多尺度特征融合注意力新冠肺炎病灶分割网络

新冠病毒传染性极强,尽早的诊断和治疗是减少疫情造成损失的关键因素。为辅助医生诊断新冠病情,高效、准确地从肺部CT切片中分割新冠病灶,提出了一种改进的编码器-解码器深度神经网络———多尺度融合注意力网络MSANet(Multi-scale Attention Network),以图像分割效果较为出色的U-Net网络为基础,通过全局池化层和设置空洞卷积的采样率,增大网络感受野,捕获多尺度信息,实现对大目标的有效分割;使用通道注意力与空间注意力,在空间维度上建模,有效提取图像深层特征。测试结果表明,改进后的算法与U-Net网络相比,分割的平均交并比提升了1.46%,类别平均像素准确率提升了0.8%,准确率提升了1.17%。

基于尺度不变特征金字塔的输电线路缺陷检测

针对现有目标检测算法在高压电力复杂巡检场景下电力部件与巡检缺陷检测精度较低的问题,提出一种基于尺度不变特征金字塔的输电线路缺陷检测方法。将主流目标检测方法用于该场景,对比得出RepPoints v2网络模型的检测精度最高。针对RepPoints v2中FPN结构不能有效提取跨层次间语义信息及角点验证过程中忽略尺度归一化的问题,结合高效通道注意力模块(ECA)与尺度均衡金字塔卷积(SEPC)提出了一种尺度不变特征金字塔结构SI-FPN(scale-invariant feature pyramid networks)。其中ECA注意力模块对FPN的特征进行通道级别的增强,之后SEPC从FPN中提取尺度不变特征并对跨层次的金字塔特征进行融合。通过在自建的包含绝缘子、防震锤、悬垂线夹、绝缘子自爆、防震锤脱落与鸟巢六类对象的数据集上进行训练测试表明,该方法在RepPoints v2的基准上提升1.9个百分点,mAP达到96.3%,检测精度远超当前基准检测模型,且所设计的SI-FPN模块可作为一种独立的结构改善其他检测模型,具有一定的通用性。

太湖水质参数中小尺度空间结构特征

经济的发展和人们生活水平的提高 ,造成了太湖的富营养化和生态环境的严重破坏。太湖的水质污染目前已严重影响了整个流域的可持续发展 ,并对人们的身体健康造成潜在的危害。治理太湖、保护太湖已成为人们刻不容缓的任务。了解湖泊水质参数空间结构特征是进行太湖环境评价的重要前提 ,也是合理治理太湖的重要基础。地统计学的出现为精确描述湖泊水质参数空间结构提供了有效的工具。应用地统计学技术对太湖 3种水质参数进行了空间结构分析 ,结果显示 ,污染物集中在湖岸线附近不易向湖中央扩散 ,各水质参数空间分布差异性较大 ,且空间结构特征极为相似 ,不同尺度之间有差异性。同时 ,由于采样密度和范围的限制 ,更细微和更大尺度的空间结构特征尚不能得以表述。最后 。

尺度不变特征转换特征提取优化算法研究

针对尺度不变特征转换(SIFT)算法时间复杂度高的缺点,提出了SIFT特征提取优化算法。分析了SIFT特征提取算法各个计算步骤的时间复杂性。对SIFT特征提取过程进行了优化,包括耗时最多的高斯金字塔的创建和计算特征描述符过程。优化算法降低了特征点提取时间,减少了特征点的重复匹配,同时保证了匹配结果的准确性。最后,实验证明了优化后的算法能有效降低时间复杂度。

基于多尺度图像局部结构分解的人脸特征提取方法

为了有效提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于多尺度图像局部结构分解的人脸特征提取方法。该方法首先通过多尺度分析构建人脸图像金字塔,然后对于金字塔中每一层的图像应用脊回归度量图像局部窗口内中心宏像素与其近邻宏像素之间的结构关系从而刻画出图像的局部结构信息,再根据得到的局部结构信息将图像分解为若干个子图像,最后将这些子图像均匀下采样和归一化后连接在一起形成一个特征向量。实验结果表明,与Gabor、LBP和IDLS等方法相比,该方法具有更好的识别性能。

改进的尺度不变特征转换匹配算法

为解决尺度不变特征转换匹配算法运行时间过长、匹配率不高的问题,提出一种改进的尺度不变特征匹配算法。在原经典的尺度不变特征转换匹配算法的基础上,引入二维Mallat快速小波变换算法,重建图像的低频成分;对高斯金字塔组数进行调整,减少降采样次数;通过优化的随机抽样一致算法剔除误匹配点。MATLAB仿真结果表明,改进后的算法减少了匹配耗时,提高了匹配率,优于原算法。

基于多尺度下特征点的检测

提出了一种在不同尺度空间下特征点提取的方法。该方法通过构造图像设高斯金字塔和高斯差分金字塔,进行极值检测,然后在极值点中去除低对比度的点并消除边界点的响应,得到关键点,最后计算关键点的方位和模的大小,从而得到特征点。利用该方法把取得的特征点对图像旋转、亮度变化、尺度缩放等情况下保持不变,此外对视角变化、仿射变换、噪声也保持一定的稳定性。给出了实验参数,并且对实验结果进行分析。

构造高斯差分尺度空间的并行结构

提出了一种并行平滑机制,并基于该机制实现了构造DoG尺度空间的并行结构.在不影响匹配性能的情况下,与传统的结构相比,延迟线数量降低了84%,进而使得存储容量降低了90%左右.在131MHz的工作频率下,对于320×240的图像来说,完成高斯差分尺度空间的构造仅需要0.59ms.

基于空间金字塔特征包的手势识别算法

为了解决基于尺度不变特征变换的特征包(Bo F-SIFT)算法在描述手势图像特征时对特征点分布情况无法确定的问题,提出了空间金字塔特征包算法提取手势图像特征。该算法通过构造图像金字塔改善了传统的Bo FSIFT算法,生成的描述子能有效表征手势图像的局部特征和全局特征,并能表示图像特征点的分布特性。采用直方图相交核支持向量机进行手势识别。在标准数据库上的测试表明,该算法对于10种手语得到了92.92%的正确识别率,验证了算法的有效性。

基于多尺度特征融合的火灾检测模型

对双阶段目标检测模型Faster R-CNN进行火灾检测应用的改进。采用Resnet101模型作为特征提取网络,使用特征金字塔结构FPN提取了Resnet101的浅层特征和高层特征,将Resnet101的浅层特征图输入Inception Module结构提取多种尺寸的卷积特征,使用像素注意力机制和信道注意力机制对目标位置进行强化并弱化其余部分,使得检测目标更加精确。该网络避免了主干网络特征提取不充分的问题,融合了多种尺度的特征来区分火灾区域和非火灾区域,有效提高了火灾图像数据集的检测准确率,最终得到的平均检测准确率MAP为0.851。

基于局部不变特征的图像质量评价

针对结构相似度算法在感知图像质量时采取平均加权策略的不足,利用人眼对图像中不同区域的关注程度不同的特性,提出了基于局部不变特征的图像质量评价算法。该算法在失真图像结构相似度质量分布图的基础上,提取图像的局部不变特征点,将这些特征点周围一定区域赋予较大的视觉权重,最后运用综合加权策略来衡量失真图像的质量。在标准图像测试库上的实验结果表明,该算法计算复杂度相对较低,较大地提高了结构相似度算法的评价效果,与人眼主观感知图像质量取得了更好的一致性。

C-SIFT特征结合空间金字塔描述的情感图像分类

情感图像分类的目的是希望计算机能够表述人类观察图像时所引起的情感反应,并根据这种反应把图像分到不同的情感类别。本文提出了一种基于空间金字塔的情感图像分类方法,首先对图像提取颜色尺度旋转不变特征,并聚类形成视觉特征词典;其次对图像进行空间金字塔分块,使用局部约束线性编码方法表示各子块图像,形成图像的空间金字塔描述;最后通过训练分类器实现对情感图像的分类。该方法在SIFT的基础上加入了具有表征感情色彩的颜色特征,提取了独特的图像情感特征。本文方法分别在国际情绪图片系统(IAPS)数据库和人脸情感数据库(KDEF)上进行了实验,取得了较为理想的情感分类结果。

基于比例池化的RGB图像语义分割网络

针对传统的金字塔多级特征融合算法进行语义分割时存在的特征图有效信息弱和噪声叠加效应等问题,提出一种基于比例池化的混合注意力机制。首先在主干网络特征输出处引入比例池化注意力模块对输入特征图进行不同程度的语义信息抽取和特征降噪,突出特征图有效特征信息占比,随后将不同内核的池化结果作为级联金字塔结构的输入特征,对降噪后的多尺度特征进行融合,平滑图像噪声实现特征二次降噪和小目标物体语义信息增强。实验在Pascal VOC 2012数据集上验证了该方法在分割领域上的有效性,并采用平均像素准确率(mPA)和平均交并比(mIoU)作为模型的性能评估指标。实验结果表明,基于比例池化的金字塔网络在mPA和mIoU上达到了90.19%和79.92%,优于对比的语义分割方法。

SIFT特征匹配技术在自动相对定向中的应用

提出了一种利用尺度不变特征变换(SIFT:Scale invariant Feature Transform)特征匹配技术应用于遥感影像自动相对定向的方法,SIFT特征是图像的局部特征,其对旋转、尺度缩放、亮度变化均保持不变,对视角变换、仿射变换、噪声均有一定程度的稳定性。文中给出了较为详细的理论分析和实验分析,结合小波变换建立影像金字塔采用分频道相关提高影像匹配的速度,利用最小二乘匹配方法提高了匹配的精度,取得了较好的实验结果。

基于改进特征袋模型的奶牛识别算法

针对特征袋(BOF)模型中存在特征计算耗时、识别精度低的不足,提出一种新的改进BOF模型以提高其目标识别的精度和效率,并将其应用于奶牛个体识别。该算法首先引入优化方向梯度直方图(HOG)特征对图像进行特征提取和描述,然后利用空间金字塔匹配原理(SPM)生成图像基于视觉词典的直方图表示,最后自定义直方图交叉核作为分类器核函数。该算法在项目组自行拍摄的数据集(包含15类奶牛、共7 500张奶牛头部图像)上的实验结果表明,使用基于SPM的BOF模型将算法的识别率平均提高2个百分点;使用直方图交叉核相比使用高斯核将算法的识别率平均提高2.5个百分点;使用优化HOG特征,相比使用传统HOG特征将算法识别率平均提高21.3个百分点,运算效率为其1.68倍;相比使用尺度不变特征变换(SIFT)特征,在保证平均识别精度达95.3%的基础上,运算效率为其7.10倍。分析结果可知,该算法在奶牛个体识别领域具有较好的鲁棒性和实用性。

基于快速SIFT特征提取的模板匹配算法

针对尺度不变特征变换(SIFT)算法计算量大的问题,提出一种基于快速SIFT特征提取的模板匹配算法。采用递推方法加速计算每个种子向量,利用向量排序来保持算法对旋转的不变性,并通过一种适用于该描述符的快速搜索匹配方法,提高算法的实时性。实验结果表明,该算法能提高匹配速度,并且能在旋转、缩放的情况下有效地识别目标。

基于稀疏编码空间金字塔匹配和GA-SVM的列车故障自动识别

针对货车运行故障动态图像中车辆挡键、集尘器和安全链锁紧螺栓的故障检测,提出一种基于稀疏编码空间金字塔匹配和遗传算法优化的支持向量机相结合的通用故障自动识别算法。首先在不同尺度空间对样本图像进行划分,对每个部分提取尺度不变特征变换特征,利用随机抽取样本的SIFT特征通过迭代学习生成字典并进行稀疏编码;其次利用主成分分析定义编码后的特征对故障识别准确率的贡献值,并据此对编码特征进行降维;然后利用编码降维后的特征结合遗传算法对线性SVM分类器进行训练;最后用训练好的分类器模型对挡键、集尘器和安全链锁紧螺栓的故障进行识别。实验结果表明,本文提出的算法能较好的应用于3种不同类型的故障识别,识别率分别为97.25%、99.00%和97.50%,同时对噪声和光照变化具有一定的鲁棒性,能满足车辆故障的实际检测需求。

层次结构K-d树的立体图像快速匹配方法

特征匹配是计算机视觉和图形图像处理领域中很多研究方向的基础,也是当前的研究热点.SIFT(scaleinvariant feature transformation)特征因其具有尺度、旋转不变性,对一定范围的仿射及视角变换具有鲁棒性等优点,自Lowe提出后,10多年来一直受到众多研究人员的关注.匹配的快速性和准确性是很多应用对特征匹配的要求,如三维重建中立体图像对(stereo pairwise image,简称SPI)的匹配.针对这一问题,以SIFT特征为基础,提出用于SPI匹配的方向大约一致(approximately consistent in orientation,简称ACIO)约束关系,其描述了SPI的匹配特征向量间的空间位置关系,有效地避免了误匹配的发生,提高了匹配的精度;通过对标准K-d树(standard K-d tree,简称SKD-tree)结构的分析,提出了层次结构K-d树(hierarchical K-d tree,简称HKD-tree),将SPI特征集根据ACIO约束关系划分成层次结构并建立映射,该方法缩小了搜索空间,从而达到加速匹配的目的.在ACIO和HKD-tree的基础上,提出了高效、快速的匹配算法.实验结果表明,所提方法比SKD-tree方法和最新的级联哈希方法(cascade hash,简称Cas Hash)在精度上略占优势,但在匹配速度上比SKD-tree快一个数量级以上,同时也数倍于Cas Hash.

基于多尺度残差网络的对象级边缘检测算法

面向对象的边缘检测技术是智能视觉处理领域的关键基础技术,然而目前基于卷积神经网络的边缘检测结果存在分辨率低、噪声较多等问题。因此,文中提出了一种基于多尺度残差网络的对象级边缘检测算法。首先,设计了混合空洞卷积残差块,来替换原始残差网络中的普通卷积核,以放大网络的感受野;然后,设计了多尺度特征增强模块,对边缘信息进行多尺度特征提取,以放大网络的信息接受域;最后,设计了结合顶层语义特征的金字塔多尺度特征融合模块,将不同尺度下的特征信息进行融合,以输出边缘检测后的图像。为了验证所提算法的有效性,在公开数据集BSDS500上进行实验。实验结果表明,与现有算法相比,所提算法具有更好的边缘检测效果,客观指标ODS,OIS和AP分别达到了0.819,0.838和0.849,主观检测效果也更接近真实值,噪声更少。

基于注意力机制的多尺度小目标交通标志检测

在交通标志检测中,小而稠密的交通标志易受遮挡、恶劣天气等复杂自然环境的影响,导致检测性能较差.针对此问题,提出一种基于注意力机制的多尺度小目标交通标志检测方法.以CSPDarknet53为基础设计了一种新型的特征提取网络,使得输出特征图的分辨率得以增大、目标更易于检测,同时通过反卷积自适应级联结构融合浅层细节信息与深层语义特征.此外,构造了一种基于空间注意力机制的倒金字塔结构,以高分辨特征图生成的注意力系数图增强低分辨率特征图的显著区域检测性能.实验结果表明该方法在满足实时性的情况下,不仅提高了小尺度交通标志的检测性能,而且对复杂自然环境下的交通标志检测更具鲁棒性,显著优于典型的目标检测算法.在自制数据集上,检测精度达到95.26%,在0.8的IoU阈值下,相比YOLOv3高19.1%.