基于重参数化多尺度融合网络的高效极暗光原始图像降噪

实用的暗光降噪增强解决方案往往需要具备计算速度快、内存效率高、能够实现视觉上高质量的降噪等优点。现有方法大多以提升降噪质量为目标,因此在速度和内存要求上有所折中,这在很大程度上限制了其实用性。文中提出了一种新的深度降噪网络——重参数化多尺度融合网络,用于极暗光单张原始图像降噪,在不损失降噪性能的同时加快模型的推断速度并降低内存开销。具体地,在多尺度空间提取图像特征,利用轻量级的空间通道并行注意力模块动态自适应地聚焦于空间及通道中的核心特征;同时使用重参数化的卷积单元,在不增加任何推断计算量的情况下进一步丰富模型的表征能力。该模型在常见CPU上(如Intel i7-7700K)可以在1s左右恢复超高清4K分辨率图像,在普通GPU(如NVIDIA GTX 1080Ti)上以24帧率的速度运行,在几乎4倍快于现有先进方法(如UNet)的同时仍保持具有竞争力的恢复质量。

基于改进RT-DETR的车门内拉手表面缺陷检测方法

针对车门内拉手表面的缺陷目标小、多尺度、易反光等问题。首先,通过使用碗状光源和降低图像采集表面夹角的方法,解决内拉手表面图像采集时因表面弯曲和镜面反射导致的缺陷特征被覆盖问题。然后,针对传统的RT-DETR模型存在缺陷检测精度差,速度慢等问题,提出一种改进的RT-DETR目标检测方法。该方法首先以RT-DETR为基础架构,在主干网络中采用并行的膨胀卷积与CA注意力机制并结合卷积重参数化的方式,以增加网络感受野和建立长距离的语义信息的同时提高网络推理速度。其次,通过添加额外的检测层来增加网络对小目标检测的特征提取能力。紧接着,在多尺度特征融合阶段使用了改进的BIFPN结构以提高模型信息交互的能力。最后,消融实验表明,相较于传统的基于RT-DETR的检测方法,本文提出的改进RT-DETR的检测方法,平均精度提升了6.5%,检测速度为传统模型的1.6倍,同时模型的参数量仅为原网络的76.5%。验证了本文所提方法的有效性。

基于改进SSD模型的道路交通标志识别方法

为了帮助智能汽车快速识别前方的交通标志,提升汽车在交通道路上的行驶安全,针对现有技术在识别过程中容易出现误检和漏检的问题,在优化现有SSD(Single Shot MultiBox Detector)目标检测模型的基础上,提出一种新的检测模型Rep-SSD(Re-parametrization, SSD),保证网络的实时性和识别的准确性.为增强骨干网络的特征提取能力,将SSD骨干网络中的卷积层更换为重参数化卷积层,在训练过程加入多分支结构增强网络特征的提取能力,在推理过程中采用重参数化技术简化网络,保持网络的识别速度.为进一步增强改进网络的小目标识别能力,加入CBAM(Convolutional Block Attention Module)注意力机制,强化网络提取到的特征信息.试验结果表明:在德国交通标志识别数据集GTSRB上,Rep-SSD模型的检测精度达到84.7%,检测速度(FPS)达到110帧每秒,模型具有较好的检测精度和实时性.所提出的Rep-SSD模型为自动驾驶汽车提供了一种实时且准确的交通标志识别方案.