基于Low-rank一步法波场延拓的黏声各向异性介质纯qP波正演模拟

各向异性介质纯qP波正演模拟及逆时偏移近年受到广泛关注,但它虽考虑了地下介质的各向异性特征,却忽略了黏滞性特征,使得最终偏移结果中噪声增加、分辨率降低。常规拟声波方程存在伪横波干扰、受模型参数限制(ε≥δ)、传播不稳定等因素影响,极大地限制了其应用。为此,引入一步法波场延拓方法,推导了黏声介质方程在空间—波数域的表达形式;结合空间—波数域各向异性介质延拓算子,构建一种适用于黏声各向异性介质的空间—波数域纯qP波波场延拓算子;引入Low-rank分解算法,实现基于Low-rank一步法波场延拓的黏声各向异性介质纯qP波正演模拟。数值模拟结果表明:①地震波场能同时表现出各向异性特征和黏滞性特征,更符合实际地下介质情况;②该方法克服了拟声波方程的局限性,消除了伪横波干扰,不受模型参数限制且地震波场能稳定传播;③在适当增大时间步长情形下无数值频散现象,所提算法能同时兼顾计算效率和计算精度,是一种稳定、高效的正演模拟方法,为基于Q补偿的各向异性介质逆时偏移提供了理论依据。

基于Low-rank分解的复杂TI介质纯qP波正演模拟与逆时偏移

近年来,面向实际应用的TI介质准P波正演模拟与逆时偏移成像技术受到空前的关注.基于常规耦合型传播方程的正演模拟方法不仅存在伪横波及频散假象干扰,而且还遭受模型参数限制(η>0)和不稳定影响;而纯qP波方程的推导繁琐,且由于方程中包含拟微分算子造成求解难度大且精度有限.为此,本文首先构建了一种适用于任意TI介质的纯qP波传播算子,然后借助Low-rank分解求取该算子中的空间-波数域矩阵,同时引入Cerjan衰减边界条件来压制边界反射干扰,最终实现了一种间接的纯qP波波场外推方案,并将其成功应用于复杂TI介质正演模拟与逆时偏移成像中.通过开展数值模拟,并与其他方法对比表明:①该方法既避免了纯qP波方程的繁琐推导,又克服了耦合型方程对模型参数的限制;②还彻底消除了残余伪横波噪音及数值频散;③且能适应较大时间或空间步长及高频震源,是一种相对准确且稳定的各向异性纵波正演与成像策略.

TTI介质Low-rank有限差分法高效正演模拟及逆时偏移

计算效率是制约各向异性逆时偏移实用化的关键因素,此外,伪横波假象、数值频散以及不稳定问题也是TTI介质qP波正演模拟及逆时偏移的固有难题。Low-rank波场延拓算法虽能解决上述三方面问题,但其运算速度受模型参数限制,计算效率较低。为此,本文基于混合网格有限差分思想,给出一种新的紧致差分模板,并借助Low-rank分解求取与模型匹配的自适应差分系数,进而实现一种针对TTI介质的Low-rank有限差分法高效正演模拟及逆时偏移成像策略。数值模型测试结果表明:本文方法既继承了有限差分法高效灵活的特点,又拥有Low-rank波场延拓方法准确计算纯qP波波场的优势,即在提高计算效率的同时避免了伪横波假象和数值不稳定,是一种兼顾成像精度与计算效率的各向异性逆时偏移实用方法。

局部对比度融合重加权的红外图像小目标检测

红外图像块小目标检测算法在数据链、预警、制导等领域有较为广泛的应用,如利用数据链可以将红外图像块小目标精确传送给雷达。为了在复杂背景条件下进一步提高红外小目标检测的效果,提出了一种重加权和局部先验融合的红外图像块(IPI)小目标检测算法。首先,采用加权Schatten p范数对背景图像块进行约束;其次,引入局部对比度先验信息和加权l_(1)范数抑制非目标稀疏点,进一步增强目标图像稀疏性,使算法模型性能进一步得到提升。仿真结果表明,所提算法在抑制背景杂波和精确检测目标方面均有较好的结果,优于现有经典算法。

基于有限差分低秩分解策略的黏声各向异性纯qP波正演模拟方法

地下介质的黏弹性和各向异性特征会导致地震波出现相位频散和振幅衰减,如果在地震数据处理中忽略这些影响,那么成像结果会出现同相轴畸变和偏移假象。常规黏声TTI介质拟声波方程可用于模拟地震波在黏声各向异性介质中的传播特征,但存在伪横波干扰和受模型参数限制(各向异性参数ε必须大于δ)等问题。为了解决上述问题,将基于声学近似的纯qP波频散关系与常Q衰减模型相结合,推导了一种黏声TTI介质纯qP波方程。该方程包含解耦的相位频散和振幅衰减项,便于实现衰减补偿逆时偏移。基于新推导的方程,发展了有限差分低秩分解求解策略,实现了黏声TTI介质纯qP波正演模拟。数值模拟结果表明,该方程克服了黏声TTI介质拟声波方程的局限,可较为准确且稳定地模拟地震波在黏声各向异性介质中的传播过程。同时,该有限差分低秩分解求解策略继承了有限差分求解方法高效的优势,相比于传统低秩分解法具有更高的计算效率。

自动语音识别模型压缩算法综述

随着深度学习技术的发展,自动语音识别任务模型的参数数量越来越庞大,使得模型的计算开销、存储需求和功耗花费逐渐增加,难以在资源受限设备上部署.因此对基于深度学习的自动语音识别模型进行压缩,在降低模型大小的同时尽量保持原有性能具有重要价值.针对上述问题,全面综述了近年来该领域的主要工作,将其归纳为知识蒸馏、模型量化、低秩分解、网络剪枝、参数共享以及组合模型几类方法,并进行了系统综述,为模型在资源受限设备的部署提供可选的解决方案.

空域色噪声下的多输入多输出雷达角度估计

由于多输入多输出(multiple input multiple output,MIMO)雷达的空域色噪声协方差矩阵通常为非对角矩阵,因此在色噪声下信号子空间与噪声子空间无法有效分离,从而致使传统算法无法有效估计目标角度。为此,首先利用信号协方差矩阵的低秩性和色噪声协方差矩阵的稀疏性来抑制空域色噪声。然后,根据MIMO雷达数据的内在多维结构特性,建立四阶张量CP(canonical or parallel factor analysis,CANDECOMP/PARAFAC)分解模型。针对传统交替最小二乘算法对数值病态性较为敏感而导致CP分解精度低的问题,利用张量因子矩阵之间的共轭关系来降低求解的病态敏感度,提高张量分解的稳健性。最后,利用最小二乘拟合法从因子矩阵的估计值中得到目标角度。仿真结果表明,所提算法能够对色噪声有效抑制并提高了角度估计的精度。

基于非凸低秩张量分解和群稀疏总变分的高光谱混合噪声图像恢复

高光谱图像(Hyperspectral Image,HSI)在采集的过程中会被大量混合噪声污染,会影响遥感图像后续应用的性能,因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。在本文中,提出了一种基于非凸低秩张量分解和群稀疏总变分正则化的高光谱混合噪声图像恢复模型;一方面,采用对数张量核范数来逼近HSI的低秩特性,可以利用高光谱数据固有的张量结构,同时减少对较大奇异值的收缩以保留图像更多细节特征;另一方面,采用群稀疏总变分正则化来增强HSI的空间稀疏性和相邻光谱间的相关性。并采用ADMM(Alternating Direction Multiplier Method)算法求解,实验证明该算法易于收敛。在模拟和真实的高光谱图像实验中,与其他方法相比,该方法在去除HSI混合噪声方面具有更好的性能。

基于深度图像先验的高光谱图像去噪方法

为了避免现有的高光谱图像去噪优化模型仅考虑有限的高光谱内在结构特点、并未实现图像特征的精确表征的问题,采用了一种基于空谱深度图像先验与平滑的高光谱图像去噪方法,将紧框架变换与具有高表达与强学习能力的深度学习模型进行结合,构建基于深度学习的噪声去除模型。首先在低秩矩阵分解的基础上,利用特定的深度图像先验学习潜在的空谱特征;然后分别构建端元与丰度矩阵的紧框架稀疏正则探究空谱局部平滑,并解决深度图像先验的半拟合问题;最后设计高效迭代算法实现模型求解。结果表明,基于空谱深度图像先验的方法在各种复杂的噪声干扰下均表现出较好的视觉恢复性能,峰值信噪比至少有1 dB以上的提升,得到了高质量的恢复图像。该方法为高光谱图像去噪提供了参考。

基于迁移联邦学习的输电线路缺陷检测

有效检测输电线路的破损和异物对电路智能巡检至关重要.然而,由于存在着数据孤岛问题,难以收集不同电力公司的数据来训练统一的检测模型.因此,结合迁移联邦学习和目标检测算法提出了一种基于迁移联邦学习的电路缺陷检测方法.具体地,首先选用一个强大的检测模型作为基础检测模型,并冻结模型初始权重.然后通过权重矩阵的低秩分解以及插入适配器层的方式进行对不同客户端的数据进行适应学习,从而大幅降低可训练模型参数的目的.其次,提出一种权重自适应筛选方法,以精确确定模型权重层的低秩分解和适配器层的插入位置,通过简单的适应学习,即可对不同电力公司中的数据分布进行有效适应.最后,在接近真实环境的电力数据集上进行的实验验证表明,在保证客户数据安全性和隐私性的前提下,能够很好地适应不同分布的检测场景.

基于低秩分解的YOLO轻量化目标检测模型

随着列车智能化程度的不断提高,许多研究探索了车载设备目标检测模型的轻量化技术,以满足在资源有限情况下的高效计算。针对当前YOLO(You Only Look Once)系列目标检测模型轻量化方法通用性不够强的问题,文章提出了一种针对YOLO系列的低秩分解参数压缩算法。首先通过预设的低秩比例系数和卷积单元的输入/输出通道数量计算低秩,然后通过对目标结构的卷积层进行Tucker分解,得到新的卷积序列,最后融合新的卷积序列,取代原有卷积层。使用公开数据集对所提出的基于低秩分解的参数压缩方法进行试验,选用了YOLOv5-l、YOLOv8-x和YOLOX-x这3种模型,在保证低秩分解后的模型检测平均精度为原模型96%的前提下,模型参数量和浮点计算量均减少了约40%,同时图像检测速度能达到原模型的150%左右。此外,可视化结果显示,该方法压缩过的模型与原模型在相同图像上的关注区域基本相同。试验结果表明,文章提出的方法可以有效地对单阶段YOLO系列目标检测模型进行轻量化压缩,提高模型在车载设备上的可用性;同时,所做工作对轨道交通领域自动驾驶场景下的其他模型的轻量化处理也具有重要的借鉴意义。

结构相似度优化的混合多尺度医学图像融合

现有的多模态医学图像融合方法存在结构信息以及相位特征保存不完整的问题,为此,提出一种基于混合多尺度分解和结构相似度优化的医学图像融合方法。首先,针对单一滤波器在保留图像结构和细节方面的局限性,提出一种多尺度分解潜在低秩表示(MDLat LRR)和非下采样轮廓波变换(NSCT)相结合的混合多尺度分解方法,利用MDLat LRR分解源图像获取低秩层和显著层,使用NSCT对低秩层做进一步分解;其次,在基础层上使用基于局部拉普拉斯能量和的融合规则,使融合图像具有更好的视觉效果,对于细节层,通过脉冲耦合神经网络(PCNN)计算全局耦合以获得融合权重,从而融合细节层;最后,考虑到空间一致性,由初始融合图像获取线性调整图像,利用加权局部结构相似度进行测量从而得到修正系数,并对初始融合图像进行修正,提高融合图像中信息的准确性。实验结果表明,相比于MSMG、EMFusion、CFL等9种方法,该方法在归一化互信息、空间频率误差比等10个客观评价指标上评估性能更高,特别在相位一致性、余弦特征互信息以及差异相关和指标上,分别比次优方法平均提升了13.89%、19.62%和35.8%,所提方法的融合图像具有更丰富、更准确的细节信息和良好的视觉效果。

矩阵数据的分类预测方法

文章在矩阵正态分布下研究矩阵数据的参数估计及其分类方法。首先,基于低秩分解和矩阵正态分布的惩罚似然函数方法提出矩阵数据的参数估计和秩的自适应确定方法;其次,应用块坐标下降方法与增广拉格朗日乘子算法给出有效的迭代估计算法;然后,基于判别分析方法提出低秩分解下的分类预测规则;最后,通过大量数值模拟及卫星陆地资源数据和手写体数字的识别应用,验证了低秩估计方法对提高矩阵数据的估计和分类预测精度具有明显的效果。

基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法

为提高织物疵点检测算法对简单纹理织物、模式纹理织物及条纹纹理织物检测时的普适性和准确性,提出了一种基于多尺度Laws纹理能量和低秩分解的织物疵点检测算法。首先,对织物图像进行直方图均衡化并将处理后的图像均匀划分为子图像块;其次,对每个子图像块提取28个纹理能量特征(利用7个Laws滤波模板在4个尺度上提取),计算所有子图像块提取到的特征均值并组成特征矩阵;然后,利用特征矩阵构建低秩分解模型,通过方向交替方法(ADM)优化求解,得到低秩部分和稀疏部分;最后,由稀疏部分生成疵点显著图,采用迭代阈值分割法对其进行分割,得到织物疵点检测结果。为验证该算法的有效性,在织物图像数据集选取了包含错纬、断经、跳花、破洞等常见疵点的织物图像,并将实验结果与已有3种算法进行了对比。实验结果表明,该算法在简单纹理织物、模式纹理织物及条纹纹理织物检测上具有更好的普适性和准确性,且检测效率具有一定优势。

基于MDLatLRR的CT和MRI图像融合增强方法

以往所提出的医学图像融合算法均对源图像提取相同分解层次的特征,忽略了源图像的特有特征。针对这一问题,提出一种根据不同模态医学图像提取其特有特征的融合方法。首先,使用改进的多级潜在低秩表示分解方法,在提取CT和MRI基础信息和细节信息的基础上,根据成像特点的不同,进一步提取CT图像的骨骼轮廓信息和MRI图像的软组织细节信息。然后,提出一种局部信息熵加权的区域能量函数方法融合细节信息,利用结构显著性度量和改进拉普拉斯能量和方法共同融合基础信息。最后,提出图像引导增强算法,以特有特征为引导对融合后的基础层和细节层进行增强。经实验证明,相比近几年具有代表性的融合方法,所提出的方法不仅在AG,EPI,VIF,SD客观评价指标中分别平均提高了9.45%,11.75%,14.79%,10.51%,而且在主观评价中也取得更好的效果,实现了CT和MRI图像精准融合。

一种低秩稀疏矩阵分解联合目标轨迹区域提取的ViSAR-GMTI方法

视频合成孔径雷达(ViSAR)中,由于观测角度的不同会引起物体后向散射系数变化从而产生动态背景,不利于复杂场景下的运动目标检测,故提出一种基于低秩稀疏矩阵分解和目标运动轨迹区域提取的ViSAR运动目标检测方法。首先,考虑目标的空间连续性以及复杂场景下的诸多干扰因素,对常规RPCA模型做出改进,引入结构稀疏范数和动态背景鲁棒项以完善分解模型,提升分解效果。然后,改进局部自适应阈值设定,使用复合聚类分割方式提取运动轨迹区域,进一步消除干扰,并在分解所得前景图像的轨迹区域上进行均值背景建模完成运动目标检测。最后,基于齐鲁一号的聚束数据进行实验,结果证明所提方法的有效性,并通过对比实验验证该方法的检测性能。

孪生Swin Transformer的红外与可见光图像融合算法

为解决基于卷积神经网络(convolutional neural networks,CNN)的红外与可见光图像融合算法融合过程中未考虑原图像远程依赖关系的问题,提出了一种孪生Swin Transformer的红外与可见光图像融合算法,构建了孪生网络模型。使用潜在低秩表示(latent low-rank representation,LatLRR)分解方法将原图像分解,再分别融合以提升图像融合的精度;使用Swin Transformer分别提取分解后图像的特征,获取图像的远程依赖关系;使用l1-norm正则化方法求解特征范数,利用Softmax分别获得分解后图像的权重图;利用线性加权方法重构融合图像,通过简单的线性加和获得最终融合图像。在评测基准VIFB上对所提算法进行评测,实验结果表明,所提算法与20种融合算法相比,定性性能优良;定量分析,在由13种评价指标组成的评价体系中,该算法能够取得3个最优值,超过大部分融合算法;在运行时间方面,该算法的运行时间成本低于大部分融合算法。所提融合算法相较于其他融合算法,在主观和客观方面均表现出更好的融合性能。

基于深度学习的剪枝优化技术研究

阐述现有卷积神经网络模型的优化方式。结合硬件条件,探讨低秩分解、知识蒸馏、量化和剪枝四种优化方式提出的原因、主要优化方式、大致流程。其中分析低秩分解和知识蒸馏的演化过程,介绍量化和剪枝的具体优化方式和涉及的相关基础知识。经过对比总结,得出量化和剪枝两种深度学习优化方式,对于软件成本的控制、领域的应用、与硬件的连接都有更广泛的使用。

应用方向梯度直方图和低秩分解的织物疵点检测算法

织物疵点检测是织物表面质量控制的关键环节。基于方向梯度直方图(HOG)和低秩分解,提出一种有效的织物疵点检测算法。首先,将织物图像划分为大小相同的图像块,提取每个图像块的HOG特征,并将图像块特征组成特征矩阵,针对特征矩阵构建有效的低秩分解模型,通过方向交替方法(ADM)优化求解,生成低秩阵和稀疏阵;最后采用改进最优阈值分割算法对由稀疏阵生成的显著图进行分割,从而定位出疵点区域。实验结果表明,低秩分解能有效实现织物疵点的快速分离,与已有方法进行对比,本文方法能显著提高复杂织物纹理图像的疵点检测性能。

改进的Retinex低照度图像增强算法研究

针对Retinex算法处理低照度图像时会出现细节丢失、边缘模糊等现象,本文采用引导滤波和低秩分解对Retinex算法进行了改进。该算法在采用多尺度Retinex提升图像亮度、得到反射分量后,采用引导滤波和高频提升对图像的反射分量进行细节增强;然后,运用全局低秩分解算法去除稀疏噪声,有效地消除了低照度图像中的噪声,以及高频提升过程中产生的噪声。实验表明:该算法不仅能够有效的提高图像的亮度和对比度,同时也保留了原始图像中丰富的边缘和细节信息,并有效去除了图像噪声,图像的视觉效果与客观评价结果也都取得了较大提升。将该算法应用于低照度环境下的人脸检测,检测率也得到了提高。