适用于图像超分辨率的多路径融合增强网络

卷积神经网络(Convolutional Neural Network,CNN)在单幅图像的超分辨率重建方面表现出了非常强大的能力,相比传统方法有着明显的改进。然而,尽管这些方法非常成功,但是由于需要大量的计算资源,直接应用于一些边缘设备并不现实。为了解决该问题,设计了一种轻量级的图像超分辨率重建网络——多路径融合增强网络(Multi-path Fusion Enhancement Network,MFEN)。具体来说,提出了一个新颖的融合注意力增强模块(Fusion Attention Enhancement Block,FAEB)作为多路径融合增强网络的主要构建模块。融合注意力增强模块由一条主干分支和两条层级分支构成:主干分支由堆叠的增强像素注意力模块组成,负责对特征图实现深度特征学习;层级分支则负责提取并融合不同大小感受野的特征图,从而实现多尺度特征学习。层级分支的融合方式则是以相邻的增强像素注意力模块输出为分支输入,通过自适应注意力模块(Self-Adaptive Attention Module,SAAM)来动态地增强不同大小感受野特征的融合程度,进一步补全特征信息,从而实现更全面、更精准的特征学习。大量实验表明,该多路径融合增强网络在基准测试集上具有更高的准确性。

基于多路径融合的人脸识别算法研究

本文针对FaceNet算法在低光照和有遮挡情况下的人脸识别准确率较低的问题,提出了一种多路径融合的人脸识别算法,该算法在FaceNet算法基础上串入多路径融合模块,包括3条并行的路径:采用Ghost瓶颈模块加强特征提取,CBAM注意力机制模块提取图像的重要特征以及ASPP模块对图像的特征进行多尺度提取,并通过Sigmoid门控单元对每个路径自身进一步提取来加强有用信息;对经由三条路径处理后的特征图进行加权融合。在此基础上串入FPN模块,加强对不同感受野下的特征提取。除此之外,还在原有Tripletloss损失函数的基础上加入交叉熵分类损失,以确保模型能更快地收敛。实验结果表明,本文提出的多路径人脸识别算法取得了较好的识别效果,在LWF数据集的准确率达到了99.7%,在自建的低光照有遮挡数据集的准确率达到了98.2%,可准确地识别低光照、遮挡人脸目标。

要素与市场约束与海南产业结构优化——“多路径融合模式”的构建

海南产业结构优化面临高级生产要素匮乏和市场狭小严格约束。这些约束导致海南产业结构畸形化和低级化,且畸形化寓于低级化之中。而产业结构劣化进一步导致海南三次产业贡献率和拉动率产生严重的不确定性。在这种背景下,本文提出了构建海南产业结构优化"多路径融合模式"的思路,实施这种模式能在很大程度上改善或放松海南产业结构优化面临的高级生产要素匮乏和市场狭小的严格约束。

多路径融合在深圳城市更新行动中的探索——以深圳市光明区车辆段片区为例

对深圳市来说,土地空间难以为继一直是悬在头上的“达摩克利斯之剑”。早在本世纪初,深圳市就开始探索开展城市更新行动,经过近二十年的发展,深圳市城市更新行动逐渐走向深水区,面临着潜力用地合法权属不足、更新统筹落实难度大、实施路径缺乏联动等问题。本文以深圳市光明区某综合开发项目为例,阐述多路径融合在城市更新行动中的具体实践,提出通过加大政府统筹力度,增强规划引领作用,推动多路径融合化解国土空间治理风险,构建新形势下多方共赢的城市更新行动框架。

用于高分辨率遥感影像度量变化检测的多路径非对称融合网络

现有的基于深度学习的度量变化检测方法侧重于高级变化语义特征的提取,难以捕获细粒度地物的变化,检测的变化边界模糊.一些方法引入了包含高分辨率和细节特征的低级视觉特征,但这些特征更容易受到内部细节等伪变化的干扰,缺少可靠的远程依赖关系.针对上述问题,提出了一种基于深度学习的端到端的度量变化检测网络,称为用于高分辨率遥感影像度量变化检测的多路径非对称融合网络(Multi-path Asymmetric Fusion network,MAFNet),可以检测到更清晰的边界和更完整的细粒度地物.MAFNet提出了一种多路径非对称融合网络用于捕获长短路径依赖关系,用细粒度的低级视觉特征细化粗略的高级语义特征.MAFNet提出了一种基于深度监督的度量模块,获取更具判别力的特征,端对端的测量变化.实验表明,与其他6种基准方法相比,MAFNet网络在SYSU数据集和CDD数据集上都实现了最高的精度,F1分别为80.56%,95.02%.

基于细粒化特征感知的水下目标检测算法

针对水下光学图像细节模糊以及水下生物遮挡导致目标检测精度低的问题,提出一种基于细粒化特征感知的水下目标检测算法.该算法基于YOLO(You Only Look Once)v7网络结构,首先,提出ELSA(ELAN-SimAM)模块,提升主干网络对水下图像模糊细节的特征感知;其次,提出多梯度聚合结构(Multi-gradient Aggregation Structure),实现特征信息多梯度高效融合,并在颈部网络中嵌入轻量化的三重注意力机制(Triplet Attention),使特征信息跨维度交互融合,减少由水下生物遮挡导致的漏检问题.实验结果表明,所提出的算法适用于水下复杂环境下的目标检测,可以在较短时间内实现目标定位与检测,且检测精度较高.

基于改进TransU-Net的乳腺肿瘤分割算法研究

针对超声乳腺肿瘤图像中存在的高散斑噪声较多、肿瘤边缘模糊以及形状复杂多样等问题,文章在TransU-Net的基础上进行改进,提出了基于TransU-Net的多路径特征融合网络(MFF-Net)。文章分析了MFF-Net的整体结构、多路径特征融合提取模块以及深监督机制,通过实验验证了MSF-Net在处理边缘模糊和形状复杂多样的乳腺超声图像方面的有效性。结果显示,MSF-Net在多个评价指标上优于现有的主流方法。

基于多尺度联合权重分配的目标检测算法

针对SSD(single shot multibox detector)算法在复杂交通场景下对交通标志小目标识别效果不佳的问题,提出一种基于多尺度特征互补和重点特征信息挖掘(multi-scale feature complementary fusion and key feature information mining SSD,MK-SSD)的目标检测改进算法。利用跨阶段局部网络设计多尺度特征互补模块,同时构建多路径特征融合网络,有效提升浅层网络对小目标的特征提取能力。设计联合权重分配模块,将感知域与重点信息挖掘相结合,更高效地利用重点特征信息并抑制对非重点信息的关注度。利用轻量化残差块对预测网络进行改进,提升目标检测能力。经实验分析,改进后的算法在自制交通标志数据集上平均准确率达到89.64%,在保证实时性的同时,相较于YOLO系列和SSD系列算法拥有更高的检测精度,能检测出大部分SSD网络漏检的小目标。

WSN中基于迭代局部搜索的Mobile Agent路径规划方法

无线传感器网络中,相对于传统上广泛使用的C/S计算范式,基于Mobile Agent的计算范式展示出强有力的生存优势.因此,Mobile Agent作为一种分布式中间件技术,已经成为无线传感器网络中高效地自主性数据融合和能量均衡研究领域的热点.由于Mobile Agent的访问路径很大程度上影响数据融合的性能和系统能量开销,所以,确定一个有效的Mobile Agent访问路径是一件颇有意义的研究.本文提出一种新的路径规划方法,采用迭代局部搜索的算法获取Mobile Agent对节点区域的访问路径;同时考虑了Mobile Agent迁移时数据负载,中间节点转发数据时实际的能量开销以及对相邻路径节点的利用.通过仿真实验分析表明本文提出的方法在能量消耗、服务时间方面优于现有的一些多路径规划方法.