基于位置依赖的密集融合的6D位姿估计方法

基于RGBD的6D位姿估计方法的一个关键问题是如何进行彩色特征信息和深度特征信息的融合。先前的工作采用密集融合的方法,主要关注的是局部特征和全连接层提取的全局特征,忽略了远距离像素间的位置依赖关系。文章提出通过捕获像素间的位置关系,并将其与彩色特征图和几何特征图进行密集融合,最后逐像素预测物体的6D位姿。实验结果表明,该文的方法相比其他方法在YCB-Video数据集上获得更优的结果。

融合多尺度特征与边缘增强的前列腺图像分割

针对前列腺磁共振(MR)图像上组织边缘模糊、形状和大小的多样性所导致的挑战,本文提出一种多尺度信息挖掘(Multi-scale Information Excavation Network,MSIE-Net)的医学图像分割算法提高图像分割的精度.首先,在编码阶段使用InceptionNext模块,将大核深度卷积沿着通道维度分解成4个并行分支,从而获取多尺度感受野.其次,在解码阶段设计双尺度特征密集融合模块(Dual-scale Feature Dense Fusion,DSFDF),实现了高低分辨率之间的特征交互.最后,通过边缘引导注意力(Edge-guided Attention,EGA),实现高层特征指导低层特征的相关信息的传输,从而提高了边界分割的精度.所提方法在前列腺公开数据集ProstateX和Promise12上分别进行了性能评估和泛化能力测试.ProstateX数据集上评估指标Dice和mIoU相较于TransUNet分别提高了1.54%和2.43%.结果表明,所提算法具有更好的边缘分割能力.

基于密集连接的双能DR图像融合网络

针对单能X射线对复杂工件不同厚度的区域难以同时有效曝光的问题,提出了一种基于密集连接的双能数字射线成像技术图像融合网络(DR-Net)。具体的,DR-Net由过曝光和欠曝光两个子网络组成,分别以过曝光图像和欠曝光图像作为输入,每个子网络包括1个初始特征提取模型(FEB),1个细节特征增强模块(DFE)和3个级联组成的密集连接融合模块(DCF)。FEB对图像进行初步的特征提取,同时DFE提取出图像的更多细节特征,以增强最终融合图像的细节内容。DCF采用带有密集连接的上采样和下采样操作,利用两个子网络模块中学习到的特征,逐步细化和融合图像特征。最后将每个子网络生成的特征重建,并通过平均融合策略得到最终的融合图像。实验结果显示,相比于单一能量下的DR图像,DR-Net融合图像对比度高,能够更加清晰地再现复杂工件的内部结构。从定量分析结果看,DR-Net在NRSS和AG都是最优值,平均数值与对照实验中最优结果相比分别提升了7.06%和21.1%。

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。

基于对偶回归和注意力机制的图像超分辨率重建网络

针对单幅图像超分辨率(single image super-resolution,SISR)重建算法存在低分辨率图像(LR)到高分辨率图像(HR)的映射学习具有不适定性,深层神经网络收敛慢且缺乏对高频信息的学习能力以及在深层神经网络传播过程中图像特征信息存在丢失的问题.本文提出了基于对偶回归和残差注意力机制的图像超分辨率重建网络.首先,通过对偶回归约束映射空间.其次,融合通道和空间注意力机制构造了残差注意力模块(RCSAB),加快模型收敛速度的同时,有效增强了对高频信息的学习.最后,融入密集特征融合模块,增强了特征信息流动性.在Set5、Set14、BSD100、Urban100四种基准数据集上与目前主流的单幅图像超分辨率算法进行对比,实验结果表明该方法无论是在客观质量评价指标还是主观视觉效果均优于对比算法.

铸件缺陷语义分割的编码器-解码器网络

深度学习的快速发展扩展了基于视觉的缺陷检测应用。针对铸件缺陷类间差异小、类内差异大、缺陷规模小等难点,提出一种编码器-解码器架构的语义分割网络,使用在ImageNet上预训练的ResNeSt主干网络作为特征提取器,构建密集连接的多尺度特征融合模块提升有效特征利用率,增强网络特征表示能力,解码器端融合低层级特征改善缺陷边缘分割效果,再通过双线性插值进行上采样以恢复空间分辨率。网络在构建的X射线铸件缺陷分割数据集上进行训练和评估,采用混合损失函数解决数据集样本不均衡问题,提升模型性能。实验结果表明,提出的语义分割方法能够提升铸件缺陷分割精度,效果优于其他语义分割方法。

基于MFD-FCN的车道线检测方法

针对全卷积神经网络(Fully Convolutional Network,FCN)在复杂环境下对车道线的分割效果不够理想的问题,提出一种改进FCN的方法,通过构建一个基于深度学习的编码解码(Encode-to-Decode)结构网络MFD-FCN实现对车道线图像的分割.编码结构引入高分辨率网络模型,用以获取多分辨率特征;解码结构设计了多尺度特征密集融合模块(Multi-Scale Feature Density Fusion module,MSFDF module),强化特征表达,实现对车道线图像的细腻分割.在CULane数据集上进行实验,实验结果表明,MFD-FCN的ACC指标和MIoU指标分别达到97%和72.5%,相比于传统FCN具有更精细的分割效果,且体现出了更强的鲁棒性.

基于空间序列级联的停车场场景语义分割算法

通过利用深度学习模型对停车场场景中的视觉信息进行处理,以辅助无人驾驶车辆进行自主泊车定位.针对目前用于停车场场景进行语义分割的方法不够成熟,FCN等方法不能满足自主泊车的定位需求,提出一种基于空间序列级联机制的语义分割方法,在停车场场景中,背景及车位线等标识物具有不同的像素区分难度,采用空间序列级联机制,使用浅层网络处理简单像素,使用深层网络处理较难像素,最后将两次结果进行叠加.采集了北京及上海等地共八个不同类型的停车场数据,人工标注40 000张图像构建了停车场场景数据集进行验证,实验表明,在分割精度方面,相比FCN方法,mIoU由69.3%提升到77.9%,速度由15.8 fps提升至35.7 fps.

A long-term-based handover decision algorithm for dense macro-femto coexistence networks

For the dense macro-femto coexistence networks scenario, a long-term-based handover（LTBH） algorithm is proposed. The handover decision algorithm is jointly determined by the angle of handover（AHO） and the time-tostay（TTS） to reduce the unnecessary handover numbers.First, the proposed AHO parameter is used to decrease the computation complexity in multiple candidate base stations（CBSs） scenario. Then, two types of TTS parameters are given for the fixed base stations and mobile base stations to make handover decisions among multiple CBSs. The simulation results show that the proposed LTBH algorithm can not only maintain the required transmission rate of users, but also effectively reduce the unnecessary numbers of handover in the dense macro-femto networks with the coexisting mobile BSs.

文化与科技融合对我国上市企业的绩效影响研究

文化与科技融合是近些年企业寻求业务创新的重要着眼点。结合我国上市公司的具体经营实践,可以将文化与科技融合划分为交互融合和密集融合两种类型。利用2010-2012年的公司年报数据对53家相关企业文化与科技融合的经营程度进行测算,发现该经营度的均值在逐年递增。进一步采用随机影响的变截距模型进行回归表明:文化与科技融合经营度的提高对企业绩效具有明显的提升作用,并且这种影响在文化类企业与非文化类企业间不存在显著差异。因此,对于具备开展文化科技融合业务潜力的企业来说,加强文化与科技融合将会是企业进行战略转型升级的重要突破方向。这一趋势对当前的政策环境也必然提出新的要求。