数矩的鲁棒彩色图像水印算法构建了训练水印攻击模型的数据集.实验结果表明该水印攻击模型能够在不破坏含水印图像视觉质量的前提下以高误码率实现对鲁棒水印算法的攻击.

基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。

基于深度残差学习的彩色图像去噪研究

目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后在每个残差单元模块之间添加跳跃连接,构成由噪声图像到去噪图像的非线性映射,并优化残差单元个数,使网络能学习到更多的图像细节特征,以提升网络的去噪性能,同时将每个残差单元模块中的激活函数提到卷积层前面,以加速网络收敛。结果与常用去噪算法相比,文中方法在Kodak24和CBSD100数据集上的主观视觉打分MOS值以及客观指标(PSNR和SSIM)上,较其他方法有更好的效果。结论提出的基于深度残差学习的彩色图像去噪方法能有效去除图像中的噪声,尤其是较严重的噪声,并取得了良好的视觉效果,表明该方法具有良好的去噪性能。

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下:1)在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2)提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%~138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.

结合优化U-Net和残差学习的细胞膜分割

为提高果蝇第一龄幼虫腹侧神经索切片图像细胞膜分割精度,实现更为高效的自动化细胞膜分割,提出一种利用批量归一化优化并结合残差学习对图像分割精度进行提升的改进全卷积神经网络U-Net (ResU-Net)。将批量归一化(batch normalization,BN)应用在每一网络模块输出,减少网络内部协变量转移加速网络收敛;为丰富网络特征提取防止梯度消失,采用残差结构对特征进行映射并提升分割准确率。实验结果表明,相比较改进前的U-Net,该深度学习方法具有良好的泛化能力和较高的准确性。

级联模型展开与残差学习的压缩感知重构

基于传统优化模型展开的深度网络由于集成了深度学习与传统优化方法的优点,具有良好的可解释性,在当前图像处理与计算机视觉领域得到广泛关注.提出了一种级联模型展开与残差学习的图像压缩感知重构深度网络框架,以实现重构图像质量的进一步改善.第一级的基于模型展开的深度网络根据输入的压缩测量值得到初始的重构图像,第二级的深度残差网络对初始重构图像进行去噪处理,最终得到高质量的重构结果.该两级级联网络的训练分别独立完成,训练过程简单易实现,将ADMM-Net与ResNet级联实现对磁共振图像重构,将ISTA-Net+与ResNet级联实现对自然图像重构.大量实验结果比较验证了所提出方法的有效性.

基于深度卷积残差学习的图像超分辨

传统的超分辨率卷积神经网络难以获得丰富的细节和边缘信息。提出了一种多映射残差卷积神经网络(MMRCNN)来解决这些问题。具体来说,MMRCNN直接使用低分辨率图像作为网络的初始输入,然后使用卷积层提取特征。其次,通过残差学习构建多映射网络,添加批量归一化层优化网络,使聚合高分辨率图像时所需要的特征信息能够变得极为丰富。最后,使用反卷积层来完成图像上采样,输出高分辨率图像,因此不需要预处理,就能够直接完成低分辨率图像与高分辨率图像之间端到端的映射关系。在不同模型的基准数据集上的实验表明,MMRCNN在峰值信噪比、结构相似性和视觉效果方面均有所提升。

基于残差学习的多阶段图像压缩感知神经网络

在传统的图像压缩感知研究中存在两个主要问题:在采样端,传统的线性采样方式存在一定程度的局限性;在重构端,传统的优化重构算法有着高耗时的缺陷。新发展的图像压缩感知神经网络框架虽然很好地解决了重构速度问题,但重构效果一般。为了解决上述问题,文中提出一种基于残差学习的多阶段图像压缩感知网络——MSResICS,其中具体包含3个子网络:采样子网络,初始重构子网络与图像增强子网络。在观测端,提出的非线性采样子网络,利用残差学习打破了传统采样方法的局限性,在采样值中保留了更加丰富的图像信息;在重构端,通过引入插值卷积,初始重构子网络从采样值中进行特征整合以获取质量优良的初始重构图像,最终利用残差学习与插值卷积,提出多阶段图像增强子网络以进一步细化重建图像,提升最终效果。大量仿真实验结果表明,与现有最优的图像压缩感知重构算法相比,MSResICS拥有更加优良的图像压缩感知重构精度。

基于残差学习的图像超分辨率重构方法

图像超分辨率重构是计算机视觉领域中的一个经典问题,旨在通过算法将一幅或者多幅低分辨率图像转化为高分辨率图像。近年来,基于深度学习的单幅图像超分辨率重构算法得到了广泛的应用。针对多数网络存在的学习能力较弱、训练时间较长以及重建图像质量有待提升等问题,提出一种基于残差学习的图像超分辨率重构方法。网络通过级联深度卷积网络对图像进行特征提取,引入残差学习获得深层次的纹理细节信息,并加快网络的收敛速度,避免梯度爆炸和梯度消失,通过反卷积层对特征图像进行上采样,重建出与目标图像尺寸相同的高分辨率图像。在Set5、Set14等测试集中,使用峰值信噪比(PSNR)和结构相似性(SSIM)作为所提算法的评价指标,同时对比SRCNN、FSRCNN以及VDSR等方法均重建出了效果更好的图像。实验结果表明,该方法能够有效地提高特征信息的利用率,生成具有丰富细节且清晰的高分辨率图像。

基于大数据深度残差学习的特征提取算法

针对当前算法在进行目标数据特征提取时存在提取准确率不高、效率低、特异性和灵敏度较差,以及网络节点能耗较高的问题,提出一种基于大数据深度残差学习的特征提取算法,将深度学习的灰色神经网络与残差学习方法进行有机结合,求得了深度残差学习网络模型的微分方程以及时间响应公式,并计算了网络初始权值和阈值;根据深度学习的灰色神经网络拓扑结构获得深度残差学习网络各层的输出参量,采用误差反向传播方法和附加动量法对深度残差学习网络的阈值和权值进行实时更新和调整,完成深度残差学习的网络模型构建,并采用模型精度和后验差比值对该模型进行精度检验,将经过检验合格的网络模型用于目标数据特征提取。通过多组实验测试,证明所提算法相比于其他对比算法有效减少特征提取错误率、提高了执行效率,具有较高的灵敏度和特异性,大大减小了网络节点总体能量消耗,延长了网络生存寿命。

结合残差学习和跳跃连接的图像去雾

针对雾天场景图像恢复过程中图像清晰度下降的问题,提出了一种结合残差学习和跳跃连接的图像去雾算法。使用清晰图像与对应的合成雾天图像构建残差网络,残差学习能够避免由于网络层数的不断加深而带来的梯度弥散、特征丢失等问题;跳跃连接结构极大地丰富了图像在重建去雾图像时的特征维度,并且弥补了纹理信息恢复的不足。实验结果表明,与目前经典的去雾算法相比较,文中去雾算法在合成雾天图像数据集和在自然雾天图像上,恢复的图像都具有较高的清晰度和对比度。

基于深度残差学习的自动驾驶道路场景理解

随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征,这些特征在接下来的三个任务中共享使用;另一方面,解码器网络结构采用一种子任务的并行计算机制,即道路分割、车辆检测和道路分类任务同时执行。此外,全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终,实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。

基于信息修正的深度残差学习

提出了一种新的深度残差网络的拓展模块,有效提高了学习表示的鲁棒性。所提出的方法是一个简单的即插即用模块,即组卷积式编码-解码结构,它可以作为一个额外的信息过滤部件集成到原来的深度残差网络中。利用编码器的下采样来产生信息压缩过的特征图,解码器模块被驱动以产生激活准确的特征图,其能够突出显示输入图片中最具有判别力的区域,最后通过元素级相加和激活操作对输入特征进行信息修正。为了使设计的模型计算更加高效,通过减少残差分支的通道数来探究其轻量级版本的表现,发现并没有明显的性能下降现象。在各种基于残差网络的架构上进行实验,获得了一致性的性能提高,而且付出的计算代价与原始版本相比差别不大,甚至还低。

基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。