面向复杂雪天场景的单幅图像去雪方法

降雪是一种复杂的天气现象,雪花多尺度、运动轨迹复杂以及远景呈现雾天效果.然而现有的单幅图像去雪方法以及数据集,并没有考虑到这些复杂的情况,从而限制了去雪方法在真实雪天图像上的表现.基于此,首先根据图像的深度信息构造了一种联合雪花和雾的雪天成像模型,合成了具有真实感的雪天图像数据集.然后设计了一种端到端的图像恢复网络,将去雾模块和去雪模块级联,并进行联合训练.其中去雪模块采用了双层U型网络用于解决雪花多尺度和轨迹复杂的问题.最后将该方法同其它最先进的方法进行实验对比,证明该方法在合成数据集和真实图像中都具有非常好的效果,且能够提升后续高级视觉任务性能.

针对口音识别中冗余特征及长尾效应的有效方法

口音识别是指在同一语种下识别不同的区域口音的过程。为了提高口音识别的准确率,采用了多种方法,取得了明显的效果。首先,为了解决声学特征中关键特征权重不突出的问题,引入了有效的注意力机制,并对多种注意力机制进行了比较和分析。通过模型自适应学习通道和空间维度的不同权重,提高了口音识别的性能。在Common Voice英语口音数据集上的实验结果表明,引入CBAM注意力模块是有效的,识别准确率相对提升了12.7%,精确度相对提升了17.9%,F1值相对提升了6.98%。之后,提出了一种树形分类方法来缓解数据集中的长尾效应,识别准确率最多相对提升了5.2%。受域对抗训练的启发,尝试通过对抗学习方法剔除口音特征中的冗余信息,使得准确率最多相对提升了3.4%,召回率最多相对提升了16.9%。