期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于注意力机制的红外小目标检测方法
被引量:
5
1
作者
董亚盼
高陈强
+1 位作者
谌放
刘芳岑
《重庆邮电大学学报(自然科学版)》
CSCD
北大核心
2023年第2期219-226,共8页
针对红外小目标占用像素较少、背景相似性强、网络容易受到背景杂波信息干扰的问题,提出了一种基于注意力机制的红外小目标检测方法。利用注意力机制模块抑制背景杂波,增强小目标特征,并使用红外小目标检测模块实现检测任务;为了增强网...
针对红外小目标占用像素较少、背景相似性强、网络容易受到背景杂波信息干扰的问题,提出了一种基于注意力机制的红外小目标检测方法。利用注意力机制模块抑制背景杂波,增强小目标特征,并使用红外小目标检测模块实现检测任务;为了增强网络鲁棒性,通过高斯噪声与原图通道堆叠输入的数据增强方式提升网络抗杂波干扰的能力。实验表明,提出的方法在MDvsFA数据集中的性能超过了目前最新的对比算法。
展开更多
关键词
红外小目标
深度学习
注意力机制
高斯噪声
下载PDF
职称材料
基于注意力机制和离散高斯混合模型的端到端图像压缩方法
被引量:
6
2
作者
朱俊
高陈强
+1 位作者
陈志乾
谌放
《重庆邮电大学学报(自然科学版)》
CSCD
北大核心
2020年第5期769-778,共10页
图像压缩是图像处理领域重要的基础支撑技术之一。近年来,深度学习被用于解决图像压缩任务。潜在表示特征的冗余和概率估计的不准确往往会限制压缩性能的进一步提高。为了改善这类问题,提出一种基于注意力机制和离散高斯混合模型的端到...
图像压缩是图像处理领域重要的基础支撑技术之一。近年来,深度学习被用于解决图像压缩任务。潜在表示特征的冗余和概率估计的不准确往往会限制压缩性能的进一步提高。为了改善这类问题,提出一种基于注意力机制和离散高斯混合模型的端到端图像压缩方法。将全局上下文注意力模块嵌入到编码器,旨在构造紧凑的潜在表示特征。同时,将潜在表示特征建模为参数化的离散高斯混合模型,用于提高码率估计的准确度。实验结果表明,提出的算法无论在峰值信噪比(peak signal noise rate,PSNR)还是多尺度结构相似度(multi-scale structural similarity,MS-SSIM)指标上都高于传统方法。在视觉感知上,提出的图像压缩算法能产生更令人满意的压缩图像。
展开更多
关键词
图像压缩
自编码器
卷积神经网络
深度学习
下载PDF
职称材料
题名
基于注意力机制的红外小目标检测方法
被引量:
5
1
作者
董亚盼
高陈强
谌放
刘芳岑
机构
重庆邮电大学通信与信息工程学院
信号与信息处理重庆市重点实验室
出处
《重庆邮电大学学报(自然科学版)》
CSCD
北大核心
2023年第2期219-226,共8页
基金
国家自然科学基金(62176035,61906025)
重庆市自然科学基金(cstc2020jcyj-msxmX0835,cstc2021jcyj-bsh0155)。
文摘
针对红外小目标占用像素较少、背景相似性强、网络容易受到背景杂波信息干扰的问题,提出了一种基于注意力机制的红外小目标检测方法。利用注意力机制模块抑制背景杂波,增强小目标特征,并使用红外小目标检测模块实现检测任务;为了增强网络鲁棒性,通过高斯噪声与原图通道堆叠输入的数据增强方式提升网络抗杂波干扰的能力。实验表明,提出的方法在MDvsFA数据集中的性能超过了目前最新的对比算法。
关键词
红外小目标
深度学习
注意力机制
高斯噪声
Keywords
infrared small target
deep learning
attentional mechanism
gaussian noise
分类号
TN915.43 [电子电信—通信与信息系统]
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于注意力机制和离散高斯混合模型的端到端图像压缩方法
被引量:
6
2
作者
朱俊
高陈强
陈志乾
谌放
机构
重庆邮电大学通信与信息工程学院
信号与信息处理重庆市重点实验室
出处
《重庆邮电大学学报(自然科学版)》
CSCD
北大核心
2020年第5期769-778,共10页
基金
国家自然科学基金(61571071,61906025)
重庆市科委自然科学基金(cstc2018jcyjAX0227)。
文摘
图像压缩是图像处理领域重要的基础支撑技术之一。近年来,深度学习被用于解决图像压缩任务。潜在表示特征的冗余和概率估计的不准确往往会限制压缩性能的进一步提高。为了改善这类问题,提出一种基于注意力机制和离散高斯混合模型的端到端图像压缩方法。将全局上下文注意力模块嵌入到编码器,旨在构造紧凑的潜在表示特征。同时,将潜在表示特征建模为参数化的离散高斯混合模型,用于提高码率估计的准确度。实验结果表明,提出的算法无论在峰值信噪比(peak signal noise rate,PSNR)还是多尺度结构相似度(multi-scale structural similarity,MS-SSIM)指标上都高于传统方法。在视觉感知上,提出的图像压缩算法能产生更令人满意的压缩图像。
关键词
图像压缩
自编码器
卷积神经网络
深度学习
Keywords
image compression
auto encoder
convolutional neural network
deep learning
分类号
TN919.8 [电子电信—通信与信息系统]
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于注意力机制的红外小目标检测方法
董亚盼
高陈强
谌放
刘芳岑
《重庆邮电大学学报(自然科学版)》
CSCD
北大核心
2023
5
下载PDF
职称材料
2
基于注意力机制和离散高斯混合模型的端到端图像压缩方法
朱俊
高陈强
陈志乾
谌放
《重庆邮电大学学报(自然科学版)》
CSCD
北大核心
2020
6
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部