基于改进深度残差网络的矿井图像分类

精确煤矸分类及识别能力是煤矿智能煤矸分选机器人要解决的关键问题。在通过深度学习图像分类方法的检测煤矸石中,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了基于改进深度残差网络的图像分类方法。并提出了一种新的损失函数soft-center loss,克服由于softmax分类器对特征的区分判别能力差以及易造成模型过度自信的问题。同时在图像预处理阶段利用CBDNet去噪网络,提高了井下图像的质量,进一步提升了煤矸分类的准确率。实验结果表明,基于改进深度残差网络分类模型相比于其他分类网络模型在井下图像分类准确率提高了4.12%,在公开数据集CIFAR-10准确率提高了1.5%。

基于深度学习的单目图像深度信息恢复

为了解决现有单目图像深度信息恢复方法中参数量较多,预测结果存在部分深度信息丢失的问题,结合编-解码结构提出RG-ResNet网络模型。首先,提出相关联分组卷积替代分组卷积,弥补了分组卷积通道间信息不关联的缺陷;然后,基于相关联分组卷积进一步改进ResNet的残差结构,得到RG-ResNet残差模块;最后,利用改进的RG-ResNet残差模块堆叠进行特征提取形成网络模型的编码部分,利用反卷积加池化的上采样操作扩大图像分辨率以构建解码部分。在NYU Depth V2数据集上验证了模型的有效性与优越性,实验结果显示,该方法的预测结果均方根误差为0.459,平均相对误差为0.123,平均对数误差为0.055。同比于其他先进算法,所提方法获得了更高的准确率,并且能够较好地恢复图像细节的深度信息。

自适应的图像在线字典学习超分辨率重建算法

提出一种参数自适应的在线字典学习图像超分辨率重建算法。在经典的稀疏表示算法框架下,运用在线字典学习方法来提高字典学习的精度。通过参数自适应方法灵活调整稀疏重建阶段的正则化参数,并依据每个图像块的特点自适应确定正则化参数,以此克服人为设定参数的单一性和非最佳参数值的缺点。实验结果表明,与传统算法相比,所提算法可有效降低测试图像对训练图像集的依赖程度,同时克服图像在重建过程中存在的局部模糊或失真,进一步提高重建图像的质量。