检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

分层特征融合注意力网络图像超分辨率重建

中国图象图形学报 2020年第9期25卷 1773-1786页

作者：雷鹏程刘丛唐坚刚彭敦陆上海理工大学光电信息与计算机工程学院上海200093

目的深层卷积神经网络在单幅图像超分辨率任务中取得了巨大成功。从3个卷积层的超分辨率重建卷积神经网络(super-resolution convolutional neural network,SRCNN)到超过300层的残差注意力网络(residual channel attention network,RCAN),网络的深度和整体性能有了显著提高。然而,尽管深层网络方法提高了重建图像的质量,但因计算量大、实时性差等问题并不适合真实场景。针对该问题,本文提出轻量级的层次特征融合空间注意力网络来快速重建图像的高频细节。方法网络由浅层特征提取层、分层特征融合层、上采样层和重建层组成。浅层特征提取层使用1个卷积层提取浅层特征,并对特征通道进行扩充;分层特征融合层由局部特征融合和全局特征融合组成,整个网络包含9个残差注意力块(residual attention block,RAB),每3个构成一个残差注意力组,分别在组内和组间进行局部特征融合和全局特征融合。在每个残差注意力块内部,首先使用卷积层提取特征,再使用空间注意力模块对特征图的不同空间位置分配不同的权重,提高高频区域特征的注意力,以快速恢复高频细节信息;上采样层使用亚像素卷积对特征图进行上采样,将特征图放大到目标图像的尺寸;重建层使用1个卷积层进行重建,得到重建后的高分辨率图像。结果在Set5、Set14、BSD(Berkeley segmentation dataset)100、Urban100和Manga109测试数据集上进行测试。当放大因子为4时,峰值信噪比分别为31.98 dB、28.40 dB、27.45 dB、25.77 dB和29.37 dB。本文算法比其他同等规模的网络在测试结果上有明显提升。结论本文提出的多层特征融合注意力网络,通过结合空间注意力模块和分层特征融合结构的优势,可以快速恢复图像的高频细节并且具有较小的计算复杂度。

关键词：超分辨率重建卷积神经网络分层特征融合残差学习注意力机制

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于分层特征融合网络的图像超分辨率重建

基于分层特征融合网络的图像超分辨率重建

作者：杨夏宁广东工业大学

学位级别：硕士

得益于深度学习和卷积神经网络的发展,近年来图像超分辨率重建算法发展迅速。相比较于传统插值法和重构法,深度学习能够更有效地学习低分辨率图像与高分辨率图像之间庞大而且复杂的映射关系。但现阶段基于卷积神经网络的图像超分辨率重... 详细信息

得益于深度学习和卷积神经网络的发展,近年来图像超分辨率重建算法发展迅速。相比较于传统插值法和重构法,深度学习能够更有效地学习低分辨率图像与高分辨率图像之间庞大而且复杂的映射关系。但现阶段基于卷积神经网络的图像超分辨率重建网络不仅模型复杂度高,图像特征利用率低,而且对于设备性能的要求也很高。尤其是应用在复杂拍摄环境中的图像超分辨率重建算法,由于拍摄环境和设备的限制,加之环境噪声复杂,算法能够提取到的有利特征较少,最终重建得到的图像质量也较差。针对以上问题,本文从现有网络模型结构入手,对应用在高空复杂环境下的图像超分辨率重建算法进行优化,以达到改善重建图像质量,降低模型参数量的目的。主要工作如下:(1)提出分层特征融合网络结构。首先引入对称的分层结构,以增强不同尺度下图像特征的融合;其次使用更为密集的残差连接结构,减少局部残差损失;最后在每个残差块中加入轻量级注意力机制,增强网络对图像高频信息的敏感度。(2)引入分级蒸馏残差结构对网络做进一步优化。分级蒸馏残差结构结合局部长路径和局部短路径残差信息,有效地降低了传统密集连接块的计算量,并提高了链式卷积特征提取的效率,增强网络的表征能力。此外,蒸馏残差策略也明显地提高了分层融合网络重建图像的速度。(3)在公开的航拍图像中选取具有代表性的航拍图像作为模型训练的数据集。针对不同的航拍环境,合理地选择对应的图像数据,切割之后使用双三次下采样处理得到图像对,并采用合适的数据增广手段对数据集进行扩充处理。为了验证算法的有效性,本文针对复杂的航拍环境对算法进行特定的训练和微调,以最大化网络的性能。最终实验结果表明,所提算法相比于EDSR等算法在14个不同航拍图像环境中,尤其是复杂场景下的重建,平均峰值信噪比(PSNR)和结构相似度(SSIM)都有不错的提升。同时算法模型的复杂度得到了一定的改善,提高了算法重建图像的速度,拓展了其在实际生产生活中的应用。

关键词：图像超分辨率航拍图像分层特征融合密集残差连接模型轻量化

基于多尺度池化注意力的递归网络和分层特征融合的图像SR网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度池化注意力的递归网络和分层特征融合的图像SR网络

作者：郑兵华南理工大学

学位级别：硕士

图像超分辨率重建算法从低分辨率图像重建高分辨率图像,可以在不升级成像系统的前提下获取更高质量信号。注意力机制模拟人眼视觉系统对观察物体的关注,超分辨率网络结合注意力的信息筛选机制可以提高模型重建效果。本文在超分辨率重建... 详细信息

图像超分辨率重建算法从低分辨率图像重建高分辨率图像,可以在不升级成像系统的前提下获取更高质量信号。注意力机制模拟人眼视觉系统对观察物体的关注,超分辨率网络结合注意力的信息筛选机制可以提高模型重建效果。本文在超分辨率重建领域研究注意力机制结合轻量级递归网络和深度卷积网络,分别完成了以下工作:1、提出了多尺度池化通道注意力机制,并且基于非全局共享参数来构造轻量级递归网络。首先,对通道注意力机制,用多尺度池化代替其全局池化,从而提供结构空间特征学习结果;通道特征及多尺度池化空间特征共同决定通道特征权重,最终实现重要特征和冗余特征的显著区分;其次为了在不同层筛选特征,多尺度池化通道注意力模块参数不共享。同时,对参数共享的递归模块,采用残差稠密结构,其中残差连接加快了递归网络收敛,稠密连接则复用各层特征图;此外加入的一个瓶颈层,作用是保持稠密连接的轻量高效。实验表明,在标准数据集的客观指标PSNR/SSIM上,与7种轻量级模型相比,多尺度池化注意力的轻量递归网络在参数量相当的情况下有更好的重建效果。2、提出了局部分层特征融合和全局重要性均衡的特征注意力分配方法。局部分层特征融合,是通过注意力模块融合相邻多个层级特征,使注意力权重调整不仅发生在本层,而且通过局部分层的特征图传递权重,来获得相关层的显著重建信息。而全局重要性均衡,则重点关注局部分层显著性和全局结构显著性不一致的特征,筛选出图像缺失的低频和高频信息,分别调整注意力权重。这一局部-全局注意力分配方法,在通道上调整特征图权重,在空间上关注重要信息区域,结合分层特征融合,在通道、空间和层级3个维度实现注意力的域间调整。实验表明,在标准数据集的客观指标PSNR/SSIM上,与其它注意力网络及先进网络相比有更好的重建效果。

关键词：深度SR网络多尺度池化通道注意力机制非全局共享分层特征融合混合注意力

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于分层相关滤波的目标追踪算法研究

基于分层相关滤波的目标追踪算法研究

作者：卫福源中国计量大学

学位级别：硕士

视觉目标追踪是计算机视觉研究的热点之一,在体育赛事、精确导航、智能监控等领域具有广泛的应用。视觉目标追踪的任务是根据视频序列第一帧中的目标初始位置和大小,设计追踪算法,确定目标在下一帧中的位置和大小。然而在追踪过程中会... 详细信息

视觉目标追踪是计算机视觉研究的热点之一,在体育赛事、精确导航、智能监控等领域具有广泛的应用。视觉目标追踪的任务是根据视频序列第一帧中的目标初始位置和大小,设计追踪算法,确定目标在下一帧中的位置和大小。然而在追踪过程中会遇到目标变形、局部遮挡、背景干扰和运动模糊等因素的干扰,导致追踪结果出现偏差。所以,设计一种实用且精确的追踪算法仍是一项富有挑战性的研究任务。本文将在相关滤波框架下,针对目标外观变化、背景干扰以及提取特征产生的边界效应等问题,设计有效的目标追踪算法,以此来提高目标追踪算法的准确度和成功率。论文的主要研究内容包括基于时间区域稀疏相关滤波的目标追踪算法、基于分层特征融合的时间区域稀疏滤波追踪算法以及基于线性表示的通用相关滤波追踪框架,具体内容如下:(1)传统的基于相关滤波追踪算法主要从样本区域提取的特征学习相关滤波,然而某些干扰因素(如遮挡、变形等)会影响追踪性能,导致在后续追踪中出现目标漂移。针对该问题,本文基于弹性网络模型,提出了基于时间区域稀疏相关滤波的目标追踪算法。该方法利用二进制掩码限制目标区域滤波值的范围,使其提取的特征更具有代表性;同时,该方法考虑空间权值的自适应性,融合空间信息和时间信息,以此构建相邻帧的关系,有效减缓滤波器退化问题。实验结果表明本文所提的追踪算法比现有的一些流行算法具有更好的追踪性能。(2)背景、空间、时间和样本特征信息对提高基于相关滤波追踪算法的性能具有十分重要的作用。本文在分层卷积特征追踪算法的基础上,利用稀疏性和峰值旁瓣比,提出了基于分层特征融合的时间区域稀疏滤波追踪算法。首先,该算法提出时间区域稀疏相关滤波模型,利用深度卷积网络提取的不同层次特征学习不同的相关滤波;其次,利用所学的相关滤波确定下一帧图像的目标响应图;最后,利用峰值旁瓣比确定不同响应图的权值,得到融合的响应图,从而确定目标的位置。本算法利用区域稀疏性忽略干扰特征,利用时间正则项学习前后帧相关滤波的关系,并用新的响应图融合方法提高追踪算法的性能。实验结果表明本文所提的追踪算法比现有的一些流行算法具有更好的追踪性能。(3)现有的基于相关滤波追踪算法主要利用先验知识设计正则项,如空间正则化、时间正则化和异常正规化等,提出各种正则化相关滤波外观模型。因此,现有的正则化外观模型变得越来越复杂,在一定程度上增加优化模型的求解难度。针对上述问题,本文提出通用相关滤波追踪算法,将复杂的目标追踪算法模型表示为一些简单追踪器的线性组合。以经典的时空正则化相关滤波器为例,将该滤波器表示为判别滤波器、空间滤波器和时间滤波器的线性组合,其中组合系数由每种方法计算得到的响应图最大值进行确定。本文所提的追踪算法不仅可以节省外观模型的计算成本,而且可以自适应地利用先验信息。实验结果表明本文所提的追踪算法比相应的复合体追踪算法具有更好的追踪效果。

关键词：目标追踪相关滤波分层特征融合时空正则化峰值旁瓣比区域稀疏性自适应融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的工艺波动异常检测算法研究

基于深度学习的工艺波动异常检测算法研究

作者：赵宾杰杭州电子科技大学

学位级别：硕士

目前,我国的工业自动化处于蓬勃发展的时期。为了保证工业工艺在合理的范围内正常波动,需要安装高性能、高精度的传感器来跟踪工业设备的运行状态,并及时发现工艺波动异常。基于传感器所捕获的异常数据对工业工艺进行异常检测,可以及时... 详细信息

目前,我国的工业自动化处于蓬勃发展的时期。为了保证工业工艺在合理的范围内正常波动,需要安装高性能、高精度的传感器来跟踪工业设备的运行状态,并及时发现工艺波动异常。基于传感器所捕获的异常数据对工业工艺进行异常检测,可以及时对潜在的异常进行预警,从而提高工业产品的质量,降低生产成本,并提高生产效率和优化工艺管理。因此,对工业工艺进行时间序列的异常检测任务在实际工业生产中非常重要且具有重大意义。本文基于深度学习的方法,对多元时间序列的工艺数据进行异常检测算法研究。本文主要研究内容包括以下几个方面:1.针对当前多元时间序列工艺数据中存在的强耦合性和强相关性特点,本文提出基于特征融合和注意力机制的异常检测模型。模型采用卷积编码层和卷积长短时记忆网络层捕获多元时间序列的时间性和相关性特征。利用卷积解码层重建不同尺度的特征矩阵后,本文提出一种分层特征融合模块用于融合不同层次的特征,使网络捕捉到更全面、更准确的特征表征。之后,进一步引入卷积注意力模块对融合特征从通道和空间维度进行加权,增强模型对重要特征的关注,并抑制对无关或冗余特征的响应。经过在多个数据集上的实验验证,本文所提出的模型在F1指标上平均得分达到0.9233,在异常检测方面具有明显的优势。2.为进一步提升模型对多元时间序列工艺数据中长距离时间依赖性的能力,本文提出一种新颖的异常检测模型(Temporal Graph Gated Variational-detector,TGGV)。本文在模型中设计时空特征提取和时序特征重构网络。时空特征提取网络用于捕捉时间序列的时间性特征和不同时间序列的相关性。然后,本文基于门控循环单元提出了一个变分自编码器结构用于时序特征重构。最后,模型中使用阈值设定策略合理设置阈值。本文在多个数据集上将TGGV算法与5种前沿算法进行了对比。实验结果表明,TGGV算法相比于其他最前沿算法,F1分数提高14.7%～16.5%,能够有效地检测出多元时间序列的潜在异常。3.本文基于电池生产过程数据构建生产工艺波动异常检测系统,并将该系统与本文提出的多元时间序列异常检测算法相结合。通过在涂布工艺上进行实验,结果表明,本文提出的算法和设计的系统可以及时识别出工艺中可能存在的异常,从而采取措施及时修复或优化设备,提高工艺的可靠性和稳定性。

关键词：异常检测多元时间序列注意力机制分层特征融合时空特征提取特征重构

基于深度学习的乳腺超声肿瘤良恶性分类方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的乳腺超声肿瘤良恶性分类方法研究

作者：邸小慧南方医科大学

学位级别：硕士

乳腺癌是全球女性最常被诊断的癌症之一,其发病率位居女性恶性肿瘤的首位。由于乳腺癌的病因尚不清楚,到目前为止科学家仍未找到乳腺癌的确切致癌原因,因此,早期诊断和治疗是提高乳腺癌患者生存质量的关键。超声成像具有无创伤、无辐射... 详细信息

乳腺癌是全球女性最常被诊断的癌症之一,其发病率位居女性恶性肿瘤的首位。由于乳腺癌的病因尚不清楚,到目前为止科学家仍未找到乳腺癌的确切致癌原因,因此,早期诊断和治疗是提高乳腺癌患者生存质量的关键。超声成像具有无创伤、无辐射、成本低等特点,是目前较为成熟的早期诊断乳房异常的工具。然而,由于图像噪声和伪影等的存在,对临床医生的准确诊断提出了更大的挑战。为了辅助医生减轻工作量以及提高乳腺癌的诊断准确性,运行计算机辅助诊断方法预测乳腺肿瘤的良恶性是一种有效手段。本文以提高乳腺肿瘤良恶性诊断性能为目标,在分析和总结当前相关研究的基础上,提出了两种基于深度学习的乳腺超声肿瘤良恶性分类方法:(1)基于显著图引导分层密集特征融合网络的乳腺超声肿瘤良恶性分类近年来的研究表明,卷积神经网络已经极大的促进了乳腺超声肿瘤分类任务的发展。然而,由于在肿瘤部位(前景)和周围组织(背景)之间有着复杂的模式以及模糊的边界等特点,因此建立一个高精度的分类模型仍然是一个挑战。目前,很少有研究首先将前景和背景分离开来学习特定领域的特征表示,然后再将他们融合来提高模型的性能。在本方法中,我们提出了一个基于显著图引导分层密集融合网络的乳腺超声肿瘤良恶性分类方法。在显著图的先验引导下,该网络框架学习了前景和背景特定的特征表示,并且充分利用了特征表示之间的补充信息,用于乳腺肿瘤的良恶性分类。(2)基于统计—深度特征融合网络的乳腺超声肿瘤良恶性分类现有的卷积神经网络主要集中于学习低层级特征中的结构信息和高层级特征中的上下文信息用于特定的任务。为了强化特征的传播以及获得多尺度融合的特征,网络通常会进行策略性的融合。然而,由于乳腺肿瘤边界模糊、形状各异,这依然增加了乳腺肿瘤精确分类的难度。考虑到乳腺超声图像中包含丰富的结构信息和纹理信息,现有的卷积神经网络中很少明确地使用某种机制来提取和利用统计纹理特征信息用于乳腺肿瘤良恶性的分类,因此我们提出了一个统计—深度特征融合网络。在本方法中,该网络充分学习了结构信息特征和统计纹理信息特征,并利用这些信息之间的补充性执行特定的分类任务。针对以上两种乳腺肿瘤的良恶性分类方法,我们均使用五折交叉验证方法在三个数据集上进行了评估,实验结果表明在乳腺超声肿瘤良恶性的分类任务上,本文的方法优于现有先进的深度学习方法。

关键词：乳腺肿瘤分类超声图像显著图统计特征分层特征融合深度学习

基于分层精简双线性注意力网络的水下细粒度目标识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于分层精简双线性注意力网络的水下细粒度目标识别方法研究

作者：刘伟重庆交通大学

学位级别：硕士

作为水下无损检测技术中的重要分支,水下视频技术为水下光视觉目标识别研究工作提供了数据支持,极大程度促进了水下光视觉目标识别领域的发展。基于传统特征的水下目标识别方法,存在人工选取的特征对自然物种识别的适应性不足、效率低... 详细信息

作为水下无损检测技术中的重要分支,水下视频技术为水下光视觉目标识别研究工作提供了数据支持,极大程度促进了水下光视觉目标识别领域的发展。基于传统特征的水下目标识别方法,存在人工选取的特征对自然物种识别的适应性不足、效率低等问题,相比之下,深度学习方法优势明显,但由于水下细粒度图像数据集存在数量和质量问题,导致基于深度学习的水下细粒度目标识别任务同样面临巨大挑战。针对上述问题,本文以F4K鱼类图像数据集为样本,研究了水下图像预处理方法,以及机器视觉中的注意力机制和特征融合方法,通过设计的分层精简双线性注意力网络实现了水下鱼类识别。本文的研究工作如下:（1）针对水下图像存在的噪声干扰、偏色以及低分辨率问题,从图像去噪、颜色校正以及分辨率提升等角度研究了水下光学图像预处理方法,验证结果表明自适应中值滤波算法（AMF）有助于实验数据集图像滤波,快速水下图像增强算法（FUnIEGAN）有益于水下图像的综合质量提升。（2）针对当前基于卷积神经网络的水下目标识别算法缺乏捕获细粒度特征的能力等问题,研究了有助于细粒度目标识别的B-CNN基础模型,以及机器视觉中的注意力机制和卷积层间特征融合策略,设计了可提升图像细粒度特征捕捉能力的分层精简双线性注意力网络模型（STN-H-CBP）。（3）针对F4K水下鱼类数据集存在的样本失衡、图像质量差,导致深度学习方法应用受限的问题,采用FUn IEGAN算法进行处理,强化水下鱼类图像的细粒度特征,对样本少的类别进行数据扩充,并应用迁移学习与微调技术优化模型避免过拟合,最终在目标数据集上验证了分层精简双线性注意力网络的有效性。（4）针对水下视频采集和图像质量分析,设计了用于搭载水下视频设备的小型观测级ROV软硬件平台,主要由ROV本体和岸上控制台两部分构成。重点研究了基于水下成像模型的ROV视觉系统,从形成水下视频图像的各环节分析了水下图像降质的原因,并采用LifeCLEF2015鱼类任务中公开的鱼类视频制作测试集实现本文所提方法的应用。

关键词：图像预处理注意力机制分层特征融合水下目标识别