基于Unet的高分辨率遥感图像地物分类

遥感图像地物分类一直是遥感解释的难题。在过去的发展中,传统的分割方法在应用上受到很大限制。在近些年各种出色的语义分割模型提出之后,基于语义分割方法对遥感图像地物分类的研究上得到了非常大的进展。在该实验中,首先通过对数据集进行数据扩增,然后采用迁移学习的方法进行训练,并基于U-Net网络模型的基础上进行改进,采用ResNet50,ResNet101等作为U-Net的主干网络,对原网络的解码部分进行微调。在训练过程中采用early stopping和学习率下降等训练技巧进行训练。实验结果表明,改进之后的U-Net的F1分数基本都达到0.9左右,在训练集和验证集上都可以达到94%左右的精确度,接近人工标注。

基于Retinaface与KCF人脸目标检测与跟踪算法研究

虽然随着深度学习的快速发展,在人脸的检测跟踪领域取得了一定的研究成果,在理论上不断进步创新,但在实际应用中仍然存在很多问题,比如人脸目标跟踪的速度慢的问题、光照强度不断变化下以及遮挡情况下导致检测与跟踪的最终效果与预期相差较大的问题等。为了解决此类问题,该文将深度神经网络(Retinaface)和核相关滤波器(KCF,KernelizedCorrelationFilters)进行结合,提出一种新的人脸跟踪算法Retinaface-KCF,通过Retinaface对视频流中的人脸进行检测,将检测到的人脸坐标信息传递给KCF进行跟踪。在跟踪过程中,设定两种异常情况处理方法,第一种是异常峰值,通过实时监测响应峰值,当出现异常峰值时,则判定为跟踪目标异常,通过Retinaface重新进行检测。第二种是时间阈值,通过设定目标跟踪重新检测阈值,当目标跟踪超过阈值时间,同样通过Retinaface重新进行检测。经过实验表明,该方法在保持较高的准确率情况下,可以达到平均150FPS的速率。

基于Android平台人脸检测研究

人脸检测技术作为一种有效、方便的身份鉴别技术,随着近些年深度学习的快速发展,已经比较成熟。但是,以往人脸检测技术的研究主要在PC端进行,而基于移动设备的人脸检测还并没有得到很好的实现。为了提高人脸检测在Android平台的检测速度和精确度,该文将在PC端训练好的人脸检测模型RetinaFace部署到Android平台的手机端。经过测试,在Android平台的手机端可以保持较高的精确度和实时性,调用摄像头进行实时检测可以做到平均13的FPS。

一种基于交叠组合稀疏全变分的图像去噪方法

全变分(Total Variation,TV)变换作为一种常用的稀疏变换模型,因其在保持图像边缘信息方面具有明显的优势,已经被应用到图像去噪问题中。然而,它通常会产生阶梯伪影。为了克服这个缺点,在该文中,我们引入交叠组合稀疏全变分(Overlapping Group Sparsity Total Variation,OGSTV)代替传统TV变换模型。为了求解该OGSTV去噪模型,我们提出一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和split Bregman算法的快速OGSTV去噪方法。实验结果表明,引入快速傅里叶变换理论后,图像去噪时间明显减少;与其他已有比较好的算法相比,可以获得更好的图像质量,阶梯效应明显改善。

一种声学特性阻抗匹配主动吸声的方法

该方法适用于录音室,家庭影院,酒吧,小俱乐部等场所高质量录制系统中使用,包含拾音器模块和前置放大器模块,前反馈控制模块和后端功率放大器模块,扬声器前腔,声网,扬声器后腔及扬声器等。通过该方法能让个人及小型娱乐录制场所减少室内声波反射,控制房间内部混响大小,以获得高质量的录音水准。