基于多级跳跃残差组的运动人像去模糊网络

为解决复原后的运动模糊人像图像的轮廓模糊、细节丢失等问题,提出了基于多级跳跃残差组生成对抗网络(GAN)的运动人像去模糊方法。首先,改进残差块以构造多级跳跃残差组模块,并改进PatchGAN的结构以使GAN能够更好地结合各层的图像特征;其次,使用多损失融合的方法优化网络,从而增强重建后图像的真实纹理;最后,采用端到端的模式将运动模糊的人像图像进行盲去模糊操作,并输出清晰的人像图像。在CelebA数据集上的实验结果表明,相较于DeblurGAN(Deblur GAN)、尺度循环网络(SRN)和MSRAN(Multi-Scale Recurrent Attention Network)等基于卷积神经网络(CNN)的方法,所提方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别至少提高了0.46 dB和0.05;同时,所提方法的模型参数更少,修复速度更快,且复原后的人像图像具有更多的纹理细节。

基于组残差块生成对抗网络的面部表情生成

面部表情生成是通过某种表情计算方法生成带有表情的人脸图像,在人脸编辑、影视制作和数据扩增等方面应用广泛。随着生成对抗网络的出现,面部表情生成取得了显著的进步,但是生成的面部表情图像会出现重叠、模糊等现象,缺乏真实感。为了解决上述问题,提出了一种带有混合注意力机制组残差块的生成对抗网络(group residuals with attention mechanism-generative adversarial network,GRA-GAN)用于生成高质量的面部表情图像。在生成网络进行下采样前和上采样后,分别嵌入混合注意力机制来自适应地学习关键区域特征,增强对图像关键区域的学习。将分组的思想融入到残差网络中,提出了带有混合注意力机制的组残差块来实现更好的生成效果。在公开数据集RaFD进行了实验验证。实验结果表明,GRA-GAN模型在定性评估和定量分析指标上均优于相关方法。

视频帧组与其残差帧组交替的3D-DWT-SPIHT压缩编码方法研究

提出一种改进的方法 ,它采用视频帧组与残差帧组交替来进行三维小波变换 ,减少视频帧组内的帧数、时间延迟和存储空间 ,同时在时间轴上采用两种小波基相结合的方法 ,提高了压缩效率和解码图像的质量 ;尤其是对背景复杂的视频序列有较好的效果 .实验结果表明本文方法在相同条件下比现有方法的PSNR平均提高约 1dB 。

基于组稀疏残差约束的自适应强噪声图像复原算法

组稀疏学习在图像去噪中显示出巨大的潜力,但现有方法仅从图像块级别考虑含噪图像的非局部自相似性,影响了强噪声图像的重建质量.文中在组稀疏复原模型中引入组稀疏残差和全变分正则化约束,将含噪图像复原问题转化为多尺度图像块匹配和减小组稀疏残差;基于干净图像的组稀疏系数预估和多尺度图像块匹配,提出了自适应图像复原迭代算法,以提升组稀疏学习算法的图像去噪和精细结构复原能力.实验结果表明,文中算法能更好地保留图像的细节纹理,减少过平滑和伪影现象,在强噪声图像复原的主、客观综合评价上优于BM3D、WNNM等标杆去噪算法.

基于预滤波的组稀疏残差约束图像去噪模型

大多数现有去噪方法只考虑了噪声输入图像的非局部自相似性先验方法(NSS),仅从已退化的输入图像中收集相似图像块,图像去噪的质量在很大程度上取决于输入图像本身。针对图像复原过程中的噪声去除问题,设计了一种基于卷积神经网络的组稀疏去噪模型。模型使用两种NSS先验(即噪声输入图像和预滤波图像的NSS先验),把图像去噪问题转化为组稀疏残差最小化问题。为了提高非局部相似块选择的准确性,使用了一种自适应块搜索的方法,并采用卷积神经网络进行预滤波,以获得对原始图像组稀疏系数的良好估计。实验结果表明:所提出的GSRC-CNN方法在客观和感知质量方面优于许多先进的去噪方法。

基于组稀疏残差去噪的磁共振图像重构

为了克服磁共振图像重构精度低的问题,方便医生诊断与治疗,提出一种将组稀疏残差去噪和近似消息传递相结合的磁共振图像重构算法。在基于迭代软阈值的去噪近似消息传递(D-AMP)重构算法中,滤波的去噪算法将使用基于组稀疏残差约束(GSRC)的图像去噪实现。实验结果表明,基于组稀疏残差去噪的磁共振图像重建算法可有效缓解重建图像局部细节信息损失量大的问题,提高了图像重建性能,具有良好的鲁棒性。

基于超深残差通道注意力网络的图像压缩感知重构

提出了一种基于超深残差通道注意力网络的图像压缩感知重构算法。超深残差通道注意力网络的重构部分由多个残差组组成,每个残差组包含一个长连接和一组带有短连接的残差块。长连接结构能够有效传播丰富的低频信息,使主干网络专注于学习高频信息。在残差块中引入通道注意力机制,通过考虑通道间的相互依赖性来自适应地重新划分通道特征,从而达到强化重要特征的效果。实验表明,该算法能够有效提升图像压缩感知的重构精度。

基于改进RDN网络的无人机茶叶图像超分辨率重建

针对无人机搭建可见光传感器进行茶叶长势、病害等监测中因飞行高度影响图像分辨率的问题,本文提出了一种改进的残差密集网络(Residual dense network,RDN)用于无人机茶叶图像超分辨率重建。针对无人机茶叶图像纹理复杂的特点,以RDN为基线网络,在其结构中引入了残差组(Residual group,RG)模块,将多个残差通道注意力模块(Residual channel attention block,RCAB)组合在一起,通过引入注意力机制来区别对待不同的通道,关注无人机茶叶图像高频细节信息,从而提高网络的表征能力;同时设计了一个卷积长跳跃结构,利用带有卷积的远程跳跃连接,动态调整经过残差密集块(Residual dense block,RDB)后特征的权重,更好地利用无人机茶叶图像的分层特征信息,从而提升超分辨率重建图像的质量。实验结果表明,本文改进的RDN网络在无人机茶叶图像测试集上相较于其他算法表现更优,超分辨率重建后的图像具有更高的峰值信噪比和结构相似度,在4倍超分的情况下分别达到36.03 dB和0.9132,能够为茶叶智能化监测研究提供支持。

基于改进YOLOX-m的安全帽佩戴检测

安全帽佩戴检测是安全监控系统中的重要组成部分,其检测精度取决于目标分类、小目标检测、域迁移差异等因素。针对现有基于YOLOX-m模型的安全帽佩戴检测算法通常存在分类精度较低、检测目标不完整、轻量化模型性能下降等问题,构建一种基于多阶段网络训练策略的改进YOLOX-m模型。首先对YOLOX-m主干特征网络卷积块的堆叠次数进行重新设计,在减小网络规模的同时最大化模型性能,然后将残差化重参视觉几何组与快速空间金字塔池化相结合,提高检测精度和推理速度。设计一种多阶段网络训练策略,将训练集和测试集拆分成多个组,并结合推理阶段生成的伪标签进行多次网络训练,以减少域迁移差异,获得更高的检测精度。实验结果表明,与YOLOX-m模型相比,改进YOLOX-m模型的推理延迟降低了5 ms,模型大小减少了4.7 MB,检测精度提高了1.26个百分点。

基于UIO的四旋翼飞行器故障检测与隔离(英文)

故障检测与隔离(FDI)对于增强四旋翼飞行器的安全性和鲁棒性具有重要作用。提出了一种四旋翼飞行器执行器故障的FDI方法。首先建立了四旋翼飞行器的简化线性模型。然后研究了基于未知输入观测器(UIO)的故障检测与隔离方案。针对四个执行器,分别设计了四个UIO以产生通用结构化残差组,对执行器故障进行检测与隔离。仿真实验证实了该FDI方案的可行性。

基于深度学习的门机抓斗检测方法

在港口门机抓斗装卸干散货的作业过程中,人眼观察无法精确判断抓斗所在位置,会带来工作效率低下及安全性等问题。为解决该问题首次提出了一种基于深度学习的门机抓斗检测方法。利用改进的深度卷积神经网络YOLOv3-tiny对抓斗数据集进行训练及测试,进而学习其内部特征表示。实验结果表明,基于深度学习的门机抓斗检测方法可实现门机抓斗检测速度每秒45帧,召回率高达95.78%,在很好满足检测实时性与准确性的同时,提高了工业现场作业的安全性及效率。

基于小波域的深度增强车牌图像去雾算法设计

为解决雾天拍摄的车牌图像边缘模糊、色彩失真的问题,提出了端到端的基于小波域的深度增强车牌雾图去雾算法。先根据大气散射模型构建了雾天车牌图像数据集,之后利用小波变换将车牌雾图从空间域转换成小波域分量图像,最后将处理后的小波域分量图像进行逆小波变换,重构出的干净车牌图像。去雾网络以U-Net的编解码结构为主体框架,通过多个残差组从训练集中提取特征,并在解码器中引入“SOS”深度增强策略对编码器和下层输入的特征进行融合和细化,用以提高去雾车牌图像的峰值信噪比。实验表明,上述网络在结构相似度和峰值信噪比上具有明显优势,在处理合成车牌雾图和实际拍摄的车牌雾图上,去雾效果表现良好。

利用POLDER多角度偏振数据反演陆上气溶胶光学厚度的群组残差最优方法

陆上气溶胶光学厚度(AOD)反演作为气候、环境领域的一大研究方向,偏振多角度遥感在这个方向上有其特有的优势。本文使用法国POLDER(Polarization and Directionality of Earth’s Reflectance)1级偏振多角度资料,提出了一种针对气溶胶反演的群组残差最优方法,反演了气溶胶AOD。首先,模拟计算了大气、地表和气溶胶的偏振多角度反射率;然后,通过辐射传输公式,推算卫星观测的偏振表观反射率的若干组模拟值;最后,使用群组残差最优方法,计算获得气溶胶AOD。通过和MODIS(Moderate-resolution Imaging Spectroradiometer)气溶胶数据产品(MYD04)的精确地理匹配和定量分析,验证了此方法的反演精度,结果表明:本文得到的AOD与MYD04建立的回归分析,其R2可达到0.68以上,斜率与1接近,即此方法获得的反演产品与MYD04具有较好的一致性;与AERONET(Aerosol Robotic Network)的AOD数据也进行了坎普尔站、北京站上的统计与分析,AOD的变化趋势上也存在较好的一致性。本文方法能够应用于除POLDER以外的偏振多角度卫星数据,获得较为可靠的陆上气溶胶AOD产品。

基于并联卷积神经网络的运动模糊去除模型

为了提取丰富的图像特征,提出了一种并联卷积神经网络模型.核心支路采用改进级联编解码器模块,在传统编码器路径中引入通道注意机制和塔式空洞卷积模块提取丰富的上下文信息,在模块间引入跳跃连接,以保留图像细节.并行支路采用基于塔式空洞卷积模块的改进递归残差组,在提取充足空间细节信息的同时能够将特征传递到网络深处,保存图像的精细纹理.最后在GoPro数据集和Kohler数据集上评估模型的性能.从实验结果可以看出该模型在主客观评价上都表现良好.

基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断

针对现有深度卷积神经网络对滚动轴承混合故障诊断效果不佳以及模型复杂度过高导致计算成本过大等问题,提出了一种基于RegNet-CSAM与ZOA-KELM模型的滚动轴承故障诊断方法。该模型由RegNet-CSAM网络和ZOA-KELM分类算法组成。首先,将融合了通道和空间特征的注意力机制CSAM与组卷积残差模块结合,提升该结构的表征能力,由此构建的RegNet-CSAM网络,模型复杂度为0.48GF;其次,在分类阶段将斑马优化核极限学习机(ZOA-KELM)替代原来网络中使用的Softmax函数完成最后的分类任务。滚动轴承故障诊断试验结果表明,RegNet网络对滚动轴承混合故障样本容易产生误判,CSAM的融入虽将RegNet网络的分类精度进一步提高,但是仍然存在一定程度的滚动轴承混合故障误判问题;而将ZOA-KELM替代Softmax函数后再对RegNet-CSAM网络输出特征进行分类,能够有效识别出滚动轴承的单一和混合故障,准确率达到了99.92%。所提方法对比其他网络,诊断精度最大提升5.02%,模型复杂度最大缩减32倍。