结合跨层特征融合网络和非局部的识别方法

在以往的方法中,针对于图像识别,主要目标是提取出足够多的具有区分度的局部关键特征。由于细粒度图像分类是对同属于一个大类下面的具体小类别的细分,所以不同的细类之间差别很小,要想提高准确率,更需要找到具有辨别力度的局部区域。论文使用了目标-导航网络,来筛选出前k个最具有判别力的局部区域块,然后针对于筛选出来的k个不同的区域块,利用非局部模块的思想,捕捉不同局部区域之间的联系,更加充分地利用了图像信息,以此来提高精度。与此同时,在残差网络中,使用了卷积注意模块捕捉不同通道注意力特征之间的联系,且在最后的全连接层处改进了网络架构,使用跨层特征融合的方法来代替了简单的级联。考虑到在细粒度识别中,图像的标注需要耗费非常多的人力物力,所以论文中提出的方法,是自监督的。

基于变指数各向异性扩散和非局部的最大似然期望最大低剂量CT重建算法

针对低剂量计算机断层扫描(CT)重建图像发生严重衰退的问题,提出一种基于变指数和非局部的最大似然期望最大(MLEM)低剂量CT重建算法。该算法考虑了传统各向异性扩散中降噪不充分的缺点,把可以有效折中热传导和各向异性扩散(P-M)这两种模型的变指数,以及代替梯度检测边缘和细节的相似度函数运用到传统各向异性扩散中,从而达到所期望的效果。该算法在每次迭代中首先采用基本的MLEM算法对低剂量CT投影数据进行重建;然后利用基于非局部的相似性测度以及变指数和模糊数学的理论对各向异性扩散的扩散函数进行改进,用改进后的各向异性扩散对重建图像进行降噪;最后使用中值滤波对图像进行处理从而消除脉冲噪声点。实验结果表明,所提出算法的均方绝对误差、归一化均方距离均比有序子集惩罚最小二乘(OS-PLS)、有序子集惩罚最大似然一步迟疑(OS-PML-OSL)、基于传统P-M、基于方差的算法小,获得了高达10.52的信噪比。该算法重建出的图像可以在有效消除噪声的同时较好地保持图像的边缘和细节信息。

非局部的变分正则化图像放大算法

针对Chambolle图像放大模型存在分块效应,提出一种非局部的变分正则化图像放大算法。该算法的思想是构造一个适用于图像放大的变分泛函,该泛函由正则项和数据保真项构成,其中图像的正则项是用非局部全变差范数进行估计,进而用迭代投影方法求泛函的最小解,即为放大后的图像。与传统的图像插值方法不同,该算法是用变分的思想进行图像放大,非局部全变差的引入更使得该算法不只是利用图像的单个像素点,或某一邻域内的灰度和梯度信息进行放大,而是更大范围地利用了图像本身的信息,这将更有效地保留图像特征,避免了Chambolle方法在图像放大时出现的分块效应。实验结果表明,该算法能更好地保留边缘和细节信息,放大图像的清晰度比Chambolle图像放大方法和样条插值的效果要好。

基于小波和非局部的全变差中值先验重建算法

针对最大后验法只能提供有限的局部先验信息,使重建图像出现阶梯状边缘伪影及过度平滑等问题,提出一种基于小波收缩和非局部的全变差(total variation,TV)中值先验重建算法。在中值先验分布重建算法的目标函数中加入降噪能力优异的TV先验,提出基于TV的中值先验(median prior,MP)重建算法;针对重建图像边缘依然不清晰且存在块状伪影的问题,利用平稳小波变换具有良好的时频局部特性和平移不变性的特点,在基于TV的MP重建算法的每次迭代中,进行小波收缩和非局部降噪,进一步优化图像。仿真结果表明,该算法可以获得高质量的图像。

基于非局部的图像去噪方法的发展现状综述

通过对图像的相似块做处理从而达到去噪目的,是当前较为新颖的去噪方法,在对国内外利用相似块去噪文献进行理解和分析的基础上,回顾相似块去噪研究的发展,阐明相似块去噪的原理,并总结了相似块去噪的各种方法。最终基于对相似块去噪方法的分析,提出了对其研究方法的展望。

非局部的退化抛物型方程组的解的爆破和整体存在性

该文采用弱上下解方法以及正则化的技巧,研究了一类非局部的退化的抛物型方程组的解的爆破和整体存在性,给出了方程组的解的爆破指标p_c=(p_1+p_2)(q_1+q_2)-mn,证得当p_c＜0时,对任意的初值,方程组的解整体存在；当p_c＞0时,对充分大的初值,解在有限时刻爆破,对充分小的初值,解整体存在；当p_c=0时,若区域充分小,则方程组存在非负整体解,若区域包含了一个充分大的球,则解在有限时刻爆破．

快速二步交叉非局部的图像混合噪声滤波器

真实的自然图像常被各类图像噪声污染,而传统去噪方法普遍只针对一种噪声类型设计,因此在处理混合噪声时往往去噪效果不佳。针对这一问题,提出一种快速二步交叉非局部混合滤波算法。该滤波包括二步交叉滤波部分与整体滤波部分,在二步交叉滤波部分,首先找到像素灰度的极值点进行定位,并使用非局部中值滤波对极值点进行简单的去除椒盐噪声,求出图像的差值积分图,最后使用改进的加速非均值滤波进一步去除噪声。在整体滤波部分,使用非局部中值滤波整体去除噪声。实验结果表明,所提算法在高强度的混合噪声污染情况下,修复的图像获得了更高的测量指标和更加理想的视觉效果。

结合局部与非局部的图像复原方法

为了更好地复原图像的细节,提出了一种结合局部与非局部的图像复原方法。将图像中的细节准确地提取出来,对提取的细节进行非局部全变差约束,同时对剩下的图像成分进行局部全变差约束。提出的方法很好地结合了非局部全变差和局部全变差的优点,实现了图像细节更好的复原。实验结果表明,提出的方法与近几年的一些较好的图像复原方法相比,不仅主观的视觉效果得到了明显的改进,而且客观的峰值信噪比也增加了0.11~2.28 d B。

非局部的可切换滤波图像椒盐噪声去除方法

针对图像被高强度椒盐噪声污染的问题,提出一种可切换的非局部去噪算法.首先将噪声图像切割为若干局部块作为算法的基本处理单位,设计块的预修复过程,以避免由于高噪声污染对局部块的干扰,保证相似度度量和模型估计过程的准确性;其次,在非局部范围内构造非局部滤波器,度量相似度并计算修复权值以进行噪声修复,得到全方位的图像去噪效果.实验结果表明,该算法较传统局部信息构建滤波器的方法,无论对低污染程度的图像,还是高污染程度的图像,在效果和图像衡量指标上均有一定的提升。

非局部的对流Cahn-Hilliard方程

考虑非局部对流Cahn-Hilliard方程Neumann边界问题解的最大值估计.对流Cahn-Hilliard方程可以描述许多的物理现象,如相分离系统中的二元合金和热力学不稳定晶体表面的生长等现象.近年来,对具有对流项的经典Cahn-Hilliard方程的研究有很多,而对非局部对流Cahn-Hilliard方程的研究相对较少.主要利用特殊的迭代方法和Nirenberg-Gagliardo不等式,得到了该问题经典解在闭区域上的最大值估计.

基于融合非局部操作的YOLOv5s高密度锦鲤鱼苗检测方法

针对现有方法在高密度锦鲤鱼苗目标检测任务中适用性差的问题,提出一种基于非局部操作的YOLOv5s(MS-Non-local BIFPN coordinate attention YOLOv5s,NBC-YOLOv5s)目标检测算法。首先,在YOLOv5s的主干网络中,添加多尺度非局部操作算子(multi scale non-local,MS-Non-local),增强模型对高密度锦鲤鱼苗的特征提取能力;其次,在颈部网络使用双向加权特征金字塔结构(bi-directional feature pyramid network,BIFPN)提升模型特征融合效率;最后,在网络的特征融合处,引入坐标注意力机制(coordinate attention,CA),增加模型对图片关键信息的关注度。为验证本文算法的有效性,结合真实渔场环境建立锦鲤鱼苗数据集。实验结果表明,NBC-YOLOv5s的精确率、召回率、平均精度均值(mAP)分别为88.5%、89.7%、93.7%,与YOLOv5s相比,改进后网络较原模型分别提升0.6、9.0、4.4百分点。为验证MS-Non-local对YOLOv5s的性能提升效果,本文对比了卷积注意力(convolutional block attention module,CBAM)、通道注意力(squeeze and excitation,SE)、双层路由注意力(bi-level routing attention,BRA)3种机制。结果表明,MS-Non-local的mAP相较于CBAM、SE、BRA分别提升了2.6、2.1、0.9百分点。并且通过模型拆解,分析了本文方法对不同密度锦鲤鱼苗图像的检测有效性,结果显示,该算法可实现真实场景下对高密度锦鲤鱼苗的检测,能够为筛选高品质锦鲤提供有效技术支撑。

一类非线性非局部抛物问题的类Wilson非协调元分析

主要研究在半离散格式下一类非线性非局部抛物问题的类Wilson非协调元逼近.当问题的精确解u∈H^(3)(Ω)时,利用该单元相容误差在能量范数意义下可达到O(h^(2))阶(比其插值误差高一阶)的特殊性质,采用关于时间t的导数转移技巧,并结合双线性元的高精度分析和插值后处理技巧,得到了超逼近性质和整体超收敛结果.

具p-双调和算子的非局部椭圆方程Navier边值问题的广义解

利用变分方法和相应的临界点定理研究一类具有p-双调和算子的非局部椭圆方程Navier边值问题,在非线性项满足超线性条件时,得到了两个非平凡广义解的存在性定理.

基于梯度场和非局部均值的复杂工件图像增强算法

由于高动态X射线成像系统与工件自身结构复杂性,复杂异形工件的射线图像往往呈现对比度低或特征信息不明确的问题。针对该问题,本文提出基于梯度场和非局部均值降噪的图像增强算法,提高视觉质量。首先,基于梯度场和局部方差构建对比度的自适应增强模型,提高射线图像的对比度;然后,利用非局部均值对图像进行去噪,特别地,本文构建了基于泊松分布的非局部均值算法进行图像去噪,从而得到增强的对比度场;最后,建立能量泛函并用梯度下降法求解来获得具有微小细节的更高质量的图像。实验部分对3个复杂异形工件的X射线图像进行图像增强和缺陷检测实验,结果证实了本文算法的有效性。

具有避难效应和非局部被捕食效应的捕食系统斑图形态研究

具有避难效应的捕食–食饵反应扩散模型是一类重要的种群动力学模型,其斑图形态为研究种群数量时空分布提供关键信息。建立了一个具有避难效应和非局部被捕食效应的Leslie-Gower捕食–食饵反应扩散模型。首先,通过线性稳定性分析和Turing失稳分析分别推导出正平衡点局部稳定及Turing失稳的条件。其次,通过数值模拟分别展示了食饵斑图形态随非局部被捕食效应和避难效应变化而演化的情况。最后,通过分析捕食者和食饵种群空间平均密度与非局部被捕食效应和避难效应参数的变化关系,研究表明:食饵种群数量随着非局部效应的增强而增大,捕食者种群数量随着非局部效应的增强而减少,说明非局部被捕食效应在促进食饵密度增长的同时,抑制捕食者种群的增长;捕食者和食饵种群的数量均随避难效应的增强而增大,说明较强避难效应对食饵种群具有庇护作用,并能促进捕食者和食饵种群持续共存。结论有助于人们更好地从数学层面理解非局部效应和避难效应对捕食者和食饵种群斑图形态影响的规律。

基于正余弦分解的两分段自适应非局部均值滤波方法

为解决包裹相位图中存留的散斑噪声问题,文中提出了一种基于正余弦分解的两分段自适应非局部均值滤波方法。该方法通过两次改进衰减参数的大小和相似性度量的方式实现了算法的自适应化。利用该方法对包裹相位图的正余弦分量去噪,去噪后利用反正切运算获取干净的包裹相位,对该相位进行解包裹运算。实验和仿真结果表明,所提方法既有效去除了包裹相位图中的噪声,也保留了相位图中的边缘信息。相比于分别使用SCA(Sine Cosine Algorithm)方法和BM3D(Block-Matching and 3D filtering)方法,通过所提方法去噪后的图像等效视数(Equivalent Number of Looks,ENL)最大,散斑抑制指数(Speckle Suppression Index,SSI)最小,且均方误差提升了约两倍,说明所提方法有效去除了包裹相位中的噪声,提高了相位解包裹的精度。

基于融合距离的极化SAR图像非局部均值滤波

在极化合成孔径雷达(synthetic aperture radar,SAR)图像降噪领域,常见的非局部均值滤波仅依靠像素间的统计距离进行相似性度量,忽略了像素点的空间信息。本文结合极化SAR数据统计特性和图像空间特征作为像素间的相似性度量,提出了一种利用融合距离来计算相邻窗口权重的方法——基于融合距离的非局部均值滤波器。融合距离的引入使得滤波器能够更全面的评估像素间的相似性,从而得到更合适的像素权重。此外,本方法还引进变异系数对邻域窗口的权重进行评估,通过该参数可以控制滤波的程度。在多幅极化SAR图像上的实验结果表明,所提出的滤波器能够在有效抑制斑点噪声的同时保留较为完整的图像边缘信息和极化散射特性。

基于应变梯度非局部Biot理论的饱和土地基动力特性研究

为探究孔隙尺寸效应(非局部参数表征)和介质局部非均匀效应(尺寸因子表征)对饱和土地基动力响应的影响,基于应变梯度非局部Biot理论,采用无网格法编制循环荷载下饱和土地基动力响应计算程序,验证无网格法程序的正确性。结果表明,尺寸因子为定值时,随着非局部参数的增加,观测点位移及孔压起始响应的时间有所延迟;而非局部参数为定值时,随尺寸因子的增加,观测点位移及孔压起始响应时间有所提前;说明考虑孔隙尺寸效应会减小系统的宏观模量,而考虑土体结构的非均匀效应则会增加系统的宏观模量。研究提出采用无网格法求解饱和土动力问题的方法和思路,可为今后研究饱和土动力学问题的研究提供借鉴。

具有非局部感染和周期治疗的HIV感染模型的时空动力学分析

该文建立了一类非自治反应扩散HIV细胞模型来研究周期治疗、非局部感染对HIV感染时空动力学的影响.具体地,首先推导出模型基本再生数R0,其由下一代再生算子R的谱半径所定义.然后对模型的动力学行为进行分析,其中包括无感染平衡态的全局稳定性、HIV感染的一致持久性以及周期正平衡态的存在性.最后,通过数值模拟验证了理论结果的正确性并分析了相关重要因素对HIV感染进程的影响,为HIV的临床治疗提供有价值的参考建议.

具非局部扩散和反应项的自由边界问题

针对一个具有非局部扩散和反应项的自由边界问题进行研究,证明其解的存在唯一性,并运用迭代法研究解的渐近行为.特别地,当扩散发生时,证明了系统存在唯一正解,且在紧开拓扑意义下全局渐近稳定,表明弱竞争时两个种群能够最终共存.