视觉Transformer在低级视觉领域的研究综述

Transformer是一种革命性的神经网络模型架构,最初为自然语言处理而设计,但其由于卓越的性能,在计算机视觉领域获得了广泛的应用。虽然关于Transformer在自然语言处理领域的应用有大量的研究和文献,但针对低级视觉任务的综述相对匮乏。简要介绍了Transformer的原理并分析归纳了几种变体。在低级视觉任务的应用方面,将重点放在图像恢复、图像增强和图像生成这三个关键领域。通过详细分析不同模型在这些任务中的表现,探讨了它们在常用数据集上的性能差异。对Transformer在低级视觉领域的发展趋势进行了总结和展望,提出了未来的研究方向,以进一步推动Transformer在低级视觉任务中的创新和发展。这一领域的迅猛发展将为计算机视觉和图像处理领域带来更多的突破,为实际应用提供更加强大和高效的解决方案。

视觉注意模型研究方法

随着信息技术不断的发展,处理的数据不断增加多,用户对信息处理的效率和准确性要求越来越高,如何选择合适的机器人视觉注意模型电能质量算法已经成为目前研究的热点,本文介绍了视觉注意模型的相关理论,阐述了其对计算机视觉的重要意义。

一种新的移动机器人气体泄漏源视觉搜寻方法

为提高视觉信息的处理效率,将视觉注意机制引入到特定目标(泄漏源)的搜寻过程中,在此基础上提出了一种新的基于任务驱动视觉注意机制(TBVAM)的气体泄漏源搜寻方法.该方法分为3步完成:首先,确定能有效凸显目标物的对比映射图合并权值系数;其次,当获取实际场景的图像信息后,利用训练得到的权值系数加权合并不同特征及尺度的对比映射图,得到少数几个可疑目标区域,并结合激光测距信息计算出可疑目标所在的位置;最后,驱动机器人对可疑目标区域进行排查,通过判断嗅觉传感器检测到的气体浓度是否大于给定阈值确定其是否找到气体泄漏源.实验结果表明,所提出算法能显著提高对气体泄漏源的搜寻效率.

汉字提示下视觉注意范围的脑机制

通过事件相关电位（ERP）研究在汉字提示下视觉注意范围引起的脑内时程动态变化、被试为14名健康青年人,在固定视觉注意方位的条件下,以“大、中、小”汉字为范围提示完成视觉搜索任务,记录128导头皮ERP,研究注意范围因素对视觉空间注意的作用.结果显示:不同汉字提示物诱发头颅后部N2潜伏期有显著差异,其他ERP成分无显著差异.在大、中、小范围提示下,靶刺激诱发P2,N2的波幅与潜伏期有显著差异,而P1,N1没有显著区别.结果提示:视觉注意范围加工主要与P2,N2成分有关,而P1,N1成分主要与注意方位信息的加工相关.

融合机器人视／嗅觉信息的室内气体源识别

提出了一种新的融合机器人视觉和嗅觉双模态信息的识别和定位室内通风环境下气体泄漏源的方法。该方法首先采用自顶向下的任务驱动视觉注意机制（TDVAM）计算模型对场景图像进行分析得到多个显著区域，其次对显著区域提取多个形状特征（面积、周长、紧密度、长宽比）并进行形状匹配分析，确定其是否为疑似泄漏源区域，最后采用最小二乘估计方法融合视／嗅觉双模态信息识别真正的气体泄漏源。实际室内环境的测试结果验证了该方法的可行性。

一种基于深度学习的视觉里程计算法

近年来,视觉里程计广泛应用于机器人和自动驾驶等领域,传统方法求解视觉里程计需基于特征提取、特征匹配和相机校准等复杂过程,同时各个模块之间要耦合在一起才能达到较好的效果,且算法的复杂度较高。环境噪声的干扰以及传感器的精度会影响传统算法的特征提取精度,进而影响视觉里程计的估算精度。鉴于此,提出一种基于深度学习并融合注意力机制的视觉里程计算法,该算法可以舍弃传统算法复杂的操作过程。实验结果表明,所提算法可以实时地估计相机里程计,并具有较高的精度和稳定性以及较低的网络复杂度。