基于注意力机制的多级监督人群计数算法

针对人群计数问题,提出了一种基于卷积神经网络的人群计数网络,该网络由主干网和多级监督分支结构组成,在主干网络的多个阶段引入注意力机制学习不同尺度的人群特征。算法采用VGG16模型的前13层作为主干网,并且加入膨胀卷积网络结构,融合图像中的多尺度人群特征,解决多尺度人群计数问题,从而生成高质量的密度图。同时,在3个不同尺度的分支结构中引入注意力机制,在损失函数中加入不同尺度的注意力损失,从而使整个网络聚焦图像中的人群区域。算法在4个主要的数据集上进行了测试,算法结果优于最近其他的方法。

交通场景中基于注意力机制神经网络的人群计数

人群计数是计算机视觉领域的重要任务。交通场景中的人群计数任务对于维护公众出行安全、实现交通智能化具有重要作用。公共交通场景中通常存在行人相互遮挡、背景复杂等现象,给人群计数带来了困难。为了实现高精度的人群计数,研究了基于注意力机制的人群密度估计网络。网络包含3个部分:特征提取模块通过生成多尺度的特征图,增强网络的特征表达能力,提高网络对行人大小变化的鲁棒性;注意力模块通过抑制背景噪声响应,强化人群特征响应,生成特征图中人群区域的概率分布,增强网络区分人群区域与背景区域的能力;密度估计模块在注意力机制的约束下指导网络回归高分辨率的人群密度图,提高网络对人群区域的敏感性。设计了基于背景感知的结构损失函数,能够降低模型的错误识别率,提高模型的计数准确率;采用多级监督机制指导网络进行学习,能够帮助梯度反向传播和减少过度拟合,进一步提高网络的人群计数精度。在公共数据集ShanghaiTech上进行了实验,实验结果表明:与目前最先进的算法相比,在ShanghaiTechA和ShanghaiTechB数据集上,平均绝对误差(mean absolute error,MAE)分别提高了2.4%和1.5%,均方误差(mean square error,MSE)分别提高了3.3%和0.9%,证明了提出的算法在人群拥挤和稀疏的场景中均有更好的准确性和鲁棒性。同时,在真实场景数据集上进行了实验,MAE=7.7,MSE=12.6,证明了提出的算法具有良好的实用性。

自适应语义感知网络的盲图像质量评价

目的盲图像质量评价(blind image quality assessment,BIQA)在图像质量控制领域具有重要的实际意义。虽然目前针对自然失真图像的盲图像质量评价取得了合理的结果,但评价准确性仍有待进一步提升。方法提出一种自适应语义感知网络(self-adaptive semantic awareness network,SSA-Net)的盲图像质量评价方法,通过理解失真图像的内容和感知图像失真的类型来提高预测的准确性。首先,利用深度卷积神经网络(deep convolutional neural network,DCNN)获取各个阶段的语义特征,并提出多头位置注意力(multi-head position attention,MPA)模块通过聚合特征图的长距离语义信息来加强对图像内容的理解。接着,提出基于多尺度内核的自适应特征感知(self-adaptive feature awareness,SFA)模块感知图像的失真类型,并结合图像内容来捕获图像的全局失真和局部失真情况。最后,提出多级监督回归(multi-level supervision regression,MSR)网络通过利用低层次的语义特征辅助高层次的语义特征得到预测分数。结果本文方法在7个数据库上与11种不同方法进行了比较,在LIVEC(LIVE in the Wild Image Quality Challenge)、BID(blurred image database)、KonIQ-10k(Konstanz authentic image quality 10k database)和SPAQ(smartphone photography attribute and quality)4个自然失真图像数据库中的斯皮尔曼等级相关系数(Spearman rank order correlation coefficient,SRCC)值分别为0.867、0.877、0.913和0.915,获得了所有方法中最好的性能结果。同时在两个人工失真图像数据库中获得了排名前2的SRCC值。实验结果表明,与其他先进方法相比,本文方法在自然失真图像质量评价数据库上的表现更为优异。结论本文方法通过结合图像内容理解与不同失真类型感知,能更好地适应自然图像的失真,提高评价准确性。

我国村账乡管模式问题及完善措施

随着我国社会主义市场经济不断发展农村产权制度也在不断深化改革,农村经济进入了一个新的历史发展时期,我国政府也陆续出台了一系列有关加强农村财务管理和监督方面的措施,比如在农村实行“村账乡管”的制度。