基于双向嵌套级联残差的交通标志检测方法

交通标志检测是自动驾驶领域的一个重要课题,其对于检测系统的实时性和精度都有非常高的要求。目标检测领域中的YOLOv3算法是业界公认在精度和速度上都处于前列的一种算法。文中以YOLOv3检测算法作为基础网络,提出一种双向嵌套级联残差单元(bid⁃NCR),替换掉原网络中顺序堆叠的标准残差块。双向嵌套级联残差单元的两条残差边采用相同的结构,都是一次卷积操作加上一次级联残差处理,两条边上级联的标准残差块的数量可以调节,从而形成不同的深度差。然后将两条边的结果逐像素相加,最后再做一次卷积操作。相较于标准残差块,双向嵌套级联残差单元拥有更强的特征提取能力和特征融合能力。文中还提出跨区域压缩模块(CRC),它是对2倍率下采样卷积操作的替代,旨在融合跨区域的通道数据,进一步加强主干网络输入特征图所包含的信息。实验结果表明:提出的模型在CCTSDB数据集上mAP(0.5)、mAP(0.5∶0.95)分别达到96.86%、68.66%,FPS达到66.09帧。相比于YOLOv3算法,3个指标分别提升1.23%、10.35%、127.90%。

基于多尺度增强级联残差网络的DAS地震资料背景噪声衰减方法

由于复杂强背景噪声的影响,分布式光纤声学传感(Distributed Optical Fiber Acoustic Sensing,DAS)采集的地震记录普遍信噪比较低。如何有效抑制背景噪声,恢复弱上行反射信息,切实提升DAS记录信噪比,已成为资料处理领域的热点问题之一。针对复杂DAS背景噪声消减问题,提出了一种多尺度增强级联残差网络(Multiscale Enhanced Cascade Residual Network,MECRN)。MECRN具有双路径级联残差网络结构,通过双路径机制提取DAS记录浅层信息。在此基础上,引入空洞卷积和多尺度模块提取DAS记录的多尺度特征,并通过跳跃连接导入浅层特征,在避免有效特征损失的同时,提升网络的特征提取能力。最后,通过残差学习整合局部和全局特征,并对重建特征细化,进一步提升了MECRN的去噪能力。模拟和实际DAS资料处理结果均表明,MECRN可以有效地压制DAS记录中的复杂背景噪声,准确恢复弱反射信号,显著提升处理DAS资料的能力。

结合随机子空间和级联残差网络的缺陷检测

针对基于深度学习的表面缺陷检测方法中的小样本问题,提出一种结合随机子空间和级联残差网络的缺陷检测方法(RSM-MTResNet)。该方法将缺陷数据分解为多个随机子空间,在每个子空间上构建残差网络,通过级联多个残差网络得到融合特征。在NEU表面缺陷数据集上进行实验,运用了混淆矩阵和F1值来评估模型性能。结果表明该方法的分类准确率为97.66%,比传统CNN方法的准确率高了14.5%,F1值均提高10.0%以上,这证明了该方法不仅能在一定程度解决小样本问题,同时能获得较高的识别性能。

基于级联式逆残差网络的遥感图像轻量目标检测算法

遥感场景下的高实时目标检测任务具有重要的研究价值与应用意义.针对当前遥感图像目标检测模型由于目标多角度、排列密集以及背景复杂从而导致检测速度慢的问题,提出一种级联式逆残差卷积结构(Cascaded Inverted Residual Convolution,CIRC).该结构采用深度可分离卷积作为基本卷积单元,快速提升模型计算能力;在此基础上,通过转置通道矩阵与级联深度卷积,并增加残差连接层数,达到强化目标多维特征的目的;进一步,进行多级模块堆叠,提高模型对目标的检测效果.本文在RetinaNet基础上,利用CIRC设计了一个快速的轻量化目标检测网络—CIRCN(Cascaded Inverted Residual Convolution Net).同时,在训练阶段引入角度变量并参与反向传播,在推理阶段对水平框加入角度偏置,有效提高定向目标与检测框匹配度.在DOTA数据集上的实验结果表明,CIRCN在精度略受损失的情况下,检测速度达到42 fps,比基准算法提高了3.5倍.结果验证了所提算法的有效性与可靠性.

基于级联残差生成对抗网络的低照度图像增强

针对现存的低照度图像视觉效果差和图像质量低的问题,提出了一种基于级联残差生成对抗网络的低照度图像增强算法,该算法将构建的级联残差卷积神经网络作为生成器网络和改进的PatchGAN作为判别器网络。首先根据Retinex理论,通过正常照度图像合成训练样本,再将低照度图像从RGB空间转换到HSV颜色空间,保持色调分量和饱和度分量不变,利用级联残差生成器网络对亮度分量增强。通过判别器网络监督生成器网络不断增强低照度图像,二者相互博弈,最终使生成器网络具备较好的低照度图像增强的能力。实验结果表明,本文增强算法在合成的低照度图像和自然的低照度图像上,获得了更为良好的视觉效果和对比度,特别在合成的低照度图像上,其峰值信噪比和结构相似度明显优于其他对比算法。

面向超分辨率重建的层次间局部特征增强网络

基于卷积神经网络的超分辨率重建模型以单项传播为主,层次越靠后感知信息的能力越微弱,导致层次间局部特征部分丢失,难以实质提升网络的特征表达能力。针对此问题,提出层次间局部特征增强网络。该方法由级联残差模块、层次间特征增强块和特征感知注意力机制组成。级联残差模块通过有效残差连接增加对残差分支信息的利用;层次间特征增强块提取不同深度特征的依赖关系,自适应调整中间层特征权值增强捕获关键信息的能力;特征感知注意力机制采用方向感知和位置判断的方式准确定位和识别感兴趣对象。多项标准数据集的实验结果表明,该方法能改善超分辨率的视觉重建效果,整体性能优于现有方法。

非局部稀疏关注的YOLOv4优化算法

传统目标检测网络如Fast R-CNN、ReseNet等在下采样提取图像特征的过程中,损失了大量的空间位置信息表征,存在对较小目标检测效果差的问题。在保留空间位置信息的基础上,提出了一种非局部稀疏关注的级联残差高分辨率网络(cascaded residual high resolution network)。该网络架构从一个高分辨率的子网络开始,逐步增加从高到低分辨率的子网络,形成更多的阶段,将多个分辨率的子网络并行连接,使用级联残差模块(cascaded residual module,CrModule)进行同分辨率特征流间的特征提取;利用多尺度特征图融合,使得每个从高到低分辨率的表示反复地从其他并行表示接收信息,产生丰富语义表征和空间位置表征的高分辨率表示;引入NLSA(nonlocal sparse attention)算法实现深层网络特征块超分重构,挖掘不同尺度相同物体间的结构关联,提高较小物体的特征表示,使之与大物体特征类似,提升较小目标的特征可学习性。在VOC2007数据集的广泛评估表明,将CrHRnet作为YOLOv4的主干特征提取网络,能有效提高目标检测的准确率;CrHRnet-YOLOv4测试mAP(mean average precision)比YOLOv4、YOLOv5_s、YOLOv5_m分别高出1.8、9.5、3.4个百分点,在相同的设备下检测单张图片的FPs较YOLOv4网络提升了30%。

基于自注意力机制的单幅图像去雨滴方法

在数字图像中去除雨滴的干扰,对恢复图像质量有较大应用意义。随着深度学习图像去噪技术的发展,针对目前大多数去雨滴的方法恢复质量低、计算量大等问题,提出了一种基于自注意力机制的轻型图像去雨滴算法。该算法建立了一个轻量级的级联稠密残差网络(cascaded dense residual network),用于恢复被雨滴覆盖的图像信息。该网络由多个模块组成,模块间用稠密的残差和跳过连接引导图像信息的输出,以从粗略到细节的方式逐级消除图像中的雨滴,恢复雨滴下的背景信息。网络中每个模块由卷积层、非局部神经网络(non-local neural network)和递归卷积网络组成,在保证预测无雨图像的效果的同时减少参数量。实验结果表明,与AttentiveGAN等去雨滴方法相比,该算法去雨滴效果良好。该方法将自注意力机制加入级联稠密残差网络中,参数量仅为0.22 M,适用于小型嵌入式的除雨滴设备。

城市轨道交通突发事件风险等级判别方法

为提升风险等级判别的准确性,破解城市轨道交通系统风险实时管控和事件应急处理的关键问题,构建了改进的特征选择算法(Im-F-score+XGB)对突发事件风险因素的特征进行筛选,通过分析城市轨道交通突发事件的基础数据,计算各风险特征的重要度,挖掘不同特征对突发事件风险等级的影响程度,得到突发事件风险等级判定的重要特征;同时,采用多时间窗循环扫描方法和加权级联残差森林模型相融合的思路,获得突发事件风险等级与风险特征的映射关系,建立了改进的突发事件风险等级判别模型(Im-F-GCF)。通过与RF、HGBDT、GCF、LightGBM 4个代表模型对比分析,显示出本文提出的Im-F-GCF模型的有效性。

基于Boosting回归的单帧图像超分辨率重建

实例学习是一种有效的单帧图像超分辨率重建技术,关键在于如何建立低分辨率与高分辨率图像之间的映射关系。许多研究表明,当面对复杂多样的自然图像时,类型单一的回归模型难以重建出理想的高分辨率图像。为此,以A+算法为基础,提出一种基于Boosting集成学习的超分辨率算法,通过不断增强回归模型的互补性,超分辨率重建模型能较好地适用于不同内容的图像。该算法首先利用Boosting思想训练多组具有互补性的子回归器;然后对各组子回归器进行组合,生成泛化能力更强、重建性能更好的集成模型;最后利用级联残差回归策略,采用由粗到精的方式逐渐合成高分辨率图像,以进一步提高超分辨率重建图像的质量。在5个标准数据集上对所提方法和4种基于实例学习的主流超分辨率方法进行了比较,结果表明,所提超分辨率重建方法能够重建出图像边缘更加清晰和纹理细节更加丰富的高质量图像。