基于多尺度残差和注意力机制的图像去雾算法

雾的存在严重降低了图像的质量,阻碍了后续对图像的进一步处理.针对已有去雾算法特征提取不充分等问题,提出了一种端到端的基于多尺度空洞残差块和多尺度注意力机制的图像去雾算法.首先,通过三个小尺度的卷积核进行卷积运算提取雾图的浅层特征,可以在得到较大感受野的同时降低参数量.然后,将其输入多个由多尺度残差空洞卷积特征提取模块和多尺度注意力机制模块串联组成的网络模块,多尺度空洞卷积残差特征提取模块可以提取不同感受野的雾图特征并进行不同维度的特征融合,有效解决特征尺度单一问题;多尺度注意力机制模块可合理分配不同特征的权重,并抑制无关的冗余信息.最后,把雾图中的雾特征筛减便得到去雾图的特征图,再通过卷积操作恢复出无雾图像.通过在SOTS测试集上测试,得到了比其他几种经典方法更好的视觉效果,且在PSNR和SSIM上的表现也优于其他几种经典方法.

基于卷积—反残差和组合注意力机制的航天器多余物检测

航天器密闭电子设备内腔多余物给航天器飞行安全带来了巨大隐患。由于多余物体积小、与设备内常规组件形态结构相似且易被其他组件遮挡,采用现有的方法对其进行检测时误检、漏检频发。为解决上述问题,提出一种基于卷积—反残差和组合注意力机制的航天器密闭电子设备多余物检测网络RPDN。首先,网络通过构建卷积—反残差模块,保证了多余物细粒度特征的完整性;其次,设计组合注意力机制,增强了多余物特征的表征能力;最后,结合多尺度特征融合模块与目标检测层从多维度进行目标预测。实验结果表明RPDN在各项评价指标上均取得了良好的效果,mAP达到92.16%,检测效率达到了13FPS,实现了航天器密闭电子设备内腔多余物高效、精准检测。

基于形变残差和级联编码的胰腺分割模型

为解决深度卷积神经网络进行胰腺分割时存在的胰腺形状位置变化大、噪声干扰、部分小目标等问题,提出一种结合可形变收缩残差块(Deformable Shrinkage Residual Block,DSRB)与级联编码模块(Cascading Encoding Module,CEM)的胰腺分割模型DC U-net。该模型利用2个可形变卷积、注意力机制以及残差结构设计了DSRB,通过可形变卷积来解决胰腺形状位置变化大的问题,使用软阈值化来减少噪声干扰;采用CEM来进行特征融合,对编码特征进行复用以降低编解码阶段的特征差异度,加强对小目标特征的学习。在NIH公开数据集上的实验结果表明,本文模型DC U-net的平均Dice相似系数(Dice Similarity Coefficient, DSC)达到87.26%,平均交并比(Intersection Over Union, IOU)达到77.98%,分割精度优于对比模型。

基于伪距残差和新息的GNSS/IMU抗差自适应定位算法

在全球导航卫星系统(GNSS)和惯性测量元件(IMU)组合导航系统中,抗差滤波和自适应滤波常被用于提高组合导航的定位精度。但是抗差滤波和自适应滤波所适用的条件不同,使用不当反而可能会降低组合导航的定位精度,针对此问题,提出基于伪距残差和新息的GNSS/IMU抗差自适应定位算法。所提算法基于伪距残差评估GNSS的定位质量,选择合适的滤波算法进行GNSS/IMU组合导航解算。在长时间GNSS定位质量较差时,基于新息和伪距残差判断是否IMU运动学推算误差大于GNSS观测值误差,从而根据判断的结果选择是否采用抗差因子。结果表明:所提算法相对于扩展卡尔曼滤波算法在东、北和天方向上分别提高36.05%、22.71%和56.22%的定位精度。

基于多残差和多重特征融合的去雾算法

针对目前大多数图像去雾算法由于细节丢失导致去雾后的图像颜色失真,雾霾残留以及纹理细节模糊等问题,提出一种基于多残差和多重特征融合端到端的去雾算法。首先通过设计浅层特征提取模块,为深层网络提高丰富信息的特征图;其次设计多残差级联模块,提取多层次特征,帮助模型学习更加复杂的特征表示;然后设计局部-全局特征融合模块,捕获从最细微到最广泛的特征;最后设计结合残差注意力的跨层特征融合模块,避免上下采样后的细节缺失,更好地提取图像中的局部与全局信息特征。实验结果表明,所提算法在SOTS室内、室外测试集上峰值信噪比(PSNR)分别取得了33.12、31.07dB,结构相似性(SSIM)分别取得0.986、0.983,与当前大多数主流算法相比得到了明显的提升,且在合成雾图像和真实雾霾图像均取得了不错的去雾效果,复原图像细节更加清晰,更符合人类视觉感知。

基于残差和卷积神经网络的生猪图像分块压缩感知

针对常规图像采样和压缩方法存在重建图像模糊问题,提出基于残差和卷积神经网络的生猪图像分块压缩感知模型RC-BCSNet(Block-based compressed sensing of pig images based on residual and convolutional networks)。RC-BCSNet是基于残差和卷积神经网络,采用采样、初始重建、深度重建三段式网络结构。首先通过卷积层自适应学习采样,再进行初始重建图像,最后通过基于残差的卷积神经网络进行图像整体深度重建。结果表明,RC-BCSNet与3种不同经典分块压缩感知算法相比,在7个采样比下平均峰值信噪比(PSNR)最大/最小增益分别为6.16和2.18 dB,平均特征相似度(FSIMc)最大/最小增益分别为0.083和0.037 dB,为信息中心数据处提供数据支持。

融合残差和卷积注意力机制的U-Net网络高分影像道路提取

针对在高分辨率遥感影像中因道路特征模糊或“同谱异物”现象影响,出现局部道路提取缺失和提取错误的问题,提出一种融合残差和卷积注意力机制的U-Net网络高分影像道路提取方法。首先,以U-Net网络为基础,加入改进的残差模块缓解网络训练过程中易出现的网络性能退化问题;然后,嵌入卷积注意力机制模块加强对道路细节特征的深度表征能力;最后通过几何变换对数据集进行合理扩充,增强网络泛化能力。在公开数据集马塞诸塞州数据集(MassachusettsRoadsDataset)和DeepGlobe道路数据集上对模型进行测试,实验结果表明:文章提出的方法在两个数据集上整体精度分别达到97.02%和98.26%,相比其他模型具有更好的提取效果,对道路特征的深度表征性更强,抗干扰性较好,有效改善了道路提取中出现的错提、漏提现象,显著提高了道路提取的精度和完整性。

基于残差和注意力网络的声呐图像去噪方法

前视声呐作为一种水下主动声呐设备常用于采集水下图像数据,然而会受到水下噪声的影响导致图像质量下降。针对这一问题,本文提出了一种基于密集残差和双通道注意力机制网络的前视声呐图像去噪方法。首先采用双通道注意力机制对声呐图像的通道信息进行提取,统计声呐图像的全局信息,输出声呐图像的噪声图;密集残差块根据噪声图和声呐图像,充分学习不同尺度上的特征信息,经过多次学习和信息传递后输出干净声呐图像。针对前视声呐图像及其噪声特点,模拟了前视声呐图像并添加瑞利分布的乘性噪声和高斯分布的加性噪声,生成模拟数据集用于网络训练和性能评估。在模拟数据集和真实数据集的实验中表明,本文方法能够有效去除噪声,保留图像细节。

一种融合多尺度残差和门控卷积的图像修复算法

为了克服图像修复中出现的边缘模糊和视觉伪影问题,该文提出一种融合多尺度残差和门控卷积的图像修复算法。该算法模型由边缘生成网络和纹理修补网络组成。首先,通过多层卷积和多尺度残差块提取出图像边缘信息,对受损区域的边缘进行补全;然后,将生成的边缘图像作为结构性先验知识,并利用门控卷积来消除无效像素对掩码更新的干扰,实现局部纹理的精细填充。在Places2和CelebA基准数据集上的实验结果表明,该算法在各项评价指标上均优于现有主流算法,其PSNR提高了2.1%~2.6%,SSIM提高了1.6%~2.3%,L1损失降低了6.5%~9.9%。

基于高阶残差和注意力机制的轻量型作物害虫识别

精准识别作物害虫对作物进行适时地防护和治理具有重要意义.在面向自然环境时,由于作物害虫体积小、与环境颜色的差异性不大,同时又面临着各种噪声和复杂背景等因素的影响,目前与深度学习相关的作物害虫识别模型存在难以兼顾识别准确率和鲁棒性的要求,难以部署在计算资源有限和低性能的移动端等缺陷.因此选取ShuffleNetV2网络结构中模型参数最少的ShuffleNetV2 0.5×为基准网络,设计了一个基于高阶残差和注意力机制的轻量型作物害虫识别模型(HOR-Shuffle-CANet).其中,前期的高阶残差可以为后面的网络层提供丰富的害虫特征,有效提高模型的识别准确率;坐标注意力(coordinate attention, CA)机制能够进一步抑制背景噪声和对作物害虫重点信息的关注,有效增强模型的鲁棒性;带标签平滑正则化(label smoothing regularization, LSR)的双稳态逻辑损失函数可以解决训练含噪数据集时逻辑损失函数的两个缺点,使得模型对噪声的适应能力更强.试验结果表明,HOR-Shuffle-CANet模型在自然场景中10类常见作物害虫图像的测试数据集上达到了91.22%的识别准确率,较基准网络提升了3.54个百分点.在保持轻量化计算的基础上,其识别准确率也高于现有的经典卷积神经网络AlexNet、VGG-16、GoogLeNet、Xception、ResNet-34和轻量级网络模型MobileNetV3-Small、EfficientNet-B0等.该模型具有识别准确率高、鲁棒性强和抗干扰性能好等特点,能够很好地适应作物害虫识别的实际应用需求.

多尺度残差和二阶退化的图像超分辨率重建

针对目前图像超分辨率重建算法中因退化过程过于单一所导致的网络性能下降和模型泛化能力差等问题,本文提出了多尺度残差和二阶退化的图像超分辨率重建算法。该算法首先设计了二阶退化模型,在每一阶退化过程中加入随机的下采样、模糊、噪声和压缩操作以保证退化模型的复杂性和易用性。其次提出了多尺度感受野残差密集块,利用多分支结构和空洞卷积来增强网络的特征提取能力。最后改进了上采样方式,交替使用双线性插值和亚像素卷积上采样算法,以平衡算法性能和时间复杂度。实验结果表明,该算法在三个基准数据集上的自然图像质量评估指标平均下降了1.15,且重建图像视觉观感更好,纹理细节、亮度和饱和度更加准确。

基于残差和特征分块注意力的激光打码字符分割

金属表面激光打码工艺易造成周围金属变性,产生灼伤等形式的大量噪声,导致字符区域背景复杂,字符对比度低及模糊问题,给后续字符识别带来困难。因此提出一种基于残差和特征分块注意力的激光打码字符特征增强与精细分割模型Res18-UNet,以突出字符信息,提高信噪比,从而有效分割目标。首先设计了注意力-残差特征提取单元,减少网络参数的同时避免网络退化,提高通道和空间的特征选择能力。其次提出特征分块注意力机制,加入了改进的特征分块空间注意力,增强微弱字符特征。此外,在上采样阶段设计了融合改进损失函数的多重监督模块,改善网络收敛能力,提高分割精度。在激光打码易拉罐罐底图像数据集上实验得到的mIoU系数、Dice系数和F1分数均优于原UNet,分别达到了0.8010,0.8895和0.9035,预测速度是原UNet的2.6倍,为12.24张/秒。实验说明,该算法能够有效地对低对比度激光打码字符进行特征增强和高精度分割,且具有在嵌入式平台上部署运行的可行性与应用前景。

残差和为零的非线性回归法及其应用

指出传统拟线性回归和近代非线性最小二乘回归存在的问题,以及有截距的线性回归和无截距的线性回归之间的差别;提出通过附加残差和为零的强制条件改进非线性最小二乘回归的思想和方法,即残差和为零的非线性回归,并从理论上和实验数据上证明其优越性。得出的结论和结果为:对于幂函数、指数函数、双曲函数、对数函数和S型曲线等非线性函数,通过换元线性化进行的回归(简称拟线性回归)存在异方差问题;有截距的线性回归的残差和为零,无截距的线性回归和非线性回归的残差和通常不为零;残差和为零的非线性最小二乘回归之参数的精度高于普通非线性最小二乘回归参数的精度;对无截距的线性回归问题,通过附加残差和为零的强制条件后,参数的精度亦会提高。

基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别

当前,大部分农作物病害图像识别方法主要关注于精度而忽略了鲁棒性.在面向实际环境时,由于噪声干扰和环境因素影响导致识别精度不高.为此提出了一种高阶残差和参数共享反馈的卷积神经网络模型以应用于实际环境农作物病害识别.其中,高阶残差子网络为病害表观提供丰富细致的特征表达,以提高模型识别精度;参数共享反馈子网络用来进一步抑制原深层特征中的背景噪声,以提高模型的鲁棒性.实验结果表明,当面向实际环境农作物病害识别时,本文方法在识别精度和鲁棒性上均优于其他方法.

综合电离层残差和超宽巷探测和修复北斗周跳

周跳的探测与修复对于GNSS高精度定位来说至关重要。随着精密单点定位应用日益广泛,高效、可靠的非差数据周跳探测与修复方法必不可少。为了提高非差数据周跳探测的可靠性,根据北斗多频载波相位观测值的组合特性提出了一种新的非差数据周跳探测方法。该方法联合电离层残差法与Moulborne-Wuebbena超宽巷模糊度观测值(M-W)联合建立方程组,解算每个频率观测值的周跳,从而实现周跳的探测和修复。实验数据处理结果表明,这种组合方法可以探测不同的周跳,包括50周大小的大周跳、1大小周的小周跳、同时产生的两个频率的周跳以及连续周跳,并能够准确进行修复。本方法适用于静态定位与动态定位,为快速准确地探测与修复非差数据的周跳提供了新的思路。

基于区域残差和LSTM网络的机场延误预测模型

针对目前民航运输业对机场延误预测高精度的要求,提出一种基于区域残差和长短时记忆(RR-LSTM)网络的机场延误预测模型。首先,将机场的属性信息、气象信息和相关运行航班信息进行融合;然后,利用RR-LSTM网络对融合后的机场数据集进行特征提取;最后,构建Softmax分类器对机场延误分类预测。所提RR-LSTM网络模型既能有效提取机场延误数据的时间相关性,又能避免深层LSTM网络的梯度消失问题。实验结果表明,RR-LSTM网络模型预测准确率可达95.52%,取得了比传统网络模型更好的预测效果。其中,融合机场的气象信息和相关运行航班信息后,预测准确率可提高约11%。

基于模型预测残差和目标函数的MPC实时性能监控

模型预测控制的性能受多种因素的影响,现有的模型质量评价指标没有考虑外界干扰的变化,反映系统整体性能时不够全面。针对上述问题,现结合两个指标:基于模型预测控制目标函数的历史性能指标和基于模型预测残差的协方差指标对系统性能进行实时监控。其中,历史性能指标用以评价系统的整体性能,协方差指标反映模型失配和干扰变化的影响。根据两个指标对不同性能影响因素的不同表现和性能恶化后对干扰新息的重新辨识结果,对系统性能下降的原因进行初步诊断,缩小性能下降源的范围,并通过Wood-berry塔实验验证了该方法的有效性。

生育年龄数据的残差和聚类分析方法

在计划生育工作中,经常出现瞒报、漏报现象,上报数据往往失真.为了解真实生育现状,有必要借助相关数据探究真相.产妇住院记录数据包含生育状况信息,借助分布拟合方法,得到该地区生育年龄分布结构,又通过残差分析、聚类分析方法,发现该地区计生工作中存在的几个问题.最后提出几点改进建议.

使用不同频率域残差和K-SVD模型的图像消噪方法

图像消噪前后的残差信息包含图像的高频信息.为了提高消噪图像的质量,在轮廓波变换域内,根据噪声图像及其K-SVD消噪后不同频率子带图像的残差信息,对残差子图像块再次进行K-SVD消噪,并将其结果与消噪图像的子带图像进行融合,得到包含残差信息的消噪子带图像,最后通过轮廓波逆变换得到消噪图像.仿真实验结果证明了所提出的基于不同频率子带内残差信息和K-SVD的图像消噪方法优于轮廓波变换和K-SVD模型,具有较好的消噪性能.

残差和为零的非线性回归在材积建模中的应用

为了验证残差和为零的非线性回归分析法在林木材积建模中的应用效果,利用10个树种的建模(编表)数据、伯克霍特材积模型和山本和藏材积模型以及残差和为零的非线性回归分析法,求解10个树种的模型闭合差,并用10个树种的验表数据对所建模型进行验证,同时与用非线性最小二乘回归法进行数据处理的结果进行比较。结果表明,无论是建模结果还是验表结果,残差和为零的回归分析法的精度总体高于非线性最小二乘回归的精度。