融合多尺度密集块的低照度交通图像增强模型

车辆检测与跟踪是智能交通领域的重要内容,复杂的光照强度与多变的交通场景使高速公路拍摄图像细节模糊、对比度低,图片信息提取干扰性强。提出一种基于注意力机制融合多尺度残差稠密块的生成对抗网络用于低照度交通图像增强。通过伽马校正、相机响应函数和手工调节方法合成不同照度图像作为数据集,涵盖更广泛亮度曲线,模拟真实夜晚场景;引入注意力机制通过表征不同通道与高频信息间关联性,同时采用最大池化和平均池化捕获纹理信息和背景信息间依赖关系增强图像整体完整性;搭建多尺度融合的残差稠密连接网络,深度提取图像复杂特征利用并行支路融合不同级别和层次的信息,提升网络对细节的整体感知力,保留图片信息一致性;采用双线性加卷积结构代替反卷积层消除伪影现象。实验结果表明与主流方法相比,该网络的增强效果评价指标PSNR和SSIM分别提升26.37%、14.14%,图片增强使细节纹理清晰、图像自然视觉效果提高,为交通领域的视觉任务提供技术支持。

基于多尺度特征融合的细胞计数方法

细胞计数一直是医学影像分析中非常重要的一项工作,在生物医学实验和临床医学等领域起着十分关键的作用。针对细胞计数工作中存在的由细胞尺寸变化等因素造成的细胞计数精度低的问题,引入高度拥挤目标识别网络CSRNet并加以改进,构建了一种基于多尺度特征融合的细胞计数方法。首先,使用VGG16的前10层提取细胞特征,避免了由于网络过深造成的小目标信息丢失;其次,引入空间金字塔池化结构提取细胞的多尺度特征并进行特征融合,降低了因细胞形态各异、尺寸不一和细胞遮挡等问题带来的计数误差;然后,使用混合空洞卷积对特征图进行解码,得到密度图,解决了CSRNet在解码过程中像素遗漏的问题;最后对密度图逐像素进行回归得到细胞总数。另外,在训练过程中引入了一种新的组合损失函数以代替欧几里得损失函数,不仅考虑了groundtruth密度图与预测密度图单个像素点之间的关系,还考虑了其全局和局部的密度水平。实验证明,优化后的CSRNet在VGG cells和MBM cells数据集上取得了较好的结果,有效改善了由细胞尺寸变化等因素造成的细胞计数精度低的问题。

基于优化YOLOv5s的跌倒人物目标检测方法

针对目标检测模型在人物跌倒时易漏检、鲁棒性和泛化能力差等问题,提出一种基于改进YOLOv5s的跌倒人物目标检测方法YOLOv5s-FPD。首先,对Le2i跌倒数据集使用多种方式扩充后用于模型训练,增强模型鲁棒性和泛化能力;其次,使用MobileNetV3作为主干网络来进行特征提取,协调并平衡模型的轻量化和准确性关系;然后,利用BiFPN改善模型多尺度特征融合能力,提高了融合速度和效率,并使用CBAM轻量级注意力机制实现注意力对通道和空间的双重关注,增强了注意力机制对模型准确性地提升效果;最后,引入Focal Loss损失评价从而更注重挖掘困难样本特征,改善正负样本失衡的问题。实验结果表明,在Le2i跌倒数据集上YOLOv5s-FPD模型比原YOLOv5s模型,在精确度、F_(1)分数、检测速度分别提高了2.91%,0.03和8.7 FPS,验证了该方法的有效性。