多输入融合对抗网络的水下图像增强

针对水下图像出现对比度低、颜色偏差和细节模糊等问题,提出了多输入融合对抗网络进行水下图像增强。该方法主要特点是生成网络采用编码解码结构,通过卷积层滤除噪声,利用反卷积层恢复丢失的细节并逐像素进行细化图像。首先,对原始图像进行预处理,得到颜色校正和对比度增强两种类型图像。其次,利用生成网络学习两种增强图像与原始图像之间差异的置信度图。然后,为减少在生成网络学习过程中两种增强算法引入的伪影和细节模糊,添加了纹理提取单元对两种增强图像进行纹理特征提取,并将提取的纹理特征与对应的置信度图进行融合。最后,通过构建多个损失函数,反复训练对抗网络,得到增强的水下图像。实验结果表明,增强的水下图像色彩鲜明并且对比度提升,评价指标UCIQE均值为0.6399,NIQE均值为3.7273。相比于其他算法有显著优势,证明了该算法的良好效果。

多输入融合卡尔曼滤波算法在矿井定位中的优化研究

针对使用惯性测量单元和低功耗蓝牙(BLE)定位矿井环境,提出了多输入融合卡尔曼滤波算法(MIFKF),采用倾斜、偏航卡尔曼滤波器对惯性测量值进行预处理,利用BLE获取三边测量估计值,将预处理值和估计值通过多融合卡尔曼滤波器融合优化完成矿井环境定位,算法同时借助Rauch-TungStriebel(RTS)平滑器使定位精度进一步提高。通过仿真验证,对比BLE技术三边测量算法与标准KF算法,MIFKF算法在矿井复杂环境中有效减小定位误差。

MIFNet:基于多尺度输入与特征融合的胃癌病理图像分割方法

针对人工判别胃癌病理图像对专业知识要求较高且费时费力的问题,提出一种基于深度学习的分割算法对胃癌病理图像的病变区域进行自动分割,为病理医生的工作提供更有依据的诊断指导。在已有的U-Net模型基础上,提出一种基于多尺度输入与特征融合的多输入融合网络(MIFNet)模型,通过对不同输入尺度特征进行自动提取和融合以实现对胃癌病理图像中病变区域的自动分割。多尺度输入数据能够帮助模型更有针对性地捕捉图像的局部和全局特征,特征融合策略能够兼顾模型对全局特征与局部特征的关注。在中国大数据人工智能创新创业大赛的"病理切片识别AI挑战赛"数据集上的实验结果显示,MIFNet在测试中的dice系数达到了81.87%,比U-Net和SegNet等模型提高了10%以上,模型的参数规模也大大下降。所以说,MIFNet模型在提高分割的准确度以及节省计算资源等方面都取得了更好的效果。