基于级联注意力与密集特征融合的图像修复算法

针对图像修复算法存在的语义不连贯、纹理不清晰等问题,提出一种基于生成对抗网络的新型级联密集生成网络CDGAN(Cascade Densely Generative Adversarial Network),采用encoder-decoder作为生成器主干,利用下采样提取图像特征;为使网络关注修复图像的高频纹理和颜色保真度等有效信息,引入级联的注意力模块,并加入密集特征融合模块扩大网络的整体感受野,充分学习图像特征,提高编码器提取特征的利用率,最后将处理后的图像特征进行上采样重建。在Celeb A和Places2数据集的测试结果表明,CDGAN在语义连贯性、纹理清晰度等方面都有所提升。

基于NATCA-GreaterYOLO的航拍小目标检测

为解决通用目标检测模型在无人机航拍场景下存在的物体尺度变化剧烈及复杂的背景干扰等问题,本文主要对基于NATCA-Greater YOLO的航拍小目标检测进行研究。在特征提取网络的最后一层,加入邻域注意力转换器(neighborhood attention transformer,NAT),以保留足够的全局上下文信息,并提取更多不同的特征。同时,在特征融合网络(Neck)部分,加入坐标注意力(coordinate attention,CA)模块,以获取通道信息和更长范围的位置信息,将原卷积块中的激活函数替换为Meta-ACON,并使用NAT作为新网络的预测层,以VisDrone2019-DET目标检测数据集为基准,在VisDrone2019-DET-test-dev数据集上进行测试。为了评估NATCA-Greater YOLO模型在航拍小目标检测任务中的有效性,采用Faster R-CNN、RetinaNet和单步多框目标检测(single shot multiBox detector,SSD)等检测网络在测试集上进行对比检测。研究结果表明,NATCA-Greater YOLO检测的平均精度为42%,与最先进的检测网络TPH-YOLOv5相比,NATCA-Greater YOLO的检测精度提升了2.9%,说明该模型可以准确地定位并识别目标。该研究具有一定的创新性。