基于改进CBAM多分支平滑空洞卷积的入侵检测算法

针对现有入侵检测算法模型存在表征能力弱、预测准确率低和漏报率高的问题,本文提出基于改进卷积注意力模块的多分支平滑空洞卷积神经网络(multi-branch smoothed dilation convolutional neural network based on improved convolutional block attention module,MSDCNN-ICBAM)算法模型。该模型首先使用加权随机采样解决数据集不平衡问题,然后设计扁平式的多分支平滑空洞卷积神经网络(MSDCNN)在多感受野下提取多尺度特征以解决网络退化问题,最后提出改进卷积注意力模块(ICBAM)在通道和空间双维度上指导特征表达以解决卷积操作无法感知特征重要性问题。与其他入侵检测模型在UNSW-NB15数据集上的对比实验表明,该模型准确率提高了3.04%,漏报率降低了5.77%,检测率可达90.98%。

基于传递注意力机制的非均匀雾图去雾算法

针对非均匀雾霾图像难以建模、去雾时容易出现残留的问题,文中提出基于传递注意力机制的非均匀雾图去雾算法.针对雾霾分布的非均匀性,在网络中构建传递注意力机制,使注意力特征图中的权重信息在各个注意力块之间流动,有针对性地处理非均匀有雾图像中的雾霾噪声.为了减少普通深度卷积导致复原图像中细节信息丢失问题,构建稀疏结构平滑空洞卷积,用于提取图像特征,在保证较大感受野的同时保留更多的细节信息.最后,并联一个轻量级的残差块结构,用于补充重构图像的色彩、细节信息.实验表明,文中算法在非均匀有雾图像数据集和人工合成有雾图像数据集上均能取得较优效果,在主观效果和客观指标上都具有较大优势.

基于残差注意力机制的图像去雾算法

传统基于先验知识与基于学习的图像去雾算法依赖大气散射模型,容易出现颜色失真和去雾不彻底的现象。针对上述问题,提出一种端到端的基于残差注意力机制的图像去雾算法,该算法网络包括编码、多尺度特征提取、特征融合和解码4个模块。编码模块将输入的雾图编码为特征图像,便于后续特征提取并减少内存占用;多尺度特征提取模块包括残差平滑空洞卷积模块、残差块和高效通道注意力机制,能够扩大感受野并通过加权筛选提取的不同尺度特征以便融合;特征融合模块利用高效通道注意力机制,动态调整不同尺度特征的通道权重,学习丰富的上下文信息并抑制冗余信息,增强网络提取雾霾密度图像的能力从而使去雾更加彻底;解码模块对融合后的特征进行非线性映射得到雾霾密度图像,进而恢复无雾图像。通过在SOTS测试集和自然有雾图像上进行定量和定性的测试,所提方法取得了较好的客观和主观评价结果,并有效改善了颜色失真和去雾不彻底的现象。