复用特征组合的单幅人脸图像识别

单幅图像的人脸识别问题目前研究较少,而许多识别算法一旦应用到单幅训练图像的人脸库时,识别率会急剧下降。通过研究人脸的各个局部特征对识别人脸的影响,筛选出几个最能表达人脸信息的局部特征,然后利用Boosting思想,为从单个图像样本中挖掘更多的信息,重复使用人脸特征,将人脸的整体特征和局部特征结合起来构造了两个人脸识别系统———多特征投票法和复用特征法。

多路并行多尺度特征复用的遥感图像超分辨率

遥感图像内部物体尺寸小、分布不均匀、耦合程度高,针对目前遥感图像超分辨率模型特征提取信息单一且利用不足的现状,文中提出一种多路并行多尺度特征复用网络模型以改进图像重建的性能。该模型使用局部特征级联和全局特征融合的结构融合多个网络残差块提取的特征信息,其中每个残差块由两个多尺度卷积单元串行连接。多尺度卷积单元通过对特征信息进行交叉融合,构建多路并行的分支提取图像特征。同时引入短跳跃连接加强不同分支之间的特征复用,通过长跳跃连接加强网络不同深度的特征融合。当放大因子为4时,在两个测试集上该模型的峰值信噪比分别为29.6531 dB、29.0374 dB,相对于其他模型的测试结果具有明显提升,因此所提模型在遥感图像超分辨率重建上具有较好的效果。

基于层次特征复用的视频超分辨率重建

当前的深度卷积神经网络方法,在视频超分辨率任务上实现的性能提升相对于图像超分辨率任务略低,部分原因是它们对层次结构特征中的某些关键帧间信息的利用不够充分.为此,提出一个称作层次特征复用网络(Hierarchical feature reuse network,HFRNet)的结构,用以解决上述问题.该网络保留运动补偿帧的低频内容,并采用密集层次特征块(Dense hierarchical feature block,DHFB)自适应地融合其内部每个残差块的特征,之后用长距离特征复用融合多个DHFB间的特征,从而促进高频细节信息的恢复.实验结果表明,提出的方法在定量和定性指标上均优于当前的方法.

基于特征复用的卷积神经网络模型压缩方法

为了在不降低准确率的前提下,减小卷积神经网络模型的体积与计算量,提出一种基于特征复用的卷积神经网络压缩模块--特征复用单元(FR-unit)。首先,针对不同类型的卷积神经网络结构,提出不同的优化方法;然后,在对输入特征图进行卷积操作后,将输入特征与输出特征进行结合;最后,将结合后的特征传递给下一层。通过对低层特征的重复使用,使总的提取的特征数量不发生改变,以保证优化后的网络的准确率不会发生改变。在CIFAR10数据集上进行验证,实验结果表明,优化后的VGG模型体积缩小为优化前的75.4%,预测时间缩短为优化前的43.5%;优化后的Resnet模型体积缩小为优化前的53.1%,预测时间缩短为优化前的60.9%,且在测试集上的准确率均未降低。

基于特征复用的膨胀-残差网络的SAR图像超分辨重建

对于合成孔径雷达(SAR)图像,传统的超分辨重建方法对视觉特征的人为构造十分依赖,基于普通卷积神经网络(CNN)的超分辨重建方法对微小目标的重建能力较弱,对边缘轮廓的保真度较差。针对以上问题,该文提出一种基于特征复用的膨胀-残差卷积超分辨网络模型,同时引入感知损失,实现了精确的SAR图像4倍语义级超分辨。该方法为增加网络感受野,采用膨胀-残差卷积(DR-CNN)结构用于限制模型中特征图分辨率的严重损失,提高网络对微小细节的敏感度;为实现不同层级的特征最大化利用,将不同层级的特征图进行级联,形成一种特征复用结构(FRDR-CNN),以此大幅度提升特征提取模块的效率,进一步提升超分辨精度;针对SAR图像特殊的相干斑噪声干扰,引入感知损失,使得该方法在恢复图像边缘和精细的纹理信息方面具有优越表现。文中实验表明,与传统算法以及目前较为流行的几种全卷积神经网络超分辨重建算法相比,该文采用的FRDR-CNN模型在视觉上对小物体的超分辨重建能力更强,对边界等轮廓信息的重建更准确,客观指标中的峰值信噪比(PSNR)和结构相似性指数(SSIM)分别为33.5023 dB和0.5127,边缘保持系数(EPD-ROA)在水平和垂直方向上分别为0.4243和0.4373。

BRNet:基于特征复用的僵尸网络检测模型

僵尸网络作为一种新型攻击方式,如今已成为互联网安全领域面临的重大威胁之一。传统的僵尸网络检测算法在某些特定情境下可以达到很好的检测效果。然而,这些检测算法仍然存在问题,例如在检测现实世界中的真实流量时,存在特征提取标准不统一、低准确率、低召回率等现象,并且无法有效地检测未知僵尸网络。传统检测方法在真实世界的海量流量下问题频出,因此提出了BRNet,整个BRNet检测模型分为两部分。第一部分通过设定的统一标准从数据包的标头中提取原始数据。第二部分提出了ReconNet模型,可以充分利用数据的有限特征进行特征重用,以提高分类性能。在ISCX-2014僵尸网络数据集上的实验结果表明,准确率可以达到99.29%,F1分数达到99.02%,优于目前大多数检测方法,且具有很强的泛化能力。此外,该模型在CICIDS2017和DARKNET2020数据集上也取得了不错的效果。

一种基于多尺度特征复用残差网络的矿山图像重建算法

针对矿山图像重建中细节损失导致重建质量低下的问题,提出了一种基于多尺度特征复用残差网络的矿山图像重建算法,旨在提高矿山场景下图像重建的精度和效率。首先,设计了一个多尺度特征提取模块,通过堆叠多个并行的卷积层和池化层,结合局部残差网络构建图像特征提取模块,通过不同尺度的多路组合网络,从输入图像中充分提取图像的多尺度细节特征。这些特征表示具有不同的语义信息和空间分辨率,能够捕捉到图像中的不同细节和纹理结构。然后,引入了特征复用模块,将不同尺度的特征进行融合和复用,以增强图像重建的准确性。通过多尺度的特征交互和信息传递,可以有效地利用全局和局部的上下文信息,提高图像的重建性能。通过在自建的矿山图像重建数据集上进行试验,结果表明:所提出的算法在重建精度和效率方面均得到了显著提升,与其他深度学习模型相比,该算法在重建图像的细节保留和结构准确性方面表现出更好的性能。此外,该算法具有较快的训练和推断速度,适用于实际应用场景。

基于卷积特征融合的通用目标检测方法

针对现有目标检测算法在检测时易受到图像尺度变化、目标间遮挡或截断等因素影响的问题,对卷积神经网络(convolutional neural network,CNN)中不同层次的特征进行了研究,提出了一种融合深度网络卷积特征的目标检测算法。算法采用多阶段的特征复用和特征融合减少特征间相关性的损失,最终在PASCAL VOC 2007测试数据集上mAP(mean average precison,平均精度均值)值达到了84.21%;与未使用特征融合方法以及使用传统特征融合的方法相比,提出的方法将mAP分别提高了4.41%和2.71%。

基于特征膨胀卷积模块的轻量化技术研究

本文从卷积神经网络模型的网络结构入手,利用特征复用的思想,设计了高效的特征膨胀卷积模块.该模块减少了标准卷积模块的输出通道数,引入了多分支结构.通过各个分支上的廉价操作对标准卷积操作的输出特征图进行变换和融合,产生新的特征图.模块的最终输出由各个分支上生成的特征图进行合并连接得到.特征膨胀卷积模块利用特征复用思想复用模型中的特征,在降低模型计算量的同时,丰富了特征图隐含的信息,提高了模型的性能.最后,将特征膨胀卷积模块代替标准卷积模块,设计了轻量化的VGG16(Visual Geometry Group 16-Layer)模型和残差结构,并且在CIFAR数据集和ILSVRC2012(ImageNet Large Scale Visual Recognition Challenge 2012)数据集上取得了较好的分类效果.

优化特征提取的多目标交通标志检测方法

为解决自然场景下检测多个交通标志准确率低、特征提取网络复杂等问题,提出一种基于改进Faster R-CNN的交通标志检测算法。将原算法的特征提取网络替换为更深层的密集卷积网络,充分利用跨层密集连接方式,促进层之间信息流和梯度流的传递,实现特征复用;利用瓶颈层和过渡层减少特征维度,降低模型的复杂度。与原算法相比,使用该方法的准确率提高了5.8%,参数量减少了约94.2%,实验结果表明,该方法可以提高交通标志的检测精度并降低网络复杂度。

融合深层差异特征的RGB-T巢式语义分割网络

针对现存可见光—红外(RGB-T)图像语义分割模型分割性能不高的问题,提出一种基于深层差异特征互补融合的巢式分割网络。具体来说,网络的编码和解码部分通过多级稠密中间路径相连形成一个嵌套形式的结构,编码器的深浅特征通过多级路径供解码器实现密集的多尺度特征复用,另一方面多模态深层特征通过特征差异性融合策略增强其语义表达能力。实验结果表明,所提网络在MFNet数据集上实现了65.8%的平均准确率和54.7%的平均交并比,与其他先进RGB-T分割模型相比,具有更优越的分割能力。

基于特征融合的深度学习目标检测算法研究

通过研究卷积神经网络中的特征层级,发现高层特征图的分辨率低、语义信息强,低层特征图的分辨率强、语义信息较弱等问题。针对上述问题提出一种二次特征融合的目标检测算法,该算法在特征金字塔网络(Feature Pyramid Networks,FPN)的基础上对过渡特征重复使用并进行二次特征融合,使丰富的低层特征信息补充到高层。最终在COCO2014的数据集上平均精度AP(Average Precision)、AP50、AP75分别达到了35.3%,57.5%,36.6%,与未使用特征融合方法以及使用传统特征融合的方法相比,分别提升了2.4%,3.7%,2.4%,能改善漏检情况和有利于小目标的检测。

基于改进YOLOv7的反无人机目标识别技术的研究

无人机的广泛应用和军事化给国家和社会安全带来了及其严重的危害,针对传统反无人机系统设备在民事部署方面存在立法瓶颈,而且缺乏多无人机目标同时检测和识别机制的问题,提出了一种基于YOLOv7的无人机目标识别技术。利用YOLOv7网络对高空多场景下无人机目标进行识别:在YOLOv7中引入Feature reuse based on concatenation模块,解决backbone部分特征重用有限和深度网络信息丢失的问题;使用ELAN of attention mechanism模块提高特征融合时去除噪声和抑制不相关信息的能力;利用HEAD of expansive convolution and residual theory模块降低小目标无人机漏检的问题。在同一参数和数据集下进行训练,结果表明:与YOLOv7原始模型相比,改进模型的mAP@0.5提高了2.8%,解决了原始网络针对细小目标漏检的问题,弥补了反无人机在民事应用中的不足。

基于改进AlexNet网络的番茄叶片病害识别

针对传统卷积神经网络在识别番茄叶片病害时面临的训练参数众多、耗时较长等问题,通过优化AlexNet网络,提出一种特征复用网络FRNet,并进行实验验证.实验结果表明,相较于传统的AlexNet模型,FRNet模型在训练时间和模型大小上均显著改善.FRNet模型的参数量仅为AlexNet的1.12%,模型大小也大幅缩减至2.51 MB,同时平均识别准确率提升至98.82%.与其他方法相比,FRNet不仅展现出更高的识别准确率,而且适用于开发轻量级的移动端番茄叶片病害识别系统,为农业病害识别提供了新的解决方案.

基于改进的卷积神经网络水果分类算法设计

水果分类对于水果生产、加工、运输以及自助销售都有重要意义.卷积神经网络通过多层次的特征学习和自动特征提取,能够高效地处理和分类大量水果,在水果分类方面具有出突出的优势.然而,目前的水果分类方法存在诸多问题,如过度依赖人工、准确率不高、智能化程度不足以及鲁棒性差等.为解决这些问题,提出一种改进的YOLOv3卷积神经网络水果分类算法.利用LabelImg工具进行数据标注,把YOLOv3主干网络draknet53替换为DenseNet网络,建立网络层之间的密集连接,增强水果图像的特征信息,实现特征复用,减少计算参数量,强化特征训练,进而训练出一种准确度较高的水果分类模型.经测试,改进的算法对水果分类识别平均准确率达到98%,显著提升了水果分类的准确性.

基于部件关注DenseNet的细粒度车型识别

针对细粒度车型识别率低,车型区别主要集中在鉴别性部件上以及深度学习不能有效对部件进行关注的问题,提出一种基于部件关注DenseNet(part-focused DenseNet,PF-DenseNet)的细粒度车型识别模型。该模型可以基于细粒度车型的车灯、车标等区分性部件进行有效分类,通过处理层(process layer)对车型部件信息反复加强提取并进行最大池化下采样,获取更多的车型部件信息,然后通过密集卷积对特征通道进一步复用提取,密集卷积前嵌入独立组件(independent component,IC)层,获得相对独立的神经元,增强网络独立性,提高模型的收敛极限。实验结果表明,该模型在Stanford cars-196数据集上的识别准确率、查全率和F1分别达到95.0%、94.9%和94.8%,高于经典卷积神经网络,并具有较小的参数量,与其他方法相比实现了最高准确率,验证了该车型识别模型的有效性。

多尺度特征复用混合注意力网络的图像重建

目的针对以往基于深度学习的图像超分辨率重建方法单纯加深网络、上采样信息损失和高频信息重建困难等问题,提出一种基于多尺度特征复用混合注意力网络模型用于图像的超分辨率重建。方法网络主要由预处理模块、多尺度特征复用混合注意力模块、上采样模块、补偿重建模块和重建模块5部分组成。第1部分是预处理模块,该模块使用一个卷积层来提取浅层特征和扩张特征图的通道数。第2部分是多尺度特征复用混合注意力模块,该模块加入了多路网路、混合注意力机制和长短跳连接,以此来进一步扩大特征图的感受野、提高多尺度特征的复用和加强高频信息的重建。第3部分是上采样模块,该模块使用亚像素方法将特征图上采样到目标图像尺寸。第4部分是补偿重建模块,该模块由卷积层和混合注意力机制组成,用来对经过上采样的特征图进行特征补偿和稳定模型训练。第5部分是重建模块,该模块由一个卷积层组成,用来将特征图的通道数恢复至原来数量,以此得到重建后的高分辨率图像。结果在同等规模模型的比较中,以峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似度(structural similarity index measure,SSIM)作为评价指标来评价算法性能,在Set5、Set14、BSD100(Berkeley segmentation dataset)和Urban100的基准测试集上进行测试。当缩放尺度因子为3时,各测试集上的PSNR/SSIM依次为34.40 dB/0.9273,30.35 dB/0.8427,29.11 dB/0.8052和28.23 dB/0.8540,相比其他模型有一定提升。结论量化和视觉的实验结果表明,本文模型重建得到的高分辨率图像不仅在重建边缘和纹理信息有很好的改善,而且在PSNR和SSIM客观评价指标上也有一定的提高。

基于退化感知的盲超分辨率模型

现有的超分辨率方法假设了从高分辨率图像到低分辨率图像的预定义退化过程,这对于具有复杂退化类型的真实世界图像来说很难成立。针对该问题,本文提出了基于退化感知的盲超分辨率模型。该模型用随机模糊核生成低分辨率图像,用对比学习退化表征。模型生成器由包含多个退化感知块的残差组构成。退化感知块用退化表征和图像特征做交叉注意力计算空间权重图,此外模型还收集残差组输出的层级特征,计算层间注意力来复用层级特征,使得模型更加关注高频细节,模型特征提取能力进一步提高。通过消融实验验证了各模块的有效性。在多个国际公开测试集上,放大倍数为4的平均PSNR提升1.45 dB,SSIM提升0.058。实验结果表明,该模型在盲超分辨率任务上取得了显著的性能,且具有良好的视觉效果。

结合特征图切分的图像语义分割

目的基于全卷积神经网络的图像语义分割研究已成为该领域的主流研究方向。然而,在该网络框架中由于特征图的多次下采样使得图像分辨率逐渐下降,致使小目标丢失,边缘粗糙,语义分割结果较差。为解决或缓解该问题,提出一种基于特征图切分的图像语义分割方法。方法本文方法主要包含中间层特征图切分与相对应的特征提取两部分操作。特征图切分模块主要针对中间层特征图,将其切分成若干等份,同时将每一份上采样至原特征图大小,使每个切分区域的分辨率增大;然后,各个切分特征图通过参数共享的特征提取模块,该模块中的多尺度卷积与注意力机制,有效利用各切块的上下文信息与判别信息,使其更关注局部区域的小目标物体,提高小目标物体的判别力。进一步,再将提取的特征与网络原输出相融合,从而能够更高效地进行中间层特征复用,对小目标识别定位、分割边缘精细化以及网络语义判别力有明显改善。结果在两个城市道路数据集CamVid以及GATECH上进行验证实验,论证本文方法的有效性。在CamVid数据集上平均交并比达到66. 3%,在GATECH上平均交并比达到52. 6%。结论基于特征图切分的图像分割方法,更好地利用了图像的空间区域分布信息,增强了网络对于不同空间位置的语义类别判定能力以及小目标物体的关注度,提供更有效的上下文信息和全局信息,提高了网络对于小目标物体的判别能力,改善了网络整体分割性能。

基于深度跳跃级联的图像超分辨率重建

针对模型VDSR(very deep super resolution)收敛速度慢,训练前需要对原始图像进行预处理,以及网络中存在的冗余性等问题,提出了一种基于深度跳跃级联的单幅图像超分辨率重建(DCSR)算法。DCSR算法省去了图像预处理,直接在低分辨率图像上提取浅层特征,并使用亚像素卷积对图像进行放大;通过使用跳跃级联块可以充分利用每个卷积层提取到图像特征,实现特征重用,减少网络的冗余性。网络的跳跃级联块可以直接从输出到每一层建立短连接,加快网络的收敛速度,缓解梯度消失问题。实验结果表明,在几种公开数据集上,所提算法的峰值信噪比、结构相似度值均高于现有的几种算法,充分证明了所提算法的出色性能。