基于线性低秩卷积与道路网络的城市流量推断

细粒度城市流量推断(FUFI)旨在从粗粒度交通流量中推断出真实的细粒度交通流量,以代替在现实世界中大量传感器设备的作用。现有的FUFI方法仅考虑到时间、天气等外部因素特征,忽略了道路网络特征对城市交通流的重要影响。此外,现有方法使用的传统残差网络结构对交通流的低级特征捕获能力不足,低级特征容易在网络深层消亡。为解决以上问题,提出一种使用线性低秩卷积与全局注意力Transformer的细粒度城市流量推断模型LLCGAT,以更好地捕获交通流的低级特征并融合道路网络特征的学习。该模型在考虑外部因素的基础上,首先将城市的道路网络作为重要的特征与交通流特征融合,并使用广泛激活的线性低秩卷积对综合特征进行特征提取,然后将综合特征与道路网络特征分别接入注意力Transformer的编码器和解码器中以进一步捕获交通流的全局空间分布。在TaxiB J-P1和Xi An两个真实世界数据集上的实验结果表明,LLCGAT模型将平均绝对百分比误差分别降低了3.3%和10.7%,均方根误差分别降低了2.3%和2.4%,平均绝对误差分别降低了3.8%和6.3%。

复杂背景下交错低秩组卷积混合深度网络的路面裂缝检测算法研究

由于混凝土路面光照强度不均匀、背景复杂、噪声干扰大,传统的裂缝检测算法难以准确提取其裂缝特征。为了在提高裂缝检测准确性的同时减少计算冗余,提出了一种将低秩核和组卷积结合的交错低秩组卷积混合深度网络的路面裂缝检测算法。首先利用重叠滑动窗口裁剪方法建立裂缝图像数据集,在训练集上生成一个具有较好鲁棒性的分类器,对裂缝及非裂缝图像进行分类,然后采用自适应阈值法得到边缘轮廓清晰的裂缝二值化图像,最后采用中轴线法求取裂缝最大宽度。在测试集上验证模型的性能,实验结果表明测试精度为0.9726,效果优于经典的裂缝检测算法,而且相对于卷积神经网络及其变体大幅减少了模型参数,处理图像的速度达到了每秒14张,并且在三个公开数据集上都达到了较好的检测效果。在2.5 mm以上的裂缝宽度上,计算相对误差小于0.02,较好地达到了工程实际要求。

双重字典学习与自适应PCNN相结合的医学图像融合

目的针对基于稀疏编码的医学图像融合方法存在的细节保存能力不足的问题,提出了一种基于卷积稀疏表示双重字典学习与自适应脉冲耦合神经网络(PCNN)的多模态医学图像融合方法。方法首先通过已配准的训练图像去学习卷积稀疏与卷积低秩子字典,在两个字典下使用交替方向乘子法(ADMM)求得其卷积稀疏表示系数与卷积低秩表示系数,通过与对应的字典重构得到卷积稀疏与卷积低秩分量;然后利用改进的的拉普拉斯能量和(NSML)以及空间频率和(NMSF)去激励PCNN分别对卷积稀疏与卷积低秩分量进行融合;最后将融合后的卷积稀疏与卷积低秩分量进行组合得到最终的融合图像。结果对灰度图像与彩色图像进行实验仿真并与其他融合方法进行比较,实验结果表明,所提出的融合方法在客观评估和视觉质量方面明显优于对比的6种方法,在4种指标上都有最优的表现;与6种多模态图像融合方法相比,3组实验平均标准差分别提高了7%、10%、5. 2%;平均互信息分别提高了33. 4%、10. 9%、11. 3%;平均空间频率分别提高了8. 2%、9. 6%、5. 6%;平均边缘评价因子分别提高了16. 9%、20. 7%、21. 6%。结论与其他稀疏表示方法相比,有效提高了多模态医学图像融合的质量,更好地保留了源图像的细节信息,使融合图像的信息更加丰富,符合人眼的视觉特性,有效地辅助医生进行疾病诊断。