基于超像素与多尺度残差U⁃Net相结合的遥感图像飞机检测方法

遥感图像中存在飞机很小、角度和位置不确定且背景复杂等问题,从遥感图像中检测飞机是一项重要且具有挑战性的任务,因此,提出一种基于超像素与多尺度残差U⁃Net(Multi⁃scale Residual U⁃Net,MSRU⁃Net)相结合的遥感图像飞机检测方法。首先对遥感图像进行超像素预分割,将位置相邻且像素特征相似的像素点组成若干个超像素,保持图像进一步分割的有效特征;然后构建多尺度残差U⁃Net,学习其多尺度判别特征。与传统的飞机检测方法相比,该方法用少量的超像素代替大量像素表达图像特征,降低了图像分割的复杂度,再利用MSRU⁃Net分割遥感超像素图像,有效检测不同尺度的飞机图像。在公共飞机遥感图像数据集上实验,结果表明,该方法能够有效的检测遥感图像不同尺度的飞机图像,检测精确率达到91.2%。

多尺度残差挤压和激励的双U舌图分割网络

在图像分割中,单次卷积和频繁的池化操作容易产生冗余信息或遗漏关键信息.本文设计了一种多尺度的残差挤压和激励注意力的双U形分割网络(MRSEA-DUNet)来解决上述问题.首先,该网络由两个U形的网络组成,分别是预编码网络和精确分割网络.为避免频繁的卷积和池化操作导致信息丢失或产生无效信息,提出了具有不同大小感受野的阶梯卷积模块(SCM),并采用并行结构,可以在不同尺度上捕获更丰富、更详细的特征.其次,还设计了一种残差挤压和激励注意力模块(RSEAM),可以通过空间和通道提高有效特征增益,消除冗余信息,并且提高了模型的整体鲁棒性.最后,为了减少了降采样操作的数量,简化了纵向复杂度.实验结果表明,本文MRSEA-DUNet模型的精度、Jaccard系数和Dice系数分别达到0.995 4、 0.979 4和0.989 5,均优于其他7种主流模型,优化了分割效果.

多尺度残差密集注意力网络图像超分辨率重建

目的使用单一尺度卷积网络提取低分辨率(low-resolution,LR)图像特征会造成大量图像高频特征丢失,为了获取更多高频特征,重建更清晰的超分辨率图像,方法提出一种基于多尺度残差密集注意力网络(multi-scale residual dense attention network)的单幅图像超分辨率重建算法。首先,使用卷积网络从低分辨率图像中提取浅层特征并将其作为后续网络各级输入;其次,采用各级多尺度残差密集注意力块(multi-scale residual dense attention block)处理前级网络图像特征并从中提取图像高频特征,多尺度残差密集网络善于提取更丰富的图像特征,并融入注意力机制,增强网络对高频区域特征的关注;然后,将网络各级提取不同深度的图像特征进行全局特征融合;最后,融合后的特征经上采样输出重建的超分辨率图像。结果放大因子为4时,网络在SET5,SET14,BSDS100,URBAN100和MANGA109数据集上测试,峰值信噪比分别为31.97,28.58,27.57,25.85,29.79 dB;网络中基本模块分别由多尺度残差密集注意力块、残差块和密集块替换提取特征,以峰值信噪比作为模块性能评估标准,多尺度残差密集注意力块表现更优异。结论该网络结合多尺度残差密集网络能够获取更丰富图像高低频信息,融入注意力机制有效对网络中高频信息进行提取,能重建纹理更清晰的超分辨率图像。

基于格拉姆角场和多尺度残差神经网络的地震事件分类方法

以江苏地震台网中心搜集并标注的天然地震、人工爆破和塌陷事件为试验数据样本,提出了一种基于格拉姆角场和多尺度残差神经网络的新的地震事件分类方法。首先对波形数据进行滤波、归一化等预处理,然后应用格拉姆角场对地震波形数据进行二维编码得到二维图像,再将此经过编码后的图像作为多尺度残差神经网络的输入进行分类模型的训练和测试,从而得出分类结果。采用上述方法对1078个天然地震台站记录、981个爆破台站记录和830个塌陷台站记录进行试验,结果显示:最终以单条波形为单位的地震事件分类准确率为92.55%,以单个台站为单位的分类准确率为96.36%,这表明基于格拉姆角场和多尺度残差神经网络的地震分类方法具有良好的效果。

基于多尺度残差特征融合的图像去雾算法

针对现有去雾算法处理后图像色彩暗淡、视觉保真度差、细节特征丢失的问题,本文提出一种基于多尺度残差特征融合的图像去雾算法。首先,设计多尺度并行特征层,旨在从不同尺度下提取图像特征以提升网络的鲁棒性;然后,设计残差网络连接层,实现多个卷积层之间信息的传递和连接,提高特征的利用率,加快特征提取速度;接着,设计嵌入注意力机制的深度特征信息融合层重点关注图像关键信息,有效提高图像的清晰度,降低背景噪声干扰;最后,设计基于去雾理论及曝光融合的色彩矫正增强方法,用于解决网络去雾后图像色彩暗淡的问题。实验结果表明,所提的去雾增强算法在SOTS、OTS、RTTS公开数据集上的峰值信噪比(PSNR)、结构相似性(SSIM)、均方误差(MSE)分别达到了21.37 dB、82%、473.6,有效改善因雾霾天气造成的图像质量退化现象,性能更佳。

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。

多尺度残差群网络的图像去雨算法

雨天作为一种常见的天气条件会对计算机视觉造成一定影响,图像中会出现雨纹与细节模糊,从而需要一种高效的单幅图像去雨算法来改善图像质量。现有图像去雨算法大多只关注于去除雨纹,而忽略了恢复去雨后图像的细节信息。针对此,为了更好地检测雨纹提出了浅层特征提取模块和深层特征提取模块,其中,浅层特征提取模块选取残差密集块,深层特征提取模块选取两个双注意力模块和两个卷积层作为残差块构成的残差群。为了恢复图像细节信息,提出了一种包含全局分支和局部分支的多尺度细节恢复模块。在合成数据集和真实数据集上的大量实验表明,所提算法的PSNR和SSIM分别达到了40.41 dB和0.989,同时保留了图像细节信息。

基于多尺度残差空间注意力轻量化U-Net的农业害虫检测方法

田间害虫的快速精准检测是作物害虫防治的前提。现有基于卷积神经网络的作物害虫检测方法常包含大量训练参数,难以应用于现实场景中。针对上述难点,提出1种基于多尺度残差空间注意力轻量化U-Net(Multi-scale residual spatial attention lightweight U-Net,简称MSRSALU-Net)的检测方法,并应用于田间害虫检测。MSRSALU-Net由编码模块与解码模块组成。在MSRSALU-Net编码模块中,多尺度残差卷积模块用于提取害虫多尺度信息以缓解害虫尺度变化对检测性能的影响;空间注意力机制模块用于提取特征的全局依赖以缓解复杂背景对检测性能的干扰。此外,使用残差连接路径模块连接MSRSALU-Net的编码模块与解码模块,以更好地传播特征信息。在构建的IP13数据库上进行试验,基于MSRSALU-Net的害虫检测方法的识别精度为95.11%。与基于UNet、注意力UNet、MultiResUNet的害虫检测方法相比,MSRSALU-Net检测精度分别提高11.85%、5.38%、2.41%。模型参数量与U-Net、注意力UNet、MultiResUNet相比,分别减少了25.81%、21.45%、18.39%。结果表明,提出的MSRSALU-Net能有效克服害虫尺度变化、背景复杂等因素干扰,实现害虫的快速精准识别。该方法可为田间作物害虫检测系统提供技术支撑。

融合残差与多尺度特征的U-Net泥页岩裂缝分割

泥页岩CT图像裂缝分割是获取裂缝信息的关键环节,对揭示裂缝空间展布规律和明确储层特征具有重要意义。针对传统图像处理方法无法自主分割泥页岩裂缝,以及泥页岩CT图像中裂缝形态复杂多样,尺度变化大,细小裂缝与周围岩体的灰度值相似导致分割效率低的问题,通过改进U-Net网络模型,提出一种融合残差网络和多尺度特征的卷积神经网络MCS-Net,用于实现高效的泥页岩裂缝分割。所提网络包括特征提取、特征融合和预测输出3部分,特征提取部分使用残差模块代替常规卷积,充分获取浅层特征信息和高层语义信息;特征融合部分采用多尺度卷积融合模块获取裂缝多尺度特征信息,随后逐层上采样还原图像分辨率并准确定位裂缝位置;预测输出部分最终生成泥页岩二元裂缝分割图。实验在构建的泥页岩裂缝数据集MudshaleCrack上进行测试,并与6种主流的深度学习语义分割网络进行对比。结果表明,所提的MCS-Net优于对比网络,评价指标IoU为85.32%,F1值为92.56%,与改进前的U-Net相比,IoU和F1值分别提升了0.0428和0.0903,证明了所提方法对泥页岩裂缝分割的可行性。

基于密集残差连接U型网络的噪声图像超分辨率重建

现有的图像超分辨率重建网络难以适用于煤矿井下噪声密集的应用场景,且多数网络通过增加深度提升性能会导致无法有效提取关键特征、高频信息丢失等问题。针对上述问题,提出了一种密集残差连接U型网络,用于对低分辨率噪声图像进行超分辨率重建。在特征提取路径中引入基于密集残差连接的去噪模块,通过密集连接的方式对图像特征进行充分提取,再利用残差学习的特点对低分辨率噪声图像进行有效去噪;在重建路径中引入残差特征注意力蒸馏模块,通过在残差块中融入增强特征注意力块,对不同空间的特征赋予不同的权重,加强网络对于图像关键特征的提取能力,同时减少图像细节特征在残差块中的损失,从而更好地恢复图像细节信息。在煤矿井下图像数据集及公共数据集上进行了对比实验,结果表明:在客观评价指标上,所提网络的结构相似度、图像感知相似度均优于对比网络,且在复杂度及运行速度上有着较好的均衡;在主观视觉效果上,所提网络重建的图像基本消除了原有图像噪声,有效恢复了图像的细节特征。

多尺度特征融合的改进残差网络乳腺癌病理图像分类

现有模型病理特征提取不充分以及开源数据集各类型数量不平衡等问题,使得乳腺癌病理图像的多分类研究仍具挑战性。本研究提出了一种多尺度特征融合的改进残差网络乳腺癌病理图像多分类方法。首先,以ResNet101残差网络作为基础,将CBAM注意力模块插入到每一个残差块中;接着,为了优化特征提取,将横向和纵向的多尺度特征融合集成到残差网络中;最后,引入焦点损失函数以解决数据分配不平衡问题。经BreakHis公开数据集混合放大倍数1582张病理图像训练验证,所提出的改进残差网络在乳腺癌病理图像八分类上的识别准确率为94.4%,较原始模型提升2.8%,优于大多数已有公开深度学习模型。该模型的提出为女性乳腺癌的筛查诊断和病理分类提供了更为有效的方法。

基于残差网络多尺度特征融合的滚动轴承故障诊断

针对传统故障诊断方法在面临复杂工况时出现的特征提取不足、分类器选取困难、诊断精度不高等问题,提出了一种基于残差神经元网络多尺度特征融合的滚动轴承故障诊断模型并用于电机轴承的故障诊断。首先,采用小波变换将轴承振动信号转换为二维时频图作为输入数据集;然后,在残差网络中构建多尺度特征融合模块,提取故障样本不同尺度下的特征;最后,将轴承数据集输入到网络中,实现特征提取及故障诊断。实验结果表明,基于残差网络多尺度特征融合的故障诊断模型可以有效提取信号特征,提高了故障诊断的准确性。

基于改进多尺度残差网络的工业机器人旋转部件故障研究

针对传统残差神经网络未考虑不同尺度故障特征差异的问题。提出一种基于改进多尺度残差神经网络的工业机器人旋转部件故障诊断模型(Improved Multiscale Residual Neural Network,IMRNN)。首先使用不同大小的宽卷积层提取故障信号中的宏观特征,并将其合并为初始特征向量;其次构建多尺度自适应选择卷积块提取不同尺度的特征;然后引用残差架构到多个尺度层中提高模型的泛化性;同时应用通道注意力机制对特征进行加权融合,从而完成故障诊断。结果显示,该模型有更高的准确率和良好的抗干扰能力。

基于多尺度残差路径的U型视网膜血管分割

针对视网膜血管形态结构复杂、特征信息多变的特点,提出一种结合残差网络和多尺度特征融合的U型视网膜分割算法。依次采用限制对比度直方图均衡化和局部自适应Gamma对原始视网膜图像进行预处理,得到血管增强、亮度提升的图像;将其输入至搭建的U型网络中进行端到端训练,该网络将U-Net原始卷积块替换为残差卷积块,实现对特征的复用,首尾的并行多分支结构和底部的金字塔池化结构扩大提取特征的感受野,在解码阶段加入带有注意力机制的跳跃连接改善视网膜血管的分割性能;通过sigmoid激活函数得到最终分割结果。在DRIVE数据集上进行实验,该算法准确率、敏感度和AUC分别为96.34%、84.61%和98.53%。

基于双分支多尺度残差融合嵌套的SAR和多光谱图像融合架构与实验

基于深度学习融合合成孔径雷达(SAR)和多光谱(MS)图像的方法主要通过增加卷积层数量描述网络模型尺度,但未能提高算法对不同尺度空间细节特征的提取能力。该文设计双分支的多尺度残差融合嵌套连接网络架构(Double-branch Multiscale Residual-fusion Nested-connections Net,DMRN-Net),将融合任务划分为细节提升和光谱保持两部分:在细节提升分路中,将SAR和MS图像中的高频信息分别经过多深度特征提取层、多尺度残差融合网络层及嵌套连接解码器得到重建图像;在光谱保持分路中,通过融合上采样后的MS图像和细节提升分路结果,将光谱信息注入融合图像中,从而得出融合结果。通过DMRN-Net和传统算法以及普通双分支网络的对比实验表明,DMRN-Net在主观判断和客观评价上均取得较好的融合结果,能在保持光谱信息的基础上,进一步增加图像的空间细节信息,验证了DMRN-Net在图像融合领域的重要价值。

基于残差注意力多尺度关系网络的逻辑推理

逻辑推理是感知视觉元素间规律和联系的能力,使计算机拥有类人的推理能力是一项重要的研究内容。在大量数据和深度模型的驱动下,现今人工智能已在图像处理等领域中取得超越人类水平的表现,但通过图像进行逻辑推理的能力还较落后。为解决面向逻辑推理的多尺度关系网络(MRNet)特征提取能力不足及泛化性较差的问题,提出一种改进的残差注意力多尺度关系网络(ResAMRNet)。在主干网络中,利用残差结构并结合跳跃连接与长跳跃连接,将浅层特征融入深层网络训练过程中,减少特征信息丢失,并提高模型特征提取能力。在推理模块中,将通道注意力机制与残差模块相融合检测每行图片间的关系特征,差异化各特征通道的重要程度,自适应学习注意力权重,提取关键特征。设计双池化高效通道注意力机制,结合全局最大池化进一步获取对象的特征信息,提高模型泛化性。在RAVEN和I-RAVEN数据集上的实验结果表明,ResAMRNet的分类准确率相比于MRNet分别提升了8.3和18.1个百分点,具有较强的逻辑推理能力。

基于多尺度特征融合和残差混合注意力的点云配准算法

为提高点云配准的精度、鲁棒性和迁移性,提出一种基于多尺度特征融合和残差混合注意力的点云配准算法。计算点云中不同尺度的k邻近图,分别进行不同深度的边卷积提取特征并融合为新特征,使用具有残差结构的混合注意力模块增强有效特征,通过Transformer和软指针预测变换后的点云,用可微的奇异值分解求解刚性变换。在ModelNet40数据集进行实验,其结果表明,所提算法在干净、有噪声、未见过的点云数据上的配准结果精度更高,噪声鲁棒性更强,迁移性更好,优于对比点云配准算法。

MF-Net:结合残差网络的多尺度特征点云补全网络

针对目前点云补全网络只关注全局特征造成的语义信息丢失问题,提出了一个基于残差网络的多尺度特征提取的点云补全网络。网络采用端到端的思想,为避免单一特征不全面问题,将原始输入采样为三种不同尺度的点云;利用级联方式递归式融合不同方法提取的低分辨率点云的全局特征和原始点云的局部特征,形成特征向量并输入全连接网络,实现粗点云的预测;将拼接后的原始点云和粗点云送入精细重构单元,再在精细重构单元中融合注意力机制并利用残差网络进行由粗略到精细的补全;通过计算粗点云、稠密点云与真实点云之间的联合损失函数以提高补全性能。在ShapeNet数据集和KITTI数据集上的实验证明,无论是定性比较还是定量比较,提出的方法对残缺点云均具有较好的补全效果,同时也体现了该方法具有泛化能力。

多尺度残差注意力的高速铁路OFDM信道估计

针对高速铁路正交频分复用(OFDM)通信系统在高速移动场景下,难以准确对快时变信道状态信息进行估计的问题,提出了一种基于多尺度残差注意力网络的高速铁路OFDM信道估计方法。首先,设计多尺度信道特征提取结构,对低分辨率信道矩阵采用多尺度多维特征提取,增强了信道不同尺度信息的提取能力。然后,构建残差注意力级联深度网络进行信道特征重构映射,将局部残差反馈结合注意力机制促进深层特征的融合和利用,提升OFDM信道矩阵的重构映射能力。最后,使用子像素卷积重构生成高分辨率信道矩阵,完成信道估计。通过频域和时域信道估计测试分析表明:在低速及高速铁路场景下,该方法与其他方法相比,信道估计的精度和复杂度等客观性评价指标均优于比较算法,能够满足OFDM信道估计的要求。

基于通道选择多尺度融合深度残差网络的电能质量扰动识别

针对传统电能质量扰动分类方法人工特征选择困难、准确率低的缺点,在传统卷积网络的基础上,借鉴Inception、残差的思想,结合混合池化和高效通道注意力机制,提出一种基于通道选择多尺度融合深度残差网络(CSSF-ResNet)的电能质量扰动识别方法。使用多尺度卷积提取不同尺度的特征,将全局混合池化与高效通道注意力机制相结合,在通道维度进行特征筛选,挖掘有效特征,并引入残差连接,构成CSSF-ResNet。仿真结果表明,所提方法具有分类准确率高、噪声鲁棒性强等优点。