基于跳跃残差连接的轻量级超分辨率重建算法

基于残差模块构成的图像超分辨率重建算法可以增加网络层数、提升网络性能,但是存在网络规模大的问题.为了解决这一问题,以及能够有效提取不同网络层次的特征、有效区分输入图像的低频信息和高频信息,提出了一种基于跳跃残差连接和注意力机制的轻量级双分支超分辨率重建模型.首先利用跳跃残差连接和空间注意力机制共同构成注意力残差分支,其中的跳跃残差连接由卷积层和小型残差结构共同构成;其次,在图像采样分支中直接对图像上采样;最后将两个分支的特征进行融合.将提出的算法在Set5、Set14、BSD100、Urban100和Manga109五个基准数据集上进行测试,实验结果表明,该算法在×2、×3放大因子模型中部分数据集具有更高的峰值信噪比和结构相似性,在×4放大因子模型中所有数据集的评价指标都是最优,同时算法重建的图像具有更多的纹理细节和更少的伪影.与其他轻量级超分辨率重建算法(参数量小于1.5 M)相比,所提出的算法包含更少的参数量和更高的峰值信噪比值.

基于改进残差学习的东巴象形文字识别

基于深度学习模型的东巴象形文字识别效果明显优于传统算法,但目前仍存在识别字数少、识别准确率低等问题。为此本文建立了包含1387个东巴象形文字、图片总量达到22万余张的数据集,大幅度增加了可识别字数,并辅助提高了东巴象形文字的识别准确率。同时,本文根据东巴象形文字相似度高、手写随意性大的特点,选择ResNet模型作为改进的网络结构,设计了残差跳跃连接方式和卷积层的数量,并通过加入最大池化层实现了下采样的改进。实验结果表明,在本文建立的东巴象形文字数据集上,改进的ResNet模型实现了东巴象形文字识别字数多且识别准确率高的最好效果,识别准确率可达到98.65%。

基于改进U⁃Net的低质量文本图像二值化

文本图像二值化是光学字符识别的关键步骤,但低质量文本图像背景噪声复杂,且图像全局上下文信息以及深层抽象信息难以获取,使得最终的二值化结果中文字区域分割不精确、文字的形状和轮廓等特征表达不足,从而导致二值化效果不佳。为此,提出一种基于改进U-Net网络的低质量文本图像二值化方法。采用适合小数据集的分割网络U-Net作为骨干模型,选择预训练的VGG16作为U-Net的编码器以提升模型的特征提取能力。通过融合轻量级全局上下文块的U-Net瓶颈层实现特征图的全局上下文建模。在U-Net解码器的各上采样块中融合残差跳跃连接,以提升模型的特征还原能力。从上述编码器、瓶颈层和解码器3个方面分别对U-Net进行改进,从而实现更精确的文本图像二值化。在DIBCO 2016—2018数据集上的实验结果表明,相较Otsu、Sauvola等方法,该方法能够实现更好的去噪效果,其二值化结果中保留了更多的细节特征,文字的形状和轮廓更精确、清晰。

基于MultiResAttUnet网络的二维地震断层自动识别方法研究

断层识别在地震解释中起重要作用,但传统断层识别技术存在识别难度大、周期长、极易受人为因素以及地震资料像素影响等问题,识别效率低下.为解决这一问题,在U-Net网络基础上,本文提出一种基于多尺度残差注意力网络的断层自动识别方法.利用多尺度残差模块代替U-Net的两层卷积,进行多尺度提取模型特征;利用残差跳跃连接代替U-Net的跳跃连接,消除因高低层语义信息融合导致的语义丢失问题;最后引入注意力机制,融合全局、局部、空间以及通道特征,确保模型可以从各种维度最大限度地提取图像特征信息.实验结果表明:本文所提出的网络模型在Accuracy、F1、IOU与Dice等性能评价指标上均优于其他常见的网络模型,对比基模型U-Net,各项指标分别提高了1.5%、15.6%、15.4%和7.4%;通过对加噪数据与实际数据等进行断层识别实验,证明本文方法具有很好的抗噪性与识别效果.