基于U⁃net卷积神经网络的多尺度遥感图像分割算法

多尺度遥感图像的非本质特征量较大,不仅易导致图像噪声较大,也增加了图像分割的难度。为充分保留分割后多尺度遥感图像的边缘特征,在U⁃net卷积神经网络下提出新的图像分割算法。以U⁃net卷积神经网络为基网,提取被分割图像特征,获得被分割图像细节信息;计算相邻像素和原始像素特征向量的欧氏距离,结合去噪算法,通过归一化参数处理,建立相似性函数,实现对多尺度遥感图像分割特征增强处理;计算分割框候选偏差值;根据U⁃net卷积神经网络结构确定局部最优合并区域对;计算度量区域的距离,使用全局最优区域合并方法更新分割时间复杂度,实现多尺度遥感图像整体分割。由实验结果可知,该算法能够精准确定指定建筑物位置,并保留建筑物完整边缘细节信息。

基于UNet3+生成对抗网络的视频异常检测

为解决传统视频异常检测方法在不同场景下多尺度特征提取不完全的问题,提出两种方法:一种是用于简单场景的基于UNet3+的生成对抗网络方法(简称U3P^(2)),另一种是用于复杂场景的基于UNet++的生成对抗网络方法(简称UP^(3))。两种方法分别对连续输入的视频帧生成预测,引入多种损失函数和光流模型学习其外观与运动信息,通过计算AUC进行性能评估。U3P^(2)方法以6.3 M参数量在Ped2数据集的AUC提升约0.6%,而UP^(3)方法在Avenue数据集的AUC提升约0.8%,验证其能够有效应对不同场景下的异常检测任务。

混合扩张卷积和注意力机制的路面裂缝检测

针对复杂背景下路面裂缝检测困难的问题,提出一种基于混合扩张卷积和空间-通道注意力机制的路面裂缝检测算法。基于改进的U-Net网络,在编码阶段,使用空间-通道注意力机制增强裂缝特征,抑制非裂缝特征;在网络中间部分,使用混合扩张卷积实现在不增加额外模块的前提下增大网络的感受野;在解码阶段,融合多层次和多尺度特征使最终预测结果更接近路面真实情况。实验结果表明,所提算法能够快速准确地对路面裂缝进行检测,具有较强的鲁棒性。

基于双通道多尺度特征提取和注意力的SAR与多光谱图像融合

图像融合的根本任务是提取图像特征,由于合成孔径雷达(Synthetic Aperture Radar,SAR)图像和多光谱(Multi Spectral,MS)图像存在通道差异,针对现有算法难以充分提取和利用SAR图像的高频细节信息和多光谱图像的低频光谱信息,融合图像存在细节丢失和光谱失真问题。本文提出了一种基于双通道多尺度特征提取和混合注意力的图像融合算法。首先采用双通道网络提取SAR和多光谱图像的多尺度高频细节特征和低频光谱特征,并连续使用不同空洞率的扩张卷积扩大感受野。然后将提取的特征映射到混合注意力模块中进行特征增强,再将这些增强特征与上采样的多光谱图像叠加。同时构建了基于光谱角度距离的损失函数,可以进一步缓解细节丢失和光谱失真。最后通过解码网络重建图像,得到高分辨率的融合图像。实验结果表明,本文算法达到了领先水平,并且融合图像在细节和光谱上保持了较好的平衡。

基于多尺度特征提取与融合的单幅图像去雾算法

为解决随着CNN网络层数加深而导致的学习成本过高或过拟合问题,提出了一种基于多尺度特征提取与融合的单幅图像去雾算法。该算法结合U-Net思想,对输入图像进行物理分割和下采样得到多个尺度的特征图,采用残差连接的方式进行多维度融合,可以更好的适配大尺度数据集。同时,在网络中加入了深度监督模块,引入额外的监督信号有助于梯度传播,加快收敛速度,保证了训练的稳定性,这种多任务的学习形式提高了网络对不同输入的适应性,可以增强去雾效果。此外,使用自带多维度天气系统渲染的3D游戏引擎,自建了一份大尺度全高清数据集,模型训练的鲁棒性和泛化能力得到显著提升。实验结果表明,所提算法在训练速度和模型大小控制上具有一定优势,在主观评价上,远景去雾效果明显,峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)和结构相似性(Structure Similarity, SSIM)两个客观评价指标分别为26.75 dB和0.907,相较于对比算法中性能第二的模型分别提高了3.5和5.9个百分点,加入自建数据集进行组合训练后进一步提升了模型的去雾性能。

基于多尺度残差网络的压缩感知重构算法

目前压缩感知系统利用少量测量值使用迭代优化算法重构图像.在重构过程中,迭代重构算法需要进行复杂的迭代运算和较长的重构时间.本文提出了多尺度残差网络结构,利用测量值通过网络重构出图像.网络中引入多尺度扩张卷积层用来提取图像中不同尺度的特征,利用这些特征信息重构高质量图像.最后,将网络的输出与测量值进行优化,使得重构图像在测量矩阵上的投影与测量值更加接近.实验结果表明,本文算法在重构质量和重构时间上均有明显优势.

基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement,ECA-MS-DHTCN)模型。首先,使用4种不同尺寸卷积核的因果卷积提取负荷数据特征,并在特征提取层中嵌入高效通道注意力(efficient channel attention network,ECA)模块实现不降维的局部跨通道交互,得到带有通道注意力的多尺度负荷特征。然后,利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network,TCN)残差块结构,克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题,兼顾负荷特征浅层细节及深层联系。最后,将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架,完成短期负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。

基于MSCNN-LSTM的注意力机制U型管道缺陷识别模型

对于承担缓震功能的特异U型管道,其结构复杂使管内和管壁缺陷具有时延性和多源多征兆等特点。针对U型管道缺陷难以有效识别的问题,提出一种基于多尺度卷积神经网络–长短期记忆(multi-scale convolution neural network-long short-term memory,MSCNN-LSTM)的注意力机制U型管道缺陷识别方法。采用主动声学检测方法获取管道声学响应信号,将原始声学信号作为模型输入,训练多尺度卷积神经网络提取重要细粒度局部特征。然后,多尺度局部特征融合为一个特征向量输入至LSTM网络中抽取潜藏在时序规律的粗粒度上下文特征。下一步引入注意力机制,对提取的特征赋予不同的权重,使模型更关注于最具类别区分度的特征,滤除冗余特征,提高模型缺陷识别能力。最后,在输出端通过Softmax分类器实现U型管道缺陷识别。试验结果表明,与其他常用的分类方法相比,该方法拥有更快的收敛速度,可实现98.44%的缺陷识别准确率。此外,采用Grad-CAM类激活可视化方法对所提模型的特征学习和缺陷分类机理实现了过程分析和展示。

基于3D全卷积网络的腹部动脉CTA分割算法

目前卷积神经网络已成为腹部动脉血管分割领域的研究热点,但经典的卷积网络存在分割精度低和分割血管不连续的问题。为此,文中提出了基于改进3D全卷积网络的腹部动脉血管分割算法。该方法在网络的编码路径上构造不同尺度的侧输入,并将侧输入卷积后的图像与下采样卷积后的图像进行融合,提取更多的特征信息。同时,网络中嵌入了新的多尺度特征提取模块,该模块将通道注意力与密集扩张卷积进行了融合,有效地捕获了更高层次的特征信息。对腹部动脉血管进行分割的结果表明,与其他分割方法相比,所提方法在直观性和定量性上均有提高,证明了该方法能够提升血管分割精度。

基于深度学习的路面缺陷检测方法研究

路面缺陷会给公路监管和路面养护带来严重影响,本文针对目前路面缺陷图像采集方法成本高、效率低的问题,提出一种基于深度学习的路面缺陷检测方法。该方法包括目标检测和图像分割子系统,其中,目标检测使用YOLOv5模型来提升路面缺陷位置识别精准率;图形分割使用“U”形多尺度扩张卷积网络(U-Multiscale Dilated Network,U-MDN)来增强路面缺陷深度特征提取。使用目标检测数据集和图像分割数据集进行试验,其中YOLOv5模型精度为92%;比较U-Net模型和U-MDM模型,U-MDN模型的Precision、Recall和F1-score指标综合表现最优,充分证明了该方法对路面缺陷检测具有有效性。

基于多尺度级联卷积神经网络的高光谱图像分析

在样本有限情况下对象级别的叶片高光谱图像建模中,提出了多尺度三维和一维级联卷积神经网络模型。首先,在三维卷积神经网络(3D-CNN)中嵌入扩张卷积增大卷积核感受野,构建了多尺度3D-CNN,提取和融合不同尺度的光谱-空间联合特征,在不增加网络参数的情况下提升了模型性能。然后,对最优多尺度3D-CNN网络级联一维卷积神经网络(1D-CNN),进一步降低计算复杂度和过拟合程度。最后,在罗勒叶片叶绿素含量回归和辣椒叶片干旱胁迫识别两类数据集上进行最优网络框架探究并对比了一系列基准CNN模型。结果表明,对于叶片高光谱图像回归和分类,本文模型均能在小样本条件下有效提升模型泛化性能并降低计算复杂度。

一种改进残差网络的图像超分辨率重建

针对图像超分辨率重建的卷积神经网络存在单一尺度特征提取及感受野小等问题,提出一种改进的多尺度特征提取融合空洞残差网络的单幅图像超分辨率重建方法.在网络初始阶段采用多尺度特征提取模块,改进了图像高频有用信息提取不充分的问题;网络中间阶段采用6个不同扩张率的空洞残差块串联,增大感受野的同时消除“网格”化效应,提升图像细节信息的传播效率.在Set5、Set14和BSD100数据集上的实验结果表明:该方法的重建结果均优于其他3种算法.与VDSR方法相比,平均PSNR提升了0.23 dB,平均SSIM提升了0.0147;与Bicubic方法相比,平均PSNR提升了2.39 dB,平均SSIM提升了0.0603.

DeepLab V3+改进的树木图像分割

针对树木图像分割需要预处理、人机交互和分割精度低等问题,提出基于改进的DeepLab V3+的街道树木图像分割方法。在编码端使用带有扩张卷积的扩张残留网络并添加密集连接方式提取中阶特征图,传递给设计有交互信息传递的空洞空间卷积池化金字塔,增强了不同感受野之间的相关性,采用多尺度拼接融合方法形成高阶特征图。在解码端,对多增加的中阶特征图和高阶特征图进行上采样后调整通道数,与低阶特征图进行跨层拼接融合,使高分辨率图像的细节信息得到更好的补充。在自制树木图像分割数据集以及Cityscapes公共数据集上的精度相较DeepLab V3+以及其它主流网络有所提高。

基于深度学习的水平非均匀蒸发波导反演方法研究

水平非均匀蒸发波导是一种异常的大气结构,在海上出现的概率高,对海上低空雷达具有较强的电磁捕获能力.然而,海上低空蒸发波导修正折射率剖面反演过程中由于水平方向剖面参数的非均匀变化,导致在实际的海洋环境中产生较大的反演复杂度和误差.为解决上述问题,首先提出了一维残差扩张因果卷积自编码器(one-dimensional residual dilated causal convolutional autoencoder,1D-RDCAE)网络实现低自由度的非均匀蒸发波导剖面建模,其次提出了多尺度卷积残差网络(multi-scale convolutional attention residual network,MSCA-ResNet)框架来实现水平非均匀蒸发波导剖面反演.为验证建模模型的有效性,在模拟海杂波功率数据集上验证降维模型的有效性,实验结果表明,基于1D-RDCAE比基于主分量分析法、堆栈自动编码器和一维卷积自动编码器降维重构后更接近原始数据,并且在模型训练过程中收敛速度更快.为了验证反演模型的有效性,在模拟的海杂波和实测海杂波数据上进行了测试,结果表明基于仿真海杂波和实测海杂波数据分别可实现蒸发波导高度反演准确率为96.98%和91.25%,优于目前典型的反演方法.本文提出的基于深度学习的水平非均匀蒸发波导反演方法具有模型反演效率高、模型复杂度低、反演误差小的特点,为海上反常传播环境实时高精度认知提供了新技术.

基于Transformer的核磁共振肿瘤图像分割研究

为了提高医务人员对于脑肿瘤核磁共振成像的诊断效率和准确率,提出一种基于Transformer的U形图像分割网络,使用纯Transformer架构对输入图像进行特征编码与解码,并通过跳转连接融合多尺度特征修复目标细节。此外,还在特征融合的地方增加了跳转注意力操作,增强模型的鲁棒性。为了验证此方法的有效性,在公共的脑肿瘤分割数据集BraTS2021上进行了多次实验。所提模型对ET、TC和WT区域的分割Dice得分分别达到83.51%、87.66%和91.39%,且参数量和浮点运算次数较低。实验结果表明,所提网络结构在脑肿瘤核磁共振成像上具有较强的分割性能。