一种并行混合注意力的渐进融合图像增强方法

针对低照度图像增强过程中出现的色彩失真、噪声放大和细节信息丢失等问题,提出一种并行混合注意力的渐进融合图像增强方法 (progressive fusion of parallel hybrid attention,PFA)。首先,设计多尺度加权聚合网络(multiscale weighted aggregation,MWA),通过聚合不同感受野下学习到的多尺度特征,促进局部特征的全域化表征,加强原始图像细节信息的保留;其次,提出并行混合注意力结构(parallel hybrid attention module,PHA),利用像素注意力和通道注意力并联组合排列,缓解不同分支注意力分布滞后造成的颜色差异,通过相邻注意力间的信息相互补充有效提高图像的色彩表现力并弱化噪声;最后,设计渐进特征融合模块(progressive feature fusion module,PFM),在三个阶段由粗及细对前阶段输入特征进行再处理,补充因网络深度增加造成的浅层特征流失,避免因单阶段特征堆叠导致的信息冗余。LOL、DICM、MEF和LIME数据集上的实验结果表明,本文方法在多个评价指标上的表现均优于对比方法。

基于改进YOLOv5的遥感小目标检测网络

受遥感图像背景复杂、分辨率高、有效信息量少等因素影响,现有目标检测算法在检测小目标过程中存在错检、漏检等问题。提出基于YOLOv5的遥感小目标检测算法YOLOv5-RS。为有效减少图像中复杂背景和负样本的干扰,构建并行混合注意力模块,采用卷积替换全连接层和移除池化层的操作来优化注意力模块生成权重特征图的过程。为获取和传递更丰富且更具判别性的小目标特征,调整下采样倍数并在模型训练过程中增加小目标信息丰富的浅层特征,同时设计卷积与多头自注意力相结合的特征提取模块,通过对局部和全局信息进行联合表征以突破普通卷积提取的局限性,从而获得更大的感受野。采用EIoU损失函数优化预测框与检测框的回归过程,增强小目标的定位能力。在遥感小目标数据集上进行实验以验证该算法的有效性。实验结果表明,与YOLOv5s相比,该算法在参数量减少20%的情况下平均检测精度提升1.5个百分点,其中,小车类目标的平均检测精度提升3.2个百分点;与EfficientDet、YOLOx、YOLOv7相比,该算法能有效兼顾检测精度和实时性。