基于递归金字塔的多任务轻量化图像超分辨率算法

随着深度学习在超分辨率领域的广泛研究,为提高重建精度,网络结构呈现参数量越来越大的特点,且单个网络只能解决单个放大任务。针对这些问题,提出了基于递归金字塔的多任务轻量化图像超分辨率算法。算法中设计的递归金字塔模块以递归网络为基础,共享特征映射主体的权重使用独立的重建模块完成多个×2的超分子任务。特征映射主体以局部自适应融合模块堆叠而成,采用密集连接和特征自适应融合的方式,实现了特征的高效提取和参数的轻量化。本文方法在Set5、Set14、B100和Urban100上与现有算法进行比较,实验结果表明,所提方法在视觉上重建效果更好,参数量和浮点运算量更少。

面向复杂交通场景的道路目标检测方法

针对复杂交通场景下小目标检测精度低,容易出现误检和漏检的问题,提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS。提出基于反馈机制的特征提取网络(RFP-PAN),增加浅层特征层与反馈连接并设计IASPP模块,充分融合不同尺度的特征信息,提升网络的特征融合能力;提出级联注意力机制(SECA),在通道和空间维度上聚焦重要特征,让算法关注更加有用的信息;利用Ghost模块的轻量化优势,降低算法的参数量、计算量和模型占用空间。实验结果表明,YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%,相比原始算法分别提高了1.6和8.6个百分点,模型大小为12.9 MB,在保证实时性的同时具有良好的检测精度,在一定程度上解决了小目标的漏检和误检问题。

基于改进YOLOv5s的黑皮鸡枞菌检测方法

为解决黑皮鸡枞菌种植环境下背景土壤与菌菇辨识度较低、样本分布密集、类间相互遮挡等问题,该研究提出一种基于改进YOLOv5s的目标检测方法。首先,在骨干网络中融入RFBSE模块,使网络关注重点区域,通过施加通道注意力机制,增强对黑皮鸡枞菌特征表达能力;其次,设计多分支采样DCSPP池化模块,加强局部信息与全局信息的融合;第三,在颈部网络采用RFP结构,通过添加额外反馈信息促进语义信息传递,增强鸡枞菌样本密集遮挡场景下的检测能力,对RFP结构级联方式及网络间融合结构做轻量化处理,降低参数计算量和内存使用。试验结果表明,通过添加RFBSE模块,多分支池化模块以及采用递归金字塔结构对模型检测能力均有不同提升效果,最终模型平均精度均值mAP、精确率、召回率分别达到90.8%、86.5%、84.8%。对比原YOLOv5s模型算法,mAP、精确率、召回率分别提高2.7、3.8、3.9个百分点,并通过生成热力图提高模型检测过程的可解释性。试验结果表明改进后的模型可在复杂环境下准确、快速地识别黑皮鸡枞菌,为黑皮鸡枞菌采摘机器人的开发提供技术支持。

离散小波变换的VLSI实现

离散小波变换已广泛应用于信号处理中。然而 ,实时小波变换需要大量运算 ,因此 ,专用小波变换芯片的设计已成为信号处理中的关键技术。文章提出了一种小波变换递归金字塔算法的VLSI结构 ,采用一组输入延迟单元和一个控制单元 ,用一组并行滤波器完成了小波变换。编写了相应的 Verilog HDL模块 。

一维离散小波变换的VLSI设计

文章提出了一种离散小波变换的VLSI结构。这种结构由四部分构成:输入延迟单元、寄存器单元、滤波器单元和控制单元。该结构采用了递归金字塔算法(RPA)取代传统的PA算法。只用一组滤波器即可完成所有级别的小波运算。同时,结合Short-LengthFIR技术,以减少乘法和加法的运算次数。在寄存器单元的设计上,采用了LifetimeAnalysis技术,结合Forward-BackwardRegisterAllocation(FBRA)方法,使寄存器的数目降至最低。