结合多聚焦融合和DSGEF双阶段网络重建太阳斑点图

太阳斑点图具有对比度较低、米粒结构相似、帧间差异较小的特点,现有重建网络在进行单帧去模糊时存在高频特征不足、局部细节难以恢复等问题。结合图像多聚焦融合,构建梯度增强与FPN双阶段网络实现太阳斑点图的高分辨率重建。首先,利用序列图像帧间相似信息互补特性,使用块聚焦图像融合算法,弥补图像丢失的高频细节;其次,以生成对抗网络GAN为框架,设计了一个双阶段重建网络DSGEF,联合梯度分支与结构特征分支增强高频细节,再利用FPN网络进行多尺度特征重建,改善米粒边缘清晰度;最后,引入一个包含对抗损失、像素损失和感知损失的联合损失函数,用于引导网络DSGEF进行训练,实现高分辨率太阳斑点图的重建。实验结果表明,该方法与现有深度学习方法相比,峰值信噪比(PSNR)和结构相似性(SSIM)指标均有明显提高,能够满足太阳观测图像高分辨率重建要求。

基于双阶段网络的交互式目标分割算法

针对已有多数交互式分割方法交互方式单一、预测结果精度较低的问题,构建一种基于双阶段网络的目标分割模型ScribNet,以实现更完整和精细的交互式目标分割。采用灵活涂画的交互方式,通过编码形成交互指导信息。设计骨架随机性仿真算法,实现大数据下的模拟交互操作。在传统分割模型中引入预测优化模块,形成双阶段网络结构,以充分利用交互指导信息。在COCO和PASCAL数据集上的实验结果表明,与DEXTR、GrabCut等方法相比,ScribNet模型的分割精度较高。

非线性时滞系统双阶段神经网络的改进广义预测控制

针对一类工业控制系统中存在的非线性、大时滞等情况,提出一种基于双阶段神经网络的改进隐式广义预测控制方法。首先,设计了一种基于快速回归算法和蝙蝠算法的双阶段神经网络模型,用于对非线性时滞系统进行建模,避免非线性系统下的模型失配问题;其次,采用比例积分(proportional integration, PI)结构优化广义预测控制目标函数设计,提高隐式广义预测控制性能;同时,改进控制增量选取策略,利用所预测的未来控制增量修正当前时刻控制增量;最后,将所设计的预测模型和预测控制方法应用于一个数值案例和锅炉燃烧系统,验证了所提控制策略的有效性。

卷积和自注意力融合的单图像超分辨率网络

近年来,超分辨率重建已经成为图像处理领域的一个研究热点。然而,超分辨率重建面临着诸多挑战,当模型参数过大时,虽然能取得良好的性能,但需要巨大的内存成本。针对目前大多数图像超分辨率网络无法做到既能实现良好的性能,又能保持网络模型轻量级的问题,提出了一种用于单图像超分辨率的新型轻量级双阶段网络。具体来说,设计了一种轻量级卷积模块用于局部特征提取,同时引入了一种轻量级Transformer模块学习图像的长期依赖关系,用于建模全局信息。实验结果表明,所提模型在客观评价指标和视觉效果上均表现良好。

基于GAN网络的时间序列预测算法

针对双阶段注意力自编码神经网络(DA-RNN)时间序列预测算法对随机数据预测效果较差和长时间预测中存在的累积误差问题进行改进,设计了一种基于生成式对抗网络(GAN)的时间序列预测算法。该算法以DA-RNN网络为生成网络,利用生成网络和判别网络之间的互补特性,消除DA-RNN网络对于长时间预测过程中存在的累积误差问题;引入多维注意力模型改进DA-RNN网络,并利用稀疏映射函数改进多维注意力模型;改进网络优化目标,通过探索目标序列在不同分位数下分布的形式,提升网络对于随机数据的预测精度。通过在公开数据集上测试,对算法的的准确性和有效性进行验证,结果表明:本文算法与DA-RNN算法相比,累积误差有明显降低,且对于随机数据的预测精度有显著提高。

Yolo-C:基于单阶段网络的X光图像违禁品检测

为了检测X光图像中的违禁物品,提出一种基于深度学习的单阶段双网络目标检测算法。在单阶段目标检测网络Yolov3的基础上,结合复合骨干网络的思想,构建了Yolo-C目标检测网络。Yolo-C的骨干网DarkNet-C由辅助骨干网络DarkNet-A和引导骨干网络DarkNet-L组成。DarkNet-A中的各个特征层与DarkNet-L中对应的上一层级进行特征级联,然后向下一层级传播,最终得到表征图像信息的特征图。为提升对小目标的检测性能,引入特征增强模块(FAB)。对级联后的特征图进行特征融合,以增强特征的非线性表达能力,达到特征平滑的目的。此外,采用迁移学习和数据增强的方法训练网络,提升了网络的鲁棒性。该算法在SIXray_OD数据集上平均精度均值(mAP)达到了73.68%,检测速度达40frame·s~(-1)。实验结果表明,Yolo-C在检测X光图像领域,有效提高了对多类违禁物品的检测精度,且满足检测的实时性要求。