基于密集特征推理及混合损失函数的修复算法

为有效解决现有算法修复大面积不规则缺失图像时存在特征利用率低、图像结构连贯性差的问题,提出基于密集特征推理(DFR)及混合损失函数的图像修复算法。修复网络由多个特征推理(FR)模块密集连接组成,首先将待修复图像输入第1个推理模块中进行特征推理,之后将输出特征图通道合并送入下一个推理模块,后续推理的每一个模块的输入都是来自前面所有推理模块的推理特征,如此循环,以充分利用每个推理模块捕获的特征信息;然后提出一个传播一致性注意力机制(PCA),提高修补区域与已知区域的整体一致性;最后,提出混合损失函数(ML)优化修复结果的结构连贯性。整个DFR网络使用组归一化(GN),小批量训练也可达到优异的修复效果。在国际公认的Paris StreetView巴黎街景数据集和CelebA人脸数据集上验证文中所提算法的性能,主客观的实验结果表明:所提算法能有效修复大面积不规则缺失图像,提升特征利用率与结构连贯性,其平均峰值信噪比(PSNR)、平均结构相似度(SSIM)、均方误差(MSE)、弗雷歇距离(FID)及学习感知图像块相似度(LPIPS)指标优于对比算法。

融合密集特征金字塔的改进R^(2)CNN海洋涡旋自动检测

海洋涡旋演变过程认识的不足是制约当前物理海洋研究水平的关键因素,海洋涡旋自动检测是掌握其产生、发展、变异过程机理及其与多尺度海洋过程相互作用的基础。然而,由于海洋涡旋尺度多样性、形状不规则、分布密集的特点,现有水平检测方法导致检测区域存在显著的冗余、重叠与嵌套。为解决上述问题,提出多尺度旋转密集特征金字塔网络。具体地,通过密集连接(dense feature pyramid network,DFPN)改进特征金字塔网络实现多尺度高层语义特征提取与融合,增强特征传播与特征重用;此外,针对海洋涡旋密集分布的特点,改进旋转区域卷积神经网络(rotational region convolutional neural network,R^(2)CNN),提出多尺度RoI Align机制,实现特征的语义保持和空间信息的完整性,提升模型检测性能。最后,采用海平面异常值数据构建海洋涡旋数据集,并预处理成VOC格式进行训练,调整相应参数得到检测模型。实验结果表明,提出的检测模型最优检测精度可达96.4%,并对太平洋、大西洋海域的海洋涡旋进行自动检测,验证了模型具有较好的泛化能力。

结合多尺度及密集特征图融合的阴影检测方法

为了提高图像中阴影检测的准确性,提出一种利用深度神经网络实现阴影检测的方法。首先,构造了一种密集特征图融合结构,将不同卷积层产生的特征图进行融合;其次,针对图像中阴影的多种尺度特征,设计了一种串并联结合的扩张卷积结构提取图像中阴影多尺度特征;最后,将串并联结合的扩张卷积结构和密集特征图融合结构进行结合,设计出一种端到端的Dilated Dense Fusion-Unet网络实现阴影检测功能。实验结果表明,所提方法在SBU和UCF阴影检测数据集上的阴影检测结果及量化评估均优于已有代表性的阴影检测方法,在2个数据集上的准确率分别提高5.8%和6.5%,平衡误差率分别降低2.2%和0.5%。

有限长周期结构的密集特征值

基于单胞结构的特征值问题,给出了有限长周期结构特征值分布范围的估计,基于固体物理中的能带理论,给出了一维有限长周期结构特征值分布范围的更精细估计.通过分析有限长周期结构特征值的分布范围,阐述了密集特征值出现的原因.分析结果表明,对于有限长周期结构,结构的单胞数目越大,其特征值分布会越密集.数值算例验证了该文的结论.

基于多尺度密集特征融合的生成式对抗除雾网络

在真实雾天场景下,针对除雾网络无法去除远处雾气、天空区域容易出现噪声的问题,提出了一种基于多尺度密集特征融合的生成式对抗除雾网络,并采用制作的合成雾天数据集进行对抗训练.首先,对除雾网络进行设计,构建了网络模型;其次,从合成晴朗天气图像中利用深度标签生成逼真的雾天数据集,以适用于真实雾天除雾领域;最后,在真实雾天数据集上测试,选取近几年具有代表性的6种基于深度学习的除雾网络进行主观视觉效果,并借助除雾领域常用的无参考图像质量评价指标进行客观分析.研究结果表明:提出的除雾网络在真实场景下的除雾效果较其他网络有显著提升,主观视觉效果明显优于对比的除雾网络,在无参评价指标上综合表现优于其他除雾网络.

基于密集特征金字塔的细胞图像实例分割网络

针对空间科学实验中复杂场景下细胞图像难以精细准确分割的问题,提出了基于Mask R-CNN的实例分割新算法——基于密集特征金字塔的实例分割网络(DFP-Mask)。该算法在特征金字塔网络自顶向下的特征传输过程中以密集连接的方式控制多尺度特征图间的信息传递,将高层语义结构信息传递至所有低层特征,提高低层特征的语义理解能力,从而提升多尺度特征的目标识别能力。实验选用天舟一号小鼠肝卵圆细胞图像数据,数据集中包涵200张背景复杂且有实例交叠的图片。实验结果表明:与Mask R-CNN相比,DFP-Mask在多个评价指标和视觉分割效果上表现更优,其中准确率提高了2.03%,召回率提高了3.77%,平均精确率mAP提高了1%。DFP-Mask可应用于更多空间科学实验对象的数量、形态、生长过程等表型特征的提取。

基于CGAN的自适应密集特征融合水下图像增强算法

针对水下图像降质的问题,提出一种基于条件生成对抗网络(CGAN)的自适应密集特征融合水下图像增强算法.该算法提出一种新颖的自适应密集特征融合(ADFF)模块,通过自适应学习不同级别特征的空间重要性权重,从而促使网络从以前和现在的特征中学习更有效的特征进行融合.实验中,采用U-Net结构的生成器,将AD-FF模块集成在生成器的每一级别,使用WGAN-GP对抗损失与L_(1)和L_(2)损失的组合损失对网络模型进行约束.实.验结果表明,与其他水下图像增强算法进行对比,该算法在合成和真实数据集上均取得了更优越的性能,可以生成视觉效果更好的清晰水下图像.

多尺度密集特征融合的图像超分辨率重建

针对现有单幅图像超分辨率重建算法提取的图像特征信息单一、高频细节丢失的问题,提出了一种高效利用特征信息的基于多尺度密集特征融合网络的图像超分辨率重建算法。该方法通过含有不同尺度卷积核的多尺度特征融合残差模块提取不同尺度图像特征并将不同尺度的特征融合,以提取丰富的图像特征。在模块间采用密集特征融合结构将不同模块提取到的特征信息充分融合,以更好地保留图像的高频细节、获取更好的视觉感受。大量实验表明,所提出的方法在参数量减少的同时,在四个基准数据集上取得的峰值信噪比和结构相似度均有明显提升,尤其在Set5数据集上4倍重建结果的峰值信噪比相比于DID-D5提升了0.08 dB,且重建图像视觉效果更好、特征信息更加丰富,充分证明了该算法的有效性。

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar,SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后,再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。

基于密集特征融合的无监督单目深度估计

针对无监督单目深度估计生成深度图质量低、边界模糊、伪影过多等问题,该文提出基于密集特征融合的深度网络编解码结构。设计密集特征融合层(DFFL)并将其以密集连接的形式填充U型编解码器,同时精简编码器部分,实现编、解码器的性能均衡。在训练过程中,将校正后的双目图像输入给网络,以重构视图的相似性约束网络生成视差图。测试时,根据已知的相机基线距离与焦距将生成的视差图转换为深度图。在KITTI数据集上的实验结果表明,该方法在预测精度和误差值上优于现有的算法。

基于多尺度密集特征融合的单图像翻译

为了解决现有的单图像翻译模型生成的图像质量低、细节特征差的问题,本文提出了基于多尺度密集特征融合的单图像翻译模型。该模型首先借用多尺度金字塔结构思想,对原图像和目标图像进行下采样,得到不同尺寸的输入图像。然后在生成器中将不同尺寸的图像输入到密集特征模块进行风格特征提取,将提取到的风格特征从原图像迁移到目标图像中,通过与判别器不断的博弈对抗,生成所需要的翻译图像;最后,本文通过渐进式增长生成器训练的方式,在训练的每个阶段中不断增加密集特征模块,实现生成图像从全局风格到局部风格的迁移,生成所需要的翻译图像。本文在各种无监督图像到图像翻译任务上进行了广泛的实验,实验结果表明,与现有的方法相比,本文的方法训练时长缩短了75%,并且生成图像的SIFID值平均降低了22.18%。本文的模型可以更好地捕获源域和目标域之间分布的差异,提高图像翻译的质量。

基于密集特征融合的超分辨率算法研究

图像是承载信息的重要媒介之一,模糊的图像影响了信息的正确传递。针对该问题,提出了一种基于密集特征融合的超分辨率算法。算法以基于残差密集网络的图像超分辨率(residual dense network,RDN)模块为基础,通过初步特征抽取模块和密集特征提取模块得到模糊图像不同层次、不同深度的密集特征,并将所有特征融合,结合子像素卷积的方法对图像进行超分辨率放大,恢复模糊图像的细节信息。实验结果表明,算法能明显提高模糊图像的清晰度,恢复模糊图像中的细节信息。

基于密集多尺度特征的遥感影像水体提取

针对传统遥感影像水体提取方法和基于深度学习的经典目标提取模型的提取结果存在丢失边缘细节信息和准确率低的问题,提出了基于深层特征编码-水体识别解码的多尺度特征密集连接网络结构。首先利用深层特征编码结构中的普通卷积提取影像中水体的特征信息,然后利用密集多尺度特征模块提取水体的多尺度特征和保留全局信息,最后利用水体识别解码结构对图像中的水体进行预测。实验结果表明:本文方法的提取结果精度优于经典全卷积神经网络模型,在测试集上的像元精度达到98.56%,交并比达到78.91%,有效保留了水体的完整性和细节边缘信息,实现了水体的精细化提取。

基于特征层密集连接与注意力机制的宽度学习系统及其在锌浮选过程的应用

本文针对宽度学习存在计算消耗资源大、计算过程冗余数据较多等问题,提出了一种基于特征层密集连接与注意力机制的宽度学习系统(DCA-BLS),并利用其建立锌浮选过程快粗槽底流品位在线预测模型.首先将宽度学习系统的特征层不同窗口进行密集连接,引入弹性网络进行稀疏化处理,利用注意力机制处理特征节点,获得不同特征节点的权值,再将加权后的特征节点与输入的数据相结合,共同作为增强层节点的输入,使模型更为紧凑.在公共数据集和锌泡沫浮选数据上将DCA-BLS与其他预测算法进行了对比实验,实验结果表明,本文提出的方法训练时间短,且相较于其他所比较方法具有更高的准确率.

密集特征加权跟踪算法

目的当前大多数基于Mean-shift的跟踪算法都忽视了目标中密集的特征信息,本文有效利用密集特征信息,来提高跟踪的准确性。方法在目标模型中,常存在一些颜色特征相对聚集,形成一定大小的特征密集区,这些区域的面积或大或小,对人眼视觉跟踪异常重要。这些区域形成的空间结构信息,可以被利用到目标跟踪。提出一种高效的目标模型,通过计算密集特征区域面积,以及密集区质心到目标中心的距离,构建加权系数,通过该系数,来增加目标中分布相对集中的特征的权值,同时削弱离散特征的权值。同时使用零阶矩和目标模型与候选模型之间的相似度系数,估算目标的面积;再使用预测目标面积补偿法,对目标中因使用背景加权法而权重被削弱的特征区域,进行面积补偿;最后使用估算的目标区域面积以及二阶中心距,估算目标尺度和方向的改变。在跟踪过程中,背景如发生较大变化,则对目标模型进行更新。结果本文算法具有很好的尺度适应性,跟踪平均准确率在94.6%以上,得到较当前一些先进方法更好的准确度和效率。结论提出的算法能增加目标模型中不同特征权值间的差异,使得构建的目标模型具有较强区分目标和背景的能力,提高了定位目标的准确性;面积补偿法解决了目标因特征权重被削弱,而导致估算的目标面积小于实际面积的问题。

密集根之特征向量导数的改进高精度动柔度法

作者曾为许多特征向量导数计算 ,提出过一种介于直接法 (指直接求解线代方程组的 ,以Nelson为代表的一类方法 )和模态法之间的高精度动柔度法。这种方法与作者建立的一般动柔度法一样 ,不能用于密集根之特征向量导数的计算。为使该方法扩展到密集根状态 ,本文将作者发展的混合移频技术应用于原高精度动柔度法 ,并重新推导了混合移频系统的高精度动柔度式 。

基于密集特征匹配的数字图像相关法

数字图像相关法的初始值对算法的计算效率和求解精度都有较大的影响,为此提出一种利用密集特征匹配求取初始值的算法。使用AKZAE算子对特征点进行检测,使用Daisy描述符对特征点进行描述,再采用网格运动统计(GMS)算法对特征点进行筛选以求取初始值,最终将初始值代入反向组合高斯牛顿(IC-GN)法中迭代求解亚像素位移。与SIFT(Scale Invariant Feature Transform)和SURF(Speeded-Up Robust Features)算法相比,AKAZE算子提高定位的准确性,而且计算效率更高,是一种兼顾速度与稳定性的特征点检测算法;Daisy描述符是一种高效的稠密特征提取描述符,相比于其他描述符能够实现更加密集的特征提取。

1966年邢台地区大震前小震的“密集—平静”特征及其初步解释

利用邢台地震台网的地震目录资料,研究了邢台地区强震前小震的“密集-平静”特点及其空间分布的立体图像,研究结果表明：（1）1966年3月邢台地区发生的几个6级以上强震前小震均有“密集-平静”现象,但明显程度随时间减小,部分4.5级地震前小震也有“密集-平静”现象,但因出现在6级以上地震的余震活动背景上,情况比较复杂,相对平静期的长度,密集期中最大地震的震级均与相应主震震级之间有一定关系,一般来讲,主震震级越大,平静期越长,密集期中最大地震震级也越大。（2）3月22日7.2级主震前,小震的“密集-平静”过程在空间上有清晰的物理图像。3月8日6.8级地震发生后,3月20日在其余震区的两个端部中介质强度较弱的南西端首先达到破裂强度,发生一系列中小地震,对应于主震前的密集期。3月21日～22日主震前小震明显减少,是主震前的相对平静期,而且小震有由南西端向北东方向迁移的趋势。显示震区应力场在迅速地改变,应力由南西端向北东端进一步集中,并促使22日在北东端尖端部位失稳而发生6.7级及7.2级主震。3月26日6.2级强震前小震的“密集-平静”过程在空间上也有类似清晰的物理图像。此外,本文对大震前小震的“密集-平静”特点作初步的解释。

基于时态密集度特征的大数据高效迁移策略

大数据给数据存储与处理带来巨大挑战,采用经验模态分解大数据迁移方法和粒子群大数据迁移方法都有其弊端,导致迁入与迁出速率不匹配、数据迁移效率较低。针对该问题,文章提出了基于时态密集度特征的大数据高效迁移策略。依据时态密集度特征,对大数据进行格式统一与分割处理,使大数据迁入与迁出速率匹配,完成大数据高效迁移。通过实验可知,基于时态密集度特迁移方法比以往方法迁移效率要高。

多尺度特征深度复用的显著性目标检测算法

针对传统显著性目标检测方法在检测不同尺度的多个显著性目标方面的不足,提出了一种多尺度特征深度复用的显著性目标检测算法,网络模型由垂直堆叠的双向密集特征聚合模块和水平堆叠的多分辨率语义互补模块组成。首先,双向密集特征聚合模块基于ResNet骨干网络提取不同分辨率语义特征;然后,依次在top-down和bottom-up两条通路上进行自适应融合,以获取不同层次多尺度表征特征;最后,通过多分辨率语义互补模块对两个相邻层次的多尺度特征进行融合,以消除不同层次上特征之间的相互串扰来增强预测结果的一致性。在五个基准数据集上进行的实验结果表明,该方法在F_(max)、S_(m)、MAE最高能达到0.939、0.921、0.028,且检测速率可达74.6 fps,与其他对比算法相比有着更好的检测性能。