基于多尺度卷积神经网络的显著性检测方法

在显著性检测技术迅速发展的今天,传统的显著性检测技术对图片提取显著性目标区域时常常遇到难以在复杂的图片中准确地区分物体的内部区域和边界,造成边界模糊、提取精度不佳等问题。针对以上问题,根据卷积神经网络特征提取时会同时产生多个尺度特征的特点,提出了一种基于多尺度卷积神经网络的显著性检测方法。首先,图片经过特征提取模块产生分辨率不同的特征图;其次,由上至下建立多尺度特征连接;然后,采用降维、上采样等方式进行融合特征;最后,提取图片显著目标区域。实验在HKU数据集、ECSSD数据集以及PASCAL-S数据集上设计,结果表明,基于多尺度卷积神经网络的显著性检测网络模型具有较好的显著性检测能力,并具有较高的执行效率。

基于软件工程思想方法的嵌入式测控系统设计

随着科学技术的发展,嵌入式技术在测控系统中的应用越来越普遍,对测控系统的要求也越来越高,因此需要不断创新。以创新为目的,基于传统的嵌入式测控系统,将软件工程的思想方法融入对实际软件的需求分析、软件的总体设计、软件的分区优化、软件的应用调试等几个方面,从而设计出新的测控系统。希望新系统更稳定,数据可靠,更容易后期维护,更好的适应未来经济社会的发展。

基于残差式神经网络的局部风格迁移方法

风格迁移技术迅速发展的今天,全局风格迁移技术已基本成型,但它在实际的应用过程中存在不能对图片的目标区域进行局部风格迁移等问题。针对以上问题,本文在卷积神经网络的基础上结合残差网络,提出了一种基于残差式神经网络的局部风格迁移方法。首先,利用掩模技术对内容图进行分割,提取目标区域;其次,卷积神经网络提取图片特征并进行特征融合;然后,使用残差网络加快生成图的形成速度;最后,通过反卷积生成一张只对目标区域完成风格迁移的图片。在Microsoft Coco2014数据集上设计了多个实验,实验结果表明,所提出的基于残差式神经网络的局部风格迁移网络模型具有较好的局部风格转换能力,并且具有较高的执行效率。