基于多尺度注意力机制的多分支行人重识别算法

针对基于深度学习的传统方法对于次显著细节信息关注不足的问题,提出一种基于多尺度注意力机制的多分支网络来统筹图像的显著信息及次显著信息。首先,将多尺度特征融合方法(MSFF)与注意力机制相结合,设计了一个多尺度注意力模块(MSA),使得网络可以根据输入信息自适应地调节感受野大小,实现了对于不同尺度信息的充分利用。其次,建立一个多分支网络,实现对于全局特征和多元局部特征的协调统一,并利用多尺度注意力模块,分别实现对于全局显著信息及次显著局部细节信息的加权强化,得到更具判别性的特征用于最终的识别。实验结果表明,本文所设计的网络在多个数据集上都取得了较好的表现。

基于图像融合的无参考立体图像质量评价

提出了一种基于图像融合的无参考立体图像质量评价算法。该算法利用小波变换分解重构立体图像的左右视图并融合在一幅图像中,归一化处理融合图像的亮度系数,均衡各部分亮度并保留融合图像的结构信息,使用卷积神经网络进行特征提取和回归预测。实验结果表明,所提方法的预测得分与人类主观评价得分具有很好的一致性。

基于Log-Gabor滤波与显著图融合优化的3D显著性检测

提出了一种基于Log-Gabor滤波的纹理和深度图融合优化的立体图像显著性检测模型,利用平面图像的显著性结合纹理与深度特征检测立体图像的显著性。通过改进的基于图的流行排序算法计算左视点的显著图;提取左视点图像的纹理特征图以及立体图像的深度特征图,利用Log-Gabor滤波器分别计算深度显著图和纹理显著图;再利用线性加权融合方法将上述3个显著图融合为立体(3D)显著图;最后利用中心偏爱和视觉敏锐度增强3D显著图。实验利用公开的眼动跟踪数据库进行测试,结果表明,所提算法具有很好的检测效果,优于文献报道的其他3D显著性模型。