基于伽马分布的变点检测

针对伽马分布中变点个数及变点位置的检测问题,本文基于三类不同的惩罚项,采用不同方法对伽马分布中单变点及多变点进行检测,对变点个数及位置识别的准确性进行研究,从而比较不同方法的检测效果。数值模拟表明,针对单变点的情况,AMOC方法的检测效果优于其他方法;而在多变点的情况下,所采用的WBS方法具有更好的检测性能,优于其他方法。最后,本文通过实证分析验证不同方法的有效性。

融合CBAM注意力机制的区域归一化图像修复

针对基于生成对抗网络的图像修复模型,在修复随机不规则大面积缺失区域的图像时仍存在修复图像出现伪影或失真的问题,提出一种融合卷积块注意力机制(convolutional block attention module,CBAM)的区域归一化图像修复模型。基于生成对抗网络(GAN)的思想,分为生成网络和对抗网络,在修复模型生成网络编码器与解码器之间的残差块中嵌入CBAM注意力机制,组合成包含混合扩张卷积、可学习区域归一化(RN-L)和CBAM注意力机制的残差块,来获得更有效的感受野,并自动检测图像中潜在的缺失和未缺失区域,同时捕获图像缺失区域的关键局部细节信息,提升网络的特征学习能力,进而提取待修复图像中的有效特征;将原来残差块和解码器的激活函数由ReLU改为Mish及ELU,有效减少信息的保留,从而加快网络的训练。在CelebA、Paris StreetView以及Places2数据集上对具有不规则缺失区域的图像进行实验,采用性能评价指标峰值信噪比(PSNR)、结构相似性(SSIM)和L1损失进行评价。实验结果表明,模型的定性和定量分析结果均优于对比模型,其性能评价指标值更高,修复图像的视觉效果更好。模型在修复随机不规则大面积缺失区域的图像时,能有效消除伪影,呈现出更好的视觉效果,并且模型的收敛速率更快。