基于多尺度注意力机制的单幅图像超分辨率重建

近年来,深度卷积神经网络(CNN)在单幅图像超分辨率重建中取得了明显的进展。在此基础上,提出了一个校准多尺度通道空间注意网络(CMCSAN)。CMCSAN由两个关键模块组成:校准多尺度模块(CMSM)和通道空间注意模块(CSAM)。CMSM从不同尺度提取特征信息,自适应调整信息特征;CSAM模块可以自动鉴别不同通道的特征信息,有效调整空间的位置权重。实验结果表明,CMCSAN显著增强了挖掘中间特征信息的能力,在单幅图像超分辨率重建中表现出良好的性能。

跨级融合门控自适应网络用于视网膜血管分割

针对现有多数算法对浅层特征提取不足,导致分割结果中血管边界模糊、毛细血管欠分割且包含噪声等问题,提出一种跨级融合门控自适应网络。该网络中的密集门控通道变换模块,通过促进通道之间的竞争或协同关系充分提取浅层特征信息,避免浅层粗粒度特征信息丢失;通过跨层次融合模块捕获各层跨维度交互信息,有效聚合多尺度上下文特征;采用双自适应特征融合方法有效引导相邻层次特征融合,抑制噪声。在公共数据集DRIVE、CHASEDB1和STARE上进行验证,结果表明:所提网络准确率分别为0.9652、0.9668和0.9695,F_(1)值分别为0.8544、0.8152和0.8412,在多个指标上均处于较高水平,优于现有先进算法。

基于多U-Net网络的脑胶质瘤分割算法研究

核磁共振影像分割对于脑肿瘤患者的治疗至关重要,但肿瘤形态多变、边界模糊等问题使得其边缘分割效果不佳。为解决以上问题,提出一种基于多U-Net网络的脑胶质瘤自动化分割算法MU-Net。首先,以U-Net为主干网络,在编码阶段设计残差空洞卷积模块作为短连接,增强编码特征长距离信息的连接,从而改善特征提取效果;其次,在网络跳跃连接处引入改进的高效通道注意力机制,同时使用平均池化和最大池化充分利用空间和通道信息,以提高分割准确度;最后,在经过改进高效通道注意力机制处理后的跳跃连接处设计多个不同深度的双输出U-Net作为编码与解码之间的纽带,以增强网络对不同尺度脑肿瘤的适应性。在BraTS2020数据集上进行大量实验,结果表明MU-Net算法对完整肿瘤、肿瘤核心和增强肿瘤的Dice系数分别为86.75%、77.76%和76.21%,与基准模型相比分别提升了2.6%、2.55%和2.41%,具有更好的分割效果。

多注意力机制网络的调制识别算法

针对小尺度衰落信道下调制信号识别率低的问题,提出一种基于多注意力机制网络的调制识别算法。提取信号瞬时幅度/相位特征与同相/正交序列构建双通道输入方式,实现多尺度感受野。通过残差密集块提取双通道数据的频域特征,将特征向量融合后送入双向门控循环单元提取时域信息,引入改进卷积注意力机制模块和软注意力机制捕捉信号的关键特征,构建多注意力机制网络对BPSK、QPSK、8PSK、16PSK、PAM4、GMSK、CPFSK、16QAM、64QAM这9种信号进行调制识别。仿真结果表明,信噪比大于10 dB时,9种信号平均识别率达89.2%以上,与其它深度学习算法相比具有更高的识别率,验证了该算法的有效性。

基于渐进生长Transformer Unet的遥感图像建筑物分割

针对深度卷积神经网络在遥感图像地物分割任务中存在树木遮挡目标无法提取、小目标细节丢失等问题,提出了一种基于渐进生长机制的Transformer Unet(PGT-Unet)卷积神经网络模型,通过渐进式逐步增加输入图像的分辨率和模型的深度,使得模型首先在尺度较小的图像获得比较收敛的输出结果,之后在每个阶段可以集中注意力学习相邻尺度的特征信息,最终在原尺度图像上得到最后的建筑物分割结果;同时,在网络模型的编码阶段和解码阶段中引入了Transformer Block模块进行特征提取和特征融合,获得更大的感受野和更强的上下文塑造能力,达到提升模型灵敏度和精确度的目的。在Inria Aerial Image Labeling数据集的建筑物遥感图像上进行实验,结果表明,所提模型能够自适应学习到不同大小目标、遮挡目标的丰富细节特征,从而提升建筑物分割精度,分割结果的平均交并比(Intersection over Union, IoU)为0.775。

基于双通道残差密集网络的红外与可见光图像融合

为改善红外与可见光融合结果与源图像间的部分细节特征丢失问题,充分提取红外与可见光图像中的特征信息,提出了一种改进的双通道深度学习自编码网络进行红外与可见光图像融合。其中,双通道结构由密集连接和残差连接模块级联构成,并设置一种综合像素、结构相似度和梯度特征保留的损失函数,使该编码器结构可以充分提取红外与可见光图像的多层次特征,在融合层采用空间L1范数和注意力机制对级联双通道特征分别进行融合,最后设计对应的解码器对融合特征图像进行重构,获取最终的融合结果。通过与传统算法以及近年最新的深度学习算法进行实验对比,结果表明该方法在主观和客观上都具有优秀的综合性能。

基于改进轻量化YOLOv5s的卷烟厂烟草粉螟视觉检测方法

针对卷烟厂仓储车间在检测烟草粉螟时普遍存在的检测速度慢及检测精度低的问题,研发了一种基于改进轻量化YOLOv5s的卷烟厂烟草粉螟视觉检测方法。该方法利用特征图之间的相关性和冗余性设计EESP-Ghost模块,并以该模块为基础设计融合高效空间金字塔的双重注意力Ghost-bneck模块,将其引入到YOLOv5s模型中以实现深度神经网络模型的轻量化,同时提高检测精度。利用烟草粉螟数据集对该方法进行验证实验,结果表明,该方法在参数量仅为原始YOLOv5s参数量49.88%的情况下,检测平均精度(mAP)提升了4.37%。该方法在真实检测场景下对粘附到粘虫板上的烟草粉螟进行检测时,检测置信度、正确检测数均较高,可实现对卷烟厂烟草粉螟的高精度实时检测,为烟草粉螟的有效防治提供保障。

MRAU-net网络下的X光胸片肺野分割算法

为了解决U-net网络进行X光胸片肺野分割时,受限于特征提取能力不足导致分割结果不精确的问题,提出一种多尺度残差注意力U型网络(MRAU-net)模型.利用多尺度信息融合(MIF)模块,改善网络结构,增加对多尺度信息的获取;利用通道和空间双注意力(CSDA)模块,解决网络在有限算力下的信息过载问题.同时,对残差模块进行改进,并与U-net网络进行深度结合,提升网络的学习稳定性,缓解梯度消失和过拟合现象.实验结果表明:文中方法具有优秀的X光胸片肺野分割能力,能获得更精确的分割结果.

基于双注意力机制的零样本建筑图像分类方法

零样本建筑图像分类是在标记训练样本不足以涵盖所有类的情况下,利用已知建筑类别与未知建筑类别之间的知识迁移对未知类样本进行分类。针对建筑风格分类中标记数据少及局部判别性特征定位不准确的问题,提出一种基于双注意力机制的零样本图像分类方法。该方法首先引入通道注意和空间注意两种模型以增强图像特定区域的表示。其中,通道注意网络学习不同通道权重以定位图像中的建筑物;空间注意网络将位置信息嵌入通道注意图捕获目标中的细节特征,获取具有通道和空间双层维度的特征表示。其次,为减少空间映射过程中出现的信息损失,使用生成器重建视觉特征。最后,设计公共空间嵌入的零样本建筑图像分类模型,在子空间对齐视觉特征和语义特征,通过最近邻匹配实现分类任务。实验结果表明,所提方法较当前零样本学习方法而言,在零样本数据集CUB及建筑风格数据集Architecture Style Dataset上的平均分类准确率分别提高1.3和0.7百分点。

基于双重注意力特征增强网络的语义分割方法

语意分割作为计算机视觉领域的研究热点之一,在地理信息系统、医疗影像分析和机器人等领域有广泛应用。然而现有的语义分割方法主要面临两个挑战,即类内不一致和类间难区分问题。为此,我们提出了一种基于双重注意力特征增强网络的方法来实现语义分割。该方法采用位置注意力模块与通道注意力模块来获取丰富的空间信息与上下文信息,并且在网络末端添加金字塔池化模块来聚合不同区域的上下文信息,提高网络捕获全局信息的能力。最终在标准数据集上的实验结果验证了本文方法的有效性。

DH-PIM和LMS信道均衡在FSO中的应用

将双头脉冲间隔调制(DH-PIM)和最小均方(LMS)算法信道均衡技术应用于自由空间光通信,建立了基于DH-PIM和LMS信道均衡的自由空间光(FSO)通信系统的数学模型,研究了DH-PIM的符号结构、平均功率需求及其功率谱,并且与开关键控(OOK)、脉冲位置调制(PPM)等调制方式作了比较,对系统的性能指标进行了仿真.数学分析和仿真结果表明:该方法可以减小系统的误码率,降低系统发射光功率的需求,特别是在多径弥散信道、高速率和高吞吐量的情况下,效果更加明显.