基于Transformer和双残差网络的图像去模糊算法研究

在单幅图像去模糊网络的设计中,已广泛采用了由“粗到精”的策略。经典的基于深度学习的多尺度网络模型通常将子网络与多尺度输入图像堆叠,并从底层子网络到顶层子网络逐渐提高图像的清晰度,将不可避免地产生图像特征信息丢失问题以及较高的时间成本。针对上述问题,构建了一种基于编解码器结构的多输入多输出U型网络。首先,在编码器结构中采用Transformer模型代替传统卷积网络模型以充分获取图像特征信息;其次为了恢复高频细节特征,在解码器结构中设计了双残差网络;最后,提出多尺度融合算法,有效融合了多尺度特征。在GoPro上的仿真实验表明,通过引入Transformer,所提算法分别在PSNR与SSIM评价指标和运行时间上均优于主流算法,PSNR与SSIM值分别为31.15 dB、0.9577,同时从视觉上可以得到更多的图像细节。

基于时序偏移双残差网络的窃电行为检测

针对窃电量小、窃电发生时间随机的窃电行为,提出一种基于时序偏移双残差网络(TS-Bi-ResNet)的窃电行为检测模型.将基础残差网络模型改进为双残差网络(bi-residual network,Bi-ResNet)模型,考虑到窃电行为发生时间的随机性,利用时序偏移(timing shift,TS)算法对用电数据预处理,使模型能够学习用电数据的时间因素特征,构成TS-Bi-ResNet模型.根据真实用电数据和窃电特征生成含有伪窃电数据的混合用电数据集,利用TS-Bi-ResNet模型学习其浅层特征和深层特征,进而执行窃电行为检测.仿真和实际运行结果表明,TS-Bi-ResNet模型可以有效检测窃电量小且窃电发生时间随机的窃电行为,其检测精度优于LSTM模型与残差网络(ResNet)模型.

基于信息融合及双连接注意力残差网络的轴承故障诊断

针对单一传感器获取特征信息不足、深层卷积神经网络提取的故障特征缺乏重要性区分的问题,提出一种传感器信息融合与双连接注意力残差网络相结合的轴承故障诊断方法。首先,对从不同位置采集的振动信号,采用传感器信息融合策略转换成多通道输入,以获取更全面的故障特征信息;其次,针对融合后的多通道输入,设计了一种双连接残差网络来增强模型对特征信息的提取,同时引入通道注意力机制模块,对输出的特征赋予不同权重,使模型提取到的特征更具有鉴别性,改善了识别准确率。将所提方法应用于复杂工况下的轴承数据集,试验表明,该方法在变工况和噪声环境干扰下,具有良好的故障分类精度。

基于双残差卷积网络的低照度图像增强

为解决当前低照度图像增强问题,提出了一种基于双残差卷积网络的图像增强算法。首先,根据Retinex理论模型,将正常照度图像合成低照度图像,再分别将它们分解在R(红)、G(绿)、B(蓝)3个分量上,然后通过特征提取模块和双残差模块学习低照度图像与正常照度图像在各分量的映射关系,获得各分量上的增强图像,最后合成增强的RGB图像。采用双边滤波优化增强的RGB图像,使得所获得的图像更加接近参考图像。实验表明,本文所提算法,对于处理合成的低照度图像,峰值信噪比最高可达25.9311 dB,结构相似度最高可达0.9452;对于处理真实的低照度图像,盲图像质量评估指标高于其他算法,且运行速度更快。

基于双路径残差网络的虹膜图像超分辨率重建

低分辨率虹膜图像所含有效信息较少,实际应用到虹膜识别中会影响识别精度,而图像超分辨率重建技术能够有效解决这一问题。针对虹膜图像的结构和纹理差异,提出了适用于虹膜图像超分辨率的双路径网络结构,设计了双支路残差密集块提取深层虹膜特征,并采用后置放大策略重建图像。针对CASIA IrisV4虹膜图像库进行了实验,并与主流重建算法进行了比较,发现重建的图像结构清晰,纹理细节丰富。虹膜匹配实验结果表明,该算法的等错误率均为最优,重建图像具有良好的识别效果。

全局区分性增强与边界监督的篡改检测网络

基于深度学习的篡改检测网络通常忽视了全局通道特征间的差异性且未有效利用全局相关性,造成篡改检测结果误检率和漏检率较高。为解决该问题,构建一种新的篡改检测网络。利用双残差网络和限制卷积层构建特征提取主干网络层,提取待检测目标的双视图多尺度特征。建立全局信息增强模块,引入非局部注意力计算方式,计算各尺度通道的低维全局性相关程度,并将其作为增强参数对全局特征进行区分性增强操作。设计新的边界监督方式,通过对预测结果提取边界信息创建边界掩码图像以计算边界辅助损失,利用反向学习以引导全局特征集中于篡改区域,实现监督性篡改检测。在CASIA、COVER、NIST16、Columbia数据集上的实验结果表明,该网络能有效降低篡改检测结果的误检率和漏检率,像素级F1分数相比于性能最优的同类MVSS-Net平均提升了2.3个百分点。

基于CBAM-ResNet和多域特征融合的配电网故障选线方法

传统配电网故障选线模型大多采用零序电流时频特征作为选线判据,单一信息域特征无法全面反映故障信息差异、适用范围存在局限性。为了提高模型复杂工况下选线准确率,提出一种基于卷积注意力机制优化双分支残差网络(CBAM-ResNet)和多域特征融合的配电网故障选线方法。首先,利用变分模态分解-希尔伯特变换和格拉姆角场将采集的零序电流信号分别映射为二维时频域和空间域图像,构建能够全面的反映故障信息的多域图像训练集;其次,通过CBAM-ResNet网络深层次挖掘并融合多域特征信息,卷积注意力机制能对多域特征的重要性进行区分,加快网络训练速度,提高分类准确性;最后,将融合特征输入全连接层实现对配电网故障线路的选取。仿真结果表明,该方法相比传统选线方法具有更高的选线精度和噪声鲁棒性。

应对复杂光照下的高精度表情识别方法

针对表情识别存在相似表情识别精度不高和不同光照下识别困难的问题,提出一种改进的双通道残差网络表情识别模型。通过改进局部二值化算子,改善复杂光照下难以提取到鲁棒特征的问题,通过改进注意力机制,改善全局特征提取能力;搭建特征融合网络,通过交叉实验获取对于不同数据集都鲁棒的特征融合系数;将中心损失引入设计联合算法提高相似表情之间的区分度。实验结果表明,该算法提升了相似表情的区分精度,对于光照具有更好的鲁棒性。模型在3个公开数据集上的准确率达98.53%、96.42%、94.24%。

基于DTL与DC-ResNet的非侵入式多标签负荷识别方法

针对目前负荷识别中存在的人工挖掘特征困难的问题,同时为了进一步提升识别精度,提出了一种基于深度转换学习(DTL)与双通道深度残差神经网络(DC-ResNet)的非侵入式多标签负荷识别方法。首先运用改进的DTL从原始的负荷数据中自动提取有效的负荷特征,可以达到降维的效果。然后将负荷数据按时间滑窗生成特征图作为DC-ResNet的输入,利用卷积核自动提取时间尺度上的有效特征。DC-ResNet的一条通道用于提取大类特征预测负荷的开关状态,另一条通道用于提取小类特征预测负荷的运行模式,综合两条通道的输出可以得到最后的多标签分类结果。实验结果表明,经DTL提取后的负荷数据更易被识别,DC-ResNet在总体和单一设备的识别上都具有更好的效果,而且模型所需的训练时间较短。