基于轻量化深度神经网络(LDNet)的图像去雾方法

在低光照雾霾场景下,图像质量严重下降。现有的深度学习去雾方法缺乏对低光照去雾后图像色偏的有效校正,且大多运行时间长且模型参数量大,在实际应用中不便部署。针对上述问题,以编解码网络结构为基础,提出了一种端到端、轻量化深度神经网络(LDNet)用于低光照雾霾图像去雾。该网络采用多尺度架构来获取不同层级的图像信息,以充分利用图像的深浅层特征;在此基础上,设计了轻量化多级特征融合模块和轻量化通道注意力模块提取各层级的特征信息,以解决常规模型在低模型参数量和低计算复杂度情况下特征提取能力差的问题;最后,联合均方误差内容损失和CIEDE2000色偏损失共同优化网络,进一步提高了轻量化网络的学习能力。试验结果表明,与现有的去雾网络相比,LDNet能有效恢复低光照雾霾场景下的有雾图像质量,且具有资源占用少、参数量小和运算量低的优点。

用于高分辨率遥感影像地类识别的Deeplabv3+改进模型

在高分辨率遥感影像地类识别上,语义分割网络Deeplabv3+表现优异,但是所需参数非常多,训练时间久。遥感影像中的地类与普通RGB图片中的对象相比颗粒度非常大,其具有更显著的特征以及更少的类别,并不需要过深过大的网络。因此,文中提出了一种基于轻量级网络的语义分割模型(Thin-Deeplabv3+),对Deeplabv3+的编码器进行了改进,利用轻量级膨胀网络(Light and Dilated Network,LDNet)提取输入遥感影像的特征,然后利用膨胀系数分别为2、12、24和36的空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块加强特征提取。在高分遥感影像数据集(Gaofen Image Dataset,GID)以及DeepGlobe土地覆盖分类挑战数据集(DeepGlobe Land Cover Classification Challenge,DLCCC)上的实验结果表明,Thin-Deeplabv3+的识别精度高于Deeplabv3+,并且所需参数仅约为Deeplabv3+的1/10。

红外弱光下多特征融合与注意力增强铁路异物检测

针对红外弱光环境下铁路异物检测时存在目标特征提取不充分、检测精度及实时性低的问题,在CenterNet目标检测模型的基础上,提出了一种红外弱光下多特征融合与注意力增强的无锚框异物检测深度学习模型。在红外目标多尺度特征提取的基础上,引入自适应特征融合(ASFF)模块,充分利用目标高层语义与底层细粒度特征信息,提升红外目标特征提取能力。通过提出的空洞卷积增强注意力模块(Dilated-CBAM)进行关键特征提取,扩大注意力模块感受野范围,克服了原始CenterNet卷积块感受野映射区域变窄、无法检测弱小目标的问题,提升了无锚框网络的检测精度。使用Smooth L1损失函数进行训练,克服了L1损失函数在网络训练过程收敛速度慢及训练不稳定解的问题。通过铁路红外数据集及现场实验测试,结果表明:所提方法较原始CenterNet模型平均检测精度提高了8.03%,检测框置信度提升了31.23%,平均检测速率是Faster R-CNN模型的9.6倍,所提方法在红外弱光环境下能够更加快速准确地检测出铁路异物,主客观评价均优于对比方法。

彩色静态图像的人脸检测研究

讨论了一种彩色静态图像的人脸检测法,先使用光照补偿对图像进行预处理,再采用YCbCr肤色模型检测出图像的肤色部分,然后对肤色部分进行膨胀、腐蚀,去除非人脸区域,最后使用人工神经网络对候选人脸区域进行验证,最终定位出人脸区域。实验证明了该方法对不同光照环境和复杂背景的图片有较好的适应性,提高了检测速度与精度。

基于局部生成对抗网络的水上低照度图像增强

针对低照度条件下获取的水上图像亮度和对比度低以及质量差的问题,提出一种基于局部生成对抗网络的图像增强方法。以残差网络作为基本框架设计生成器,通过加入金字塔扩张卷积模块提取与学习图像深层特征和多尺度空间特征,从而减少结构信息丢失。设计一个自编码器作为注意力网络,估计图像中的光照分布并指导图像不同亮度区域的自适应增强。构建具有判别图像局部区域能力的判别器结构,约束生成器输出增强效果更加自然的图像。实验结果表明,该方法能够有效增强水上低照度图像,场景还原和细节保留能力优于SRIE和LIME等方法。

融合深度扩张网络和轻量化网络的目标检测模型

目标检测作为计算机视觉的一个重要研究方向,近年来在算法性能上有了突破性进展.为了更好的提升两阶段目标检测的精度与速度性能,提出了一种基于迁移学习方法的融合深度扩张卷积网络和轻量化网络的检测模型.首先用扩张卷积网络替换主干网络中部分的卷积残差模块——深度扩张卷积网络D_dNet-65;然后对预训练后的特征图进行压缩操作,并增加一个81类的全连接层以确保正常进行分类和回归操作——轻量化网络结构;最后,引入迁移学习方法并融合D_dNet和轻量化网络结构,通过迁移实现模型的进一步优化.实验在典型的数据集MSCOCO以及VOC07上进行.实验评估表明,本文提出的方法具有良好的有效性和可扩展性.

结合平滑扩展卷积网络与注意力机制的低照度图像增强

近几年,卷积神经网络在低照度图像增强方向取得了显著成果.然而,现有的大多数基于传统卷积神经网络的低照度增强模型效果受限于卷积中卷积核感受野是局部的,且池化层的应用使很多有价值的特征信息丢失.为了解决这些问题,提出了一种端到端低照度图像增强网络.首先,运用平滑扩展卷积层和Convolutional Block Attention Module(CBAM)注意力机制分别对图像进行特征提取;然后,通过拼接操作进行多层次特征融合;最后,多通道特征被送入到残差网络构成的重构网络,生成最终的增强图像.此外,采用复合损失函数对低照度图像数据集进行训练.实验结果表明,通过该方法,可以更好地实现图像多通道特征提取,主观视觉上提高了图像的亮度和对比度,更加符合人眼的视觉系统特性,与目前主流的图像增强方法相比,提出网络的平均客观图像质量指标PSNR、SNR在测试集上都优于其他算法.