面向地震波初至智能拾取的超分辨率深度残差方法研究

针对常规语义分割网络在初至拾取中存在的精度低、泛化能力差等问题,基于U-Net网络,结合残差学习模块和亚像素卷积方法,构建了一种超分辨率深度残差网络的初至智能拾取方法(SD-Net)。该方法使用具有跳跃连接的U型网络融合地震数据的多尺度信息,通过端到端的训练方式简化工作。首先,在SD-Net的下采样阶段引入残差学习模块,克服深层网络退化问题,有效提高对地震数据的学习能力;其次,上采样阶段采用亚像素卷积方法,通过卷积和多通道间的像素重组实现特征图超分辨率重建,以更高精度定位初至;另外,利用迁移学习将模型应用于中、低信噪比模拟数据,仅需少量标注数据即可训练得到最优初至拾取模型。实际算例表明:与U-Net方法相比,SD-Net训练效率明显提高;网络模型具有更高准确率和鲁棒性;迁移学习模型预测的结果验证了SD-Net具有较强的泛化能力;该方法在实际生产应用中对实现高效、准确的初至智能拾取具有重要意义。

基于轻量级UNet的复杂背景字符语义分割网络

针对传统复杂背景字符分割算法的不足,提出了一种基于轻量级UNet的复杂背景字符语义分割网络.网络结构基于UNet,在特征提取模块中,将传统卷积变为深度可分离卷积,减少了网络特征提取模块的参数量以及计算量,并引入残差学习模块解决网络退化问题.在自制数据集以及H-DIBCO2018公开数据集上展开实验,并与FCN8s、AttationUNet和UNet进行比较.实验结果表明:所提出的网络可同时兼顾计算效率与分割精度,具有实用性.

Dlib在人脸识别技术中的运用

随着人脸识别技术的应用推广,越来越多的技术工具正在运用于人脸识别的创建,作为构造人脸识别技术应用的工具之一,Dlib正以它的实用性和通用性,快速推广至各个领域的人脸识别,基于上述背景,本文主要介绍Dlib人脸对齐的三种函数,Dilb在识别人脸过程中的原理和技术方法。