联合JPU与HRNetV2的遥感影像云检测算法

遥感影像云检测仍是语义分割任务中极具挑战性且非常重要的一方面。针对HRNet V2算法的云检测效果差的问题,文章提出了一种基于改进HRNet V2的遥感影像云检测方法。首先,将38-cloud公开数据集中进行校正,然后将训练集影像及标签顺序裁剪成512×512的小块,进行随机裁剪、色彩抖动、旋转等预处理操作,以增加样本量;将预处理后的遥感影像及其标签一并输入HRNetV2,将其每个输出结果经过JPU模块,最后进行上采样输出结果;经过实验验证发现,其准确率可以达到95%以上,交并比可以达到90%以上,优于HRNetV2,可以很好地检测云。

基于FAMGAN的轮胎X光图像缺陷检测

针对气泡缺陷特征和图像背景像素差异较小、检测困难的问题,以Skip-GANomaly为基础框架,提出了融合注意力机制生成对抗网络(FAMGAN),首先,生成器中编码器和解码器之间的跳连层由注意力特征融合模块(AFF)和注意力机制模块(CBAM)构成,提高了对目标特征的关注、减少了图像特征丢失;然后,在判别器中加入联合上采样模块(JPU),提高了模型检测图像缺陷的速度。最后,将本文提出的FAMGAN网络与近几年经典的生成对抗网络在自制的轮胎缺陷数据集上进行训练、测试和评估。实验结果表明,本文提出的网络对轮胎气泡缺陷检测的精度达到0.837,相比于Skip-GANomaly网络提高了近30%。

基于新生成器结构的图像修复方法

针对目前图像修复算法存在的修复效果不连续、缺失大小受限、训练过程不稳定等缺点,提出了一种基于生成对抗网络的图像修复方法.利用卷积神经网络,我们可以真实地修复任意分辨率的图像.为了实现高分辨率的真实修复效果和对图像特征的充分学习,我们提出基于DenseNet传播源图像的细节和结构得到高分辨率的图像,实现图像缺失生成;由于Iizuka等人提出的基于双判别器方法中膨胀卷积部分所产生的巨大运算量,我们提出使用JPU (Joint Pyramid Upsampling,联合金字塔上采样)来加速计算.在CelebA和ImageNet上的实验表明,所提方法能真实地修复大多数的破损图像.