基于像素级水平的通道自适应水下图像增强算法

现有基于深度学习的算法采用编解码方式在高维特征中对水下图像进行增强,没有考虑水下图像的通道差异性退化特点,导致增强效果普遍较差。针对这一问题,提出了一种基于像素级水平的通道自适应水下图像增强算法,将水下图像在像素级分R、G和B三通道进行增强。此算法分4个阶段,通过4个阶段的分通道特征提取完成整个增强过程。首先,通过增强网络的局部和全局语义,优化通道衰减来修复上下文的颜色通道;其次,通过注意机制聚合空间和通道特征,并抑制不相关的颜色定位跳跃信息;然后,通过优化注意力机制调整自适应特征;最后,为提高算法色偏纠正能力,提出了一个色偏纠正模块,在第四阶段使用色偏调节模块进一步调整图像的色偏问题。在UIEB数据集和EUVP数据集上与其他算法进行对比,本文算法的PSNR指标提高了14.35%,SSIM提高了5.8%,UIQM提高了3.2%,UCIQE提高了13.7%,且主观效果最佳。

区域感知实时人像超分辨率重建网络

在人像超分辨率重建领域,传统方法通常将整幅图像进行统一处理,导致效率低下。为降低模型的推理时延,提出了一种实时超分辨率重建模型RASR。该模型利用门控单元处理低分辨率图像,识别出人像边缘区域;采用分区重建策略,使用不同尺寸的子模型分别针对包含或不包含人像边缘的区域进行重建。实验结果表明:与现有方法相比,RASR模型在4倍上采样重建场景下的推理时延降低了88%,能够更有效地重建高分辨率人像图像。

钢轨表面缺陷检测Mask R-CNN算法研究与优化

为有效防止城市轨道交通事故发生,更好地保障运行安全,钢轨表面缺陷检测技术在巡检工作中发挥着重要作用。针对现有钢轨缺陷检测技术中检测精度差、小目标敏感度低等问题,在Mask R-CNN(mask region-based convolutional neural network)算法模型基础上,提出一种融合注意力机制的模型改进方案。该方案在特征提取网络中引入通道-空间复合注意力机制(channel-wise spatial module,CSM)用于实例分割缺陷检测,有效剔除干扰信息,获得多尺度特征表达,得到更多空间信息以及更优的浅层信息,从而提升对钢轨表面缺陷边缘检测能力。在相同的实验环境下,相对于Mask R-CNN算法,加入CSM后,Mask R-CNN模型的平均精度均值(mean average precision,mAP)提高了6.5%。其中,对钢轨“凹陷”“裂纹”以及“疲劳磨损”缺陷识别的平均精度(average precision,AP)分别提高了6.3%、6.9%和6.1%。横向对比发现,加入CSM后的Mask R-CNN模型,相较于Fast R-CNN模型,三种缺陷的分割效果分别提升了11.6%、12.5%和12.9%。同时,相较于Faster R-CNN模型,三种缺陷的分割效果分别提升了8.8%、10.0%和10.3%。加入CSM后的Mask R-CNN模型可以更好地识别三类缺陷,提升检测精度和小目标敏感度,为轨道智能巡检提供更安全有力的技术支持和保障。

一种基于通道注意力机制的交通监控视频超分辨率算法

为提升交通监控视频的显示质量,进而提高监控视频车牌识别成功率,提出一种基于通道注意力机制(Channel-wise Attention,CA)和BasicVSR模型的监控视频超分辨率模型。在BasicVSR模型中引入CA,使模型能学习不同通道之间的非线性依赖关系,从而有效提升监控视频超分辨率图像的质量。在某交通监控场景下开展车牌识别试验,对该CA-BasicVSR模型的有效性进行验证,结果表明:在交通监控画面还原任务中,该模型对画面还原的峰值信噪比相比EDVR-L模型和BasicVSR模型能分别提高约1.3 dB和0.3 dB;在车牌识别任务中,使用该模型处理的交通监控视频画面作为输入,相比原始低分辨率的视频画面,能提高车牌识别的成功率。

面向电子装备装配引导的AR跟踪方法研究

为了提高面向电子装备装配引导的增强现实(augmented reality,AR)跟踪方法的鲁棒性与适用性,在像素投票姿态估计网络结构的基础上,结合深度可分离卷积和通道注意力机制对AR跟踪算法进行优化。首先,针对电子装备六自由度姿态公共数据集稀缺与使用约束较多的问题,使用RGB-D相机采集并制作AR装配引导的电子装备的六自由度姿态训练数据集。然后,在基于像素投票的姿态估计网络结构基础上,使用深度可分离卷积对网络进行轻量化,并引入通道注意力机制对通道进行权重评估,以弥补网络轻量化造成的精度损失。最后,通过电子装备装配任务对提出的方法进行AR装配引导验证。实验结果表明:提出的跟踪注册方法相对于修改前的跟踪方法具有较好的鲁棒性,同时保持了装配引导的精度,能够对弱纹理的电子装备进行跟踪。

基于关联策略的CTR-GCN人体骨骼行为识别

针对骨骼的人体行为识别中表达人体的重要信息的关节点分区策略不能够充分表达行为的问题,提出了一种关联策略的CTR-GCN人体骨骼行为识别模型。首先,通过在智能信道拓扑的细化图卷积网络模型(CTR-GCN)上增加关联策略,能够动态地学习不同的拓扑结构和高效地在不同信道中放大连接点特征,同时提升关键关节点的关联特性;然后,网络模型通过学习一个共享的拓扑并且用特定的信道关系来重新定义每一个信道并通过理论分析统一模型;最后,重新定义模型结构。信道内部局部节点的关联信息得到有效体现,对细微的动作识别具有更强的聚合能力。提出的关联策略的智能信道拓扑图卷积网络模型(ASCTR-GCN)在基于智能拓扑细化卷积网络的基础上比CTR-GCN方法增强了关节点之间内在的关联性,大大提高了骨关节点信息在空间上的识别精度。实验结果表明,在常用的NTU RGB+D和NW-UCLA数据集中识别精度分别达到93.6%(X-View)、97.6%(X-Sub)、97.2%(Top 1),准确率得到提高。

融合注意力机制的轨道入侵异物检测轻量级模型研究

基于智能视频分析的轨道线路环境入侵物自主识别是保障轨道交通运营安全的关键技术之一。然而基于神经网络的高精度目标检测模型严重依赖算力,部署成本高,很难普及运用。为此,提出一种改进yolov4-tiny的轻量级网络模型。在网络主干,通过融合跨阶段结构和通道混洗策略,提出CSPShuffleNet结构,加快网络推理;在网络颈部,引入多头注意力机制,增强网络目标定位能力;在网络头部,使用深度可分离卷积替换传统卷积,进一步压缩网络参数量。基于铁路异物数据集的实验结果表明:相比于原始yolov4-tiny,本模型的均值平均精度最大提高1.4%,参数量减少49.9%,模型容量减少55.4%。验证了本模型对于固定平台和移动平台检测系统的普适性,从而为铁路安全保障提供决策支持。

基于内容特征和风格特征融合的单幅图像去雾网络

基于深度学习的方法在去雾领域已经取得了很大进展,但仍然存在去雾不彻底和颜色失真等问题.针对这些问题,本文提出一种基于内容特征和风格特征相融合的单幅图像去雾网络.所提网络包括特征提取、特征融合和图像复原三个子网络,其中特征提取网络包括内容特征提取模块和风格特征提取模块,分别用于学习图像内容和图像风格以实现去雾的同时可较好地保持原始图像的色彩特征.在特征融合子网络中,引入注意力机制对内容特征提取模块输出的特征图进行通道加权实现对图像主要特征的学习,并将加权后的内容特征图与风格特征图通过卷积操作相融合.最后,图像复原模块对融合后的特征图进行非线性映射得到去雾图像.与已有方法相比,所提网络对合成图像和真实图像均可取得理想的去雾结果,同时可有效避免去雾后的颜色失真问题.

基于全卷积残差收缩网络的地震波阻抗反演

卷积神经网络对地震波阻抗反演已经能取得不错的效果,但反演精度、抗噪声性能有待提高,针对此问题,本文提出了一种基于带逐通道阈值的全卷积残差收缩网络(FCRSN-CW)的地震波阻抗反演方法。该方法首先在残差网络的结构上加入了“注意力机制”和“软阈值化”构成反演网络,然后用波阻抗数据通过正演计算得到合成地震数据集,接着用该数据集训练全卷积残差收缩网络,最后将地震数据输入到训练好的网络中,直接得到反演结果。理论模型反演结果表明,该网络能准确地反演出波阻抗,具有良好的学习能力和抗噪声性能。实测数据反演结果表明,该方法能有效解决地震波阻抗反演问题。

基于多种强调机制的深度点云网络改进研究

机器视觉是机器人从复杂空间环境中识别工作对象的关键技术。在机器人系统中常用的Kinect深度相机或激光扫描传感器能够获取目标的三维信息,这使得机器人完成更加复杂的如组装、拆卸、抓取等工作任务成为可能。但是,这也对机器人系统处理三维信息的能力如三维定位、工作对象尺寸测量、估计等提出更高要求。以PointNet网络为基础,分析了软阈值挤压激励、通道门控、注意力等机制的主要特征强调机理,分别采用软阈值挤压激励、通道门控、注意力网络对PointNet网络进行改进,并在斯坦福大学公开的ShapeNet数据集上进行实验验证。结果表明,3种强调机制对原网络的改进,使三维点云的分割精度(均交并比)较PointNet原网络分别提高了0.24%,0.68%,0.93%。该改进方法为后续解决机器人在组装、拆卸、抓取等任务中对工作对象的尺寸精确估计奠定了基础。

基于改进Faster R-CNN的绝缘子及其缺陷检测

为实现绝缘子及其缺陷实时检测,文章以改进的区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)作为基础研究算法,将残差网络和特征金字塔网络相融合作为特征提取网络,使用深度可分离卷积替换原有的普通卷积,引入SE通道注意力模块,同时改进了网络中的激活函数。改进后的Faster R-CNN与普通Faster R-CNN相比,全类别平均正确率(mean Average Precision,mAP)和检测速度都有所提高。

基于高斯密度图的自然场景中文文字检测

自然场景下中文文字检测任务字符面积较小且文字背景复杂,为此,该文提出了一种基于高斯密度图作为分割区域标签的文字检测改进方法。将文本区域标注从矩形框改变为高斯分布区域标签,在特征融合部分引入了交叉通道融合注意力机制,以提高网络的收敛性能,提出像素值一维投影法解决了文字密集区域输出的高斯密度图在不同标签区域出现重叠的问题。经过实验验证,该文方法对中文文字检测有较好的结果,证明了该方法的有效性。

基于面向通道分组卷积网络的番茄主要器官实时识别

番茄器官的实时准确识别是实现自动采摘、靶向施药等自动化生产的关键。该文提出一种基于面向通道分组卷积网络的番茄主要器官实时识别网络模型,该模型直接用特征图预测番茄器官目标边界和类型。以统计可分性、计算速度等为判据,并结合样本扩增训练,分析了该网络和几种典型网络在番茄器官图像处理上的性能,以此筛选出识别网络的基础结构,在基础结构后面分别附加带dropout层的面向通道分组卷积模块和全卷积层作为识别网络的总体架构。试验结果表明:用面向通道分组卷积网络作为识别网络的基础结构,可在显著提高网络召回率、识别速度和精度的前提下,大幅降低模型的大小,该结构网络对花、果、茎识别的平均精度分别为96.52%、97.85%和82.62%,召回率分别为77.39%、69.33%和64.23%,识别速度为62帧/s;与YOLOv2相比,该文识别网络召回率提高了14.03个百分点,精度提高了2.51个百分点。

基于导频ICI自消除的OFDM系统时变信道估计

在基于分段线性模型的正交频分复用(orthogonal frequency division multiplexing,OFDM)时变信道估计中,存在模型参数估计精度受到载波间干扰(inter-carrier interference,ICI)影响的问题。为此,本文采用ICI自消除技术,抑制了导频子载波的ICI,改善了模型参数的估计性能。此外,还推导了单抽头Jakes信道条件下模型参数估计均方误差的表达式,理论分析表明,与基本的分段线性模型方法相比,本文方法可以使均方误差下降约13dB。仿真结果验证了在多抽头信道和大的多普勒扩展条件下,本文方法也能明显提高ICI抑制能力,从而得到更好的系统误码性能。

基于加权融合策略的单幅图像去雾算法

基于暗元先验的去雾算法在利用边缘保护操作消除景深突变处产生的光晕现象时没有区分边缘的类型,导致了透射率的估计不合理,降低了去雾的质量。提出一种基于加权融合策略的透射率估计方法,通过块级暗通道和像素级暗通道的相关特性获取景深信息导向图,从而在景深突变处和非景深突变的局部合理选取像素级暗通道和块级暗通道,保护了景深边缘处的突变性,同时减少了局部纹理边缘噪声的影响,获得了更准确的透射率估计结果。实验结果表明,该算法能有效避免光晕现象,改善局部细节模糊的问题,得到更优的去雾视觉效果。

基于准正交空时码的最优线性预编码矩阵设计

为了充分利用信道信息改善应用准正交空时分组码的MIMO系统的性能,该文提出了将预编码矩阵和准正交空时分组码相结合的发射机制。信息在经过准正交空时分组码编码后,要经过线性预编码矩阵进行处理,才可以从发射天线发送。文中的预编码矩阵设计利用了MIMO信道的非零均值矩阵和相关矩阵,并采用成对差错概率作为其最优设计准则。仿真结果表明,相对于未经过预编码矩阵的系统,新系统的误码率性能有明显改善。

一种结合多通道特征改进群组相关的立体匹配算法

特征提取是基于深度学习的立体匹配中至关重要的一个部分。针对目前立体匹配网络在特征提取中造成的语义损失和匹配代价信息丢失问题,将特征金字塔网络作为立体匹配的特征提取部分,提取包含高层语义信息和多尺度信息的多通道特征;并使用改进的群组相关模块计算匹配代价,使网络包含更多的特征相似性信息,减少信息丢失,进而更加准确地重建弱纹理等病态区域。在SceneFlow、KITTI 2012和KITTI 2015双目数据集上进行测试评估,结果表明:提出的算法取得了较好精度,并且相比基准网络,在提高精度和弱纹理区域匹配效果的同时,所提算法没有增加较大计算负担。

基于注意力机制和分时图卷积的公交客流预测

实际公交路网通常为复杂的非线性时变系统,难以有效构建线路间的时空间依赖关系.因此,文中提出基于注意力机制和分时图卷积的公交客流预测模型,提升公交客流量预测的准确性.首先通过长短期记忆网络提取历史数据中的时间特征,并利用通道注意力模块加权特征.再使用分时图卷积方法分析不同时段下公交线路间的空间依赖性,根据预测时段选择不同的关系矩阵,通过图卷积的方式完成对非欧关系的建模.最后,融合提取的时空间特征与外部因素(天气、节假日信息等)的特征表示,得到最终的预测结果.在真实公交数据上的实验表明,文中模型可提升预测精度,加快学习速率.

基于多级上下文引导的实时语义分割网络

针对实时语义分割方法中因忽略其本质所导致的分割精度不高的问题,提出了一种多级上下文引导的轻量化网络。首先,将深度可分离卷积及非对称卷积相结合,设计了基于并行非对称卷积的上下文引导模型以学习局部特征及其周围上下文构成的联合特征;其次,将该模型堆叠于网络来实现特征的多级优化;最后,通过通道注意模型筛选出与更高阶段语义一致的浅层特征,从而提高分割效果。实验结果表明,所提网络在Cityscapes数据集上以94.7的帧速率获得了72.4%的平均交并比,并在CamVid数据集上取得显著的性能提升。同当前的其他实时语义分割方法相比,该网络性能更优。

基于逐层搜索法与快速导向滤波的图像去雾算法

针对天空大气光照值计算不够精确这一问题,采用逐层搜索法对其进行改进,并结合快速导向滤波对透射率进行细化;对于去雾后的图像偏暗问题,采用非线性叠加处理的图像增强方法。对得到的去雾图像分别使用均方误差和峰值信噪比作为客观评价标准。实验数据显示,改进算法能得到清晰度较好的去雾图像,相较于其它算法得到的图像更加自然,色彩还原度更高,去雾后某些区域偏暗问题也得到改善。