基于多尺度学习、特征映射网络的图像超分辨率重建研究

图像超分辨率的重建技术,是针对传统卷积神经网络重建(SRCNI)方法,存在的像素特征利用率低、高频细节恢复能力弱等问题,提出利用多尺度卷积核、特征映射网络,进行多图像像素递归学习、特征映射的重建执行方法。通过搜集低分辨率(LR)图像数据集、图像像素特征,基于SR图像超分辨率重建技术,使用1×1、3×3等尺度的卷积核,作出图像像素数据的降维处理、浅层特征提取、特征映射、特征信息融合等操作,并结合递归学习后的局部残差、全局残差特征反馈结果,将多尺度的低分辨率(LR)像素特征,映射到高分辨率(HR)像素特征空间,可得到特征融合后的、重建的超分辨率图像。

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络(deep convolutional neural network,DCNN)的多尺度神经网络(multi-scale neural network,MSNet)模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络(fully convolutional networks,FCN)方法和基于支持向量机(support vector machine,SVM)的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。

基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。

多尺度层级金字塔网络的无人机入侵检测方法

近年来,无人机的快速发展给众多领域带来便利,然而无人机入侵给机场安全带来了巨大的挑战。由于无人机目标小、背景复杂、飞行速度快等特点,现有的主流目标检测方法通常难以准确地识别出入侵的无人机,易产生误检漏检的现象。提出了多尺度层级金字塔网络的无人机入侵检测方法,同时利用特征融合模块赋予特征金字塔不同层级、不同尺度的图像语义信息,并通过网格删除和4 Mosaic数据增强技术,对小样本数据集进行扩充,有效地提高了模型的泛化性能。实验表明,方法较于目前最优的无人机检测方法性能提升了5.5%。

基于多尺度选择性学习和探测-收缩机制的PSO算法

针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.

多尺度注意力学习的Faster R-CNN口罩人脸检测模型

针对在佩戴口罩等有遮挡条件下的人脸检测问题,提出了多尺度注意力学习的Faster R-CNN(MSAF R-CNN)人脸检测模型.首先,为充分考虑人脸目标多尺度信息,相较于原始Faster R-CNN框架,引入Res2Net分组残差结构,获取更细粒度的特征表征;其次,基于空间-通道注意力结构改进的Res2Net模块,结合注意力机制自适应学习目标不同尺度特征;最后,为学习目标的全局信息并减轻过拟合现象,在模型顶端嵌入加权空间金字塔池化网络,采用由粗到细的方式进行特征尺度划分.在AIZOO和FMDD两个人脸数据集上的实验结果表明:所提出MSAF R-CNN模型对佩戴口罩的人脸检测准确率分别达到90.37%和90.11%,验证了模型的可行性和有效性.

基于多尺度字典学习的图像融合方法

将小波域多尺度分析的思想和图像域单尺度稀疏表示的思想有效结合,提出基于多尺度字典学习的图像融合方法。首先将训练图像变换到小波域,分别对各个子带系数训练字典;根据训练的字典求解并融合源图像各个子带的稀疏表示系数;经过逆小波变换重构融合图像。提出的方法综合了学习字典的稀疏特性和小波分析的多分辨率特性。实验结果表明较现有基于图像域字典学习的融合方法和基于小波域多尺度分析的融合方法均具有更优的融合效果。

基于多尺度融合模型的化工故障诊断

针对目前化工过程故障诊断中降噪效果不佳、多尺度特征未区分重要性、时序特征提取不充分等问题,本文提出了一种基于多尺度融合模型的化工故障诊断方法,该方法将注意力机制分别与软阈值方法和多尺度学习相结合,构建了多尺度深度残差收缩网络,并将提取到的多尺度空间特征送入双向门控循环单元进一步提取时序特征,相比于单通道网络,双向门控循环单元不仅能够完成对过去信息的学习,而且还能够完成对未来信息的学习,因此能够得到更多的时间关联信息。最后使用修正田纳西-伊斯曼过程数据进行验证,最终取得了95.08%的分类精度和94.76%的召回率,明显优于对比方法,证明了方法的有效性。

多尺度密集感受域的GAN图像去雾算法

基于先验的图像去雾算法依赖于大气散射模型,易受环境影响出现去雾不彻底、颜色失真等现象,针对上述问题本文基于深度学习,提出一种多尺度密集感受域的GAN图像去雾算法。首先构建一个多尺度学习的生成器网络,通过3种不同尺度提取图像的局部细节和全局信息后进行特征融合;然后通过感受密集块来增大感受野并获得丰富的上下文信息,将提取到的特征图在多个感受密集块中对特征进一步细化;接着使用一个多尺度的GAN判别器,由2个相同的子判别器D1和D2组成,2个子判别器联合指导生成器的训练;最后本文结合L1损失、感知损失和对抗损失,设计一个多元损失函数来收敛网络。在SOTS测试集上进行主观评价和客观评价,实验结果表明,本文算法取得了较优的效果,有效改善去雾不彻底的现象。

基于多尺度特征和元学习的智能预测找矿靶区实验研究

当前智能找矿靶区预测方法大多依赖于人工采样和专家的知识经验,然而,对于现实世界中区域小、数量少的矿区区域,这些方法将面临巨大的挑战。为了迎接这个挑战,提出一种新颖的深度智能找矿靶区预测框架——多尺度特征交互框架。具体地,首先定义两个网络,即多尺度特征映射网络和多尺度特征分类网络;在此基础上,通过膨胀卷积捕获多尺度特征映射网络中不同地球化学元素的特征,并且利用多尺度分类网络处理这些特征;其次,使用元网络为多尺度分类网络生成卷积权重;最后使用自蒸馏挖掘多尺度分类网络中的隐知识用于预测。整个模型采用端到端的训练方式,大量的实验结果表明,多尺度特征交互框架与当前最先进的方法比较具有显著的竞争力。

结合多尺度特征学习与特征对齐的行人重识别

利用卷积神经网络对行人图像提取一个简单的全局特征,在复杂的行人重识别任务中无法获得令人满意的结果。局部特征学习的方式有助于获取更丰富的人体特征,但往往需要图像中的人体具有良好的空间对齐,而且,将人体各部分特征输入到独立的分支学习局部信息,忽略了人体各部分特征间的相关性,限制模型的性能提升。在此背景下,提出了一种新的多尺度特征学习算法,结合全局与局部特征学习得到更好的行人表示,提升复杂场景下模型的识别能力。对骨干网络不同深度输出的行人特征图,通过特征对齐模块对其执行空间变换,实现行人特征在空间上的矫正和对齐,进一步增强模型的泛化性能。在公开的大型行人重识别数据集上,与当前一些流行的方法进行了比较,验证了所提方法的有效性。

基于多尺度深度学习的医院财务系统设计

医院财务系统包括财务能力预测、预算管理和利润计算等功能,对医院的全部财务信息进行分析、归纳和总结。传统设计下的医院财务系统,没有连接财务信息的权值、不具备全互连模式,导致系统并行处理数据后提取的信息参数类别少,因此设计一个基于多尺度深度学习的医院财务系统。系统在硬件设计上,增加了多个传感器,并利用协调器扫描财务数据库中的全部信息。在软件设计上,通过建立数据库表单,设置可以连接同属性财务信息的权值;根据多层感知网络拓扑结构,设计基于多尺度深度学习的全互连模式,实现系统的对数据的深度提取。实验结果表明,与3种传统设计下的系统相比,此次设计的医院财务系统,提取的财务信息参数类别最多,能详细描述财务一级科目中包含的具体内容,可见多尺度深度学习可以提高财务系统的性能。

基于多尺度上下文特征学习的胆管及胆结石图像分割

肝胆管结石病是外科的常见病、多发病,实现对CT序列图像中的胆管及胆结石的自动化精准分割具有重要的意义。本文提出一种基于改进卷积神经网络的医学图像分割网络,充分考虑了CT切片间的上下文信息。网络由两对编码器-解码器组构成,包含多尺度上下文特征提取和多尺度特征融合等过程。多尺度卷积可以捕捉胆管及结石的局部细节信息和全局位置信息;ConvLSTM引入相邻切片间的上下文信息以提升分割精度。实验结果表明,该算法在胆管及胆结石的分割任务上具有较好的性能。

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题。为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法。文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度。在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解。最终得出的多尺度回归模型能够有效地逼近多尺度信号。仿真结果验证了所提算法的有效性。

面向多尺度目标检测的改进Faster R-CNN算法

由于多尺度目标检测中图像目标尺度差异性大,基于单层次特征提取的目标检测算法或者导致小目标特征提取丢失、扭曲,或者导致大目标特征提取冗余度过高,检测效果不理想.为此,基于Faster R-CNN 思想,提出一种多尺度目标检测算法.首先采用多层次提取特征策略提取多尺度目标特征;然后统计目标真实框大小与纵横比,设置锚点规格;最后采用多通道方法生成多尺度目标候选框.基于PASCAL VOC 数据集的实验结果表明,该算法总体漏检率为9.7%,平均精度的均值为75.2%,检测性能较当前主流的多尺度目标检测算法有一定的提高.

一种多尺度卷积神经网络道路提取方法

针对神经网络训练过程存在分辨率不断降低和梯度消失的共性问题,提出一种基于多尺度卷积神经网络的遥感影像道路提取方法。首先,针对网络前向传播过程分辨率逐渐降低的问题,采用子影像训练网络模型,增强网络对细节信息的获取,然后应用多尺度卷积学习获取不同维度的分层特征,解决由分辨率下降导致的信息缺失问题;其次针对网络在反向传播阶段中出现的梯度消失问题,融入残差连接限制梯度过度更新,改善网络的深度受限问题;最后,针对网络深度和宽度的挖掘导致的网络训练效率问题,使用全局均值池化优化全连接层中大量的冗余数据。大量遥感影像实验结果表明,相对于U-Net网络和经典卷积网络,该方法在Accuracy和F 1值上均具有较大优势。

基于动态加权的多尺度残差网络旋转机械故障诊断算法

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。

基于多尺度特征蒸馏的轻量化图像超分辨率网络研究

大多数轻量化图像超分辨率网络采用信息蒸馏的方式进行低分辨率图像特征提取。尽管它们取得了不错的超分辨率图像重建结果,但是信息蒸馏的方式忽略了对图像内容尺度变化的建模,导致网络在处理有明显尺度变化内容时性能下降。为了解决上述问题,本文提出了一种基于级联尺度蒸馏的轻量化图像超分辨率网络(MSDNet),并在常用的图像超分辨率数据集上进行了大量实验。定量与定性的实验结果表明了MSDNet的有效性。

双特征流融合和边界感知的显著性目标检测

显著性目标检测是计算机视觉领域的热门研究方向之一,许多基于深度学习的检测算法虽然已经取得了显著的成果,但是仍然存在待测目标漏检误检和边界模糊等问题。针对这些问题提出了一种基于双特征流融合和边界感知的目标检测算法,通过改变输入图像尺寸来丰富多尺度信息,并自顶向下逐层聚合特征得到精细的预测结果。首先将输入图像调整为两种不同分辨率分别送入编码器,提取丰富的多层级特征形成双特征流;其次将双特征流自顶向下逐层融合,生成由粗到细的显著图;最后构建了边界感知结构,凭借上下文语义信息的指导生成精细的物体轮廓。在五个公开数据集上进行了大量实验,实验结果表明,所提算法在结构相似性(Sm)等多个指标上取得了更高的检测精度,生成的显著图目标完整且边缘清晰。

一种基于深度学习的两阶段图像去雨网络

为了提升雨天条件下图像成像质量,文中提出了一种兼具位置感知和密度感知的两阶段深度学习去雨网络。在第一阶段,通过多尺度渐近注意子网络来定位不同雨条纹的分布;第二阶段在前一阶段生成的注意力图的引导下,通过多尺度残差子网络将这些特征组合在一起。这两个阶段的子网络共同作用,从而较好地完成了对不同雨条纹的联合检测和去除过程。实验结果表明,提出的方法在合成数据集和真实图像上都能表现出较其他算法更优的去雨性能。