检索结果-南通市图书馆

维普期刊数据库博看期刊

基于Transformer和双残差网络的图像去模糊算法研究

在线全文

学校读者我要写书评

暂无评论

信息技术与信息化 2023年第1期 217-220页

作者：刘婉春景明利王子昭陈腾飞樊锐博西安石油大学电子工程学院陕西西安710065

在单幅图像去模糊网络的设计中,已广泛采用了由“粗到精”的策略。经典的基于深度学习的多尺度网络模型通常将子网络与多尺度输入图像堆叠,并从底层子网络到顶层子网络逐渐提高图像的清晰度,将不可避免地产生图像特征信息丢失问题以及... 详细信息

在单幅图像去模糊网络的设计中,已广泛采用了由“粗到精”的策略。经典的基于深度学习的多尺度网络模型通常将子网络与多尺度输入图像堆叠,并从底层子网络到顶层子网络逐渐提高图像的清晰度,将不可避免地产生图像特征信息丢失问题以及较高的时间成本。针对上述问题,构建了一种基于编解码器结构的多输入多输出U型网络。首先,在编码器结构中采用Transformer模型代替传统卷积网络模型以充分获取图像特征信息;其次为了恢复高频细节特征,在解码器结构中设计了双残差网络;最后,提出多尺度融合算法,有效融合了多尺度特征。在GoPro上的仿真实验表明,通过引入Transformer,所提算法分别在PSNR与SSIM评价指标和运行时间上均优于主流算法,PSNR与SSIM值分别为31.15 dB、0.9577,同时从视觉上可以得到更多的图像细节。

关键词：图像处理图像去模糊多尺度 Transformer 双残差网络

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于双残差卷积网络的低照度图像增强

液晶与显示 2021年第2期36卷 305-316页

作者：陈清江屈梅西安建筑科技大学理学院陕西西安710055

为解决当前低照度图像增强问题,提出了一种基于双残差卷积网络的图像增强算法。首先,根据Retinex理论模型,将正常照度图像合成低照度图像,再分别将它们分解在R(红)、G(绿)、B(蓝)3个分量上,然后通过特征提取模块和双残差模块学习低照度... 详细信息

为解决当前低照度图像增强问题,提出了一种基于双残差卷积网络的图像增强算法。首先,根据Retinex理论模型,将正常照度图像合成低照度图像,再分别将它们分解在R(红)、G(绿)、B(蓝)3个分量上,然后通过特征提取模块和双残差模块学习低照度图像与正常照度图像在各分量的映射关系,获得各分量上的增强图像,最后合成增强的RGB图像。采用双边滤波优化增强的RGB图像,使得所获得的图像更加接近参考图像。实验表明,本文所提算法,对于处理合成的低照度图像,峰值信噪比最高可达25.9311 dB,结构相似度最高可达0.9452;对于处理真实的低照度图像,盲图像质量评估指标高于其他算法,且运行速度更快。

关键词：低照度图像增强双残差网络特征提取 Retinex理论

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

全局区分性增强与边界监督的篡改检测网络

计算机工程 2023年第6期49卷 154-161页

作者：王名茂陈向阳叶子肖利芳郑戎武汉工程大学计算机科学与工程学院武汉430205 武汉工程大学智能机器人湖北省重点实验室武汉430205 湖北机场集团航空物流有限公司武汉430302

基于深度学习的篡改检测网络通常忽视了全局通道特征间的差异性且未有效利用全局相关性,造成篡改检测结果误检率和漏检率较高。为解决该问题,构建一种新的篡改检测网络。利用双残差网络和限制卷积层构建特征提取主干网络层,提取待检测... 详细信息

基于深度学习的篡改检测网络通常忽视了全局通道特征间的差异性且未有效利用全局相关性,造成篡改检测结果误检率和漏检率较高。为解决该问题,构建一种新的篡改检测网络。利用双残差网络和限制卷积层构建特征提取主干网络层,提取待检测目标的双视图多尺度特征。建立全局信息增强模块,引入非局部注意力计算方式,计算各尺度通道的低维全局性相关程度,并将其作为增强参数对全局特征进行区分性增强操作。设计新的边界监督方式,通过对预测结果提取边界信息创建边界掩码图像以计算边界辅助损失,利用反向学习以引导全局特征集中于篡改区域,实现监督性篡改检测。在CASIA、COVER、NIST16、Columbia数据集上的实验结果表明,该网络能有效降低篡改检测结果的误检率和漏检率,像素级F1分数相比于性能最优的同类MVSS-Net平均提升了2.3个百分点。

关键词：全局相关性双残差网络非局部注意力计算区分性增强边界监督

维普期刊数据库

基于鲁棒特征与相似性度量的行人再识别方法研究

在线全文

学校读者我要写书评

暂无评论

基于鲁棒特征与相似性度量的行人再识别方法研究

作者：肖禛禛河南理工大学

学位级别：硕士

行人再识别技术是计算机视觉领域中极为重要又富有挑战性的课题,已成为当今智能视频分析领域的一个研究热点。它的任务是将非重叠摄相机视图中观察到的行人图像与特定的行人视觉特征进行匹配,在疑犯追踪、智能安防、灾难预警等工作中发... 详细信息

行人再识别技术是计算机视觉领域中极为重要又富有挑战性的课题,已成为当今智能视频分析领域的一个研究热点。它的任务是将非重叠摄相机视图中观察到的行人图像与特定的行人视觉特征进行匹配,在疑犯追踪、智能安防、灾难预警等工作中发挥着重要作用。但在实际应用中,一方面由于受到低分辨率、光照变化、行人姿态、遮挡等因素的影响,行人图像在视觉观感上存在较大差异,导致行人再识别的匹配过程十分困难。另一方面鲁棒的相似性估计对行人再识别非常重要,而现有算法多是计算特征间的欧式距离获取相似性,忽略了不同样本间的相互关系,造成相似性估计不准确。针对上述问题,本文从特征提取和相似性度量两个角度出发,提出一种基于双残差网络的灰度信息增强的特征提取方法和一种新颖的相似性度量方法。本文的主要内容和创新点如下:(1)针对现有行人再识别算法中,使用单一的RGB图像提取行人特征造成算法对颜色信息过于敏感的问题,提出一种灰度信息增强的行人特征提取方法,提升了特征对颜色变化的鲁棒性,用于提高算法在现有数据集上的识别准确率。该方法首先将RGB图像和对应灰度图像作为双残差网络的输入,分别提取行人图像的RGB特征和灰度特征。然后将两个特征在通道方向上进行拼接获得融合特征,该融合特征增加了灰度信息比重,从而削弱颜色信息,有效减少了网络对颜色的敏感度。随后对融合特征以水平均匀分割的方式进行学习。最后将RGB特征、灰度特征和融合特征沿水平方向进行拼接得到更鲁棒的组合特征用于行人再识别的测试过程。在训练过程中对每个特征使用独立的损失函数进行模型优化。实验表明,本文提出的特征提取方法能够有效解决颜色相似和颜色不一致问题对行人再识别任务造成的不利影响,同时提升算法的平均性能(mAP)和首位命中率(Top-1)。(2)针对现有行人再识别算法中存在的相似性度量不准确问题,提出一种新颖的基于图卷积网络(Graph Convolutional Network,GCN)的相似性度量方法PrGCN(Probability GCN)。该方法把每个行人看作是一个实例节点,将行人相似性的计算过程看作节点之间存在链接可能性的预测问题,链接可能性越大则表明两者越相似。首先,以每个实例节点为中心构造实例子图,这些子图描述了该节点丰富的上下文信息。然后,将这些子图输入到图卷积网络中,利用图卷积网络推理和预测节点间的链接可能性。最后,根据预测得到的链接可能性得到待查询图像在候选行人数据库图像中的相似性排序。实验表明,PrGCN能够显著提高行人再识别算法的mAP和Top-1准确率,获得与目前先进ReID算法相媲美的结果。此外,PrGCN可以代替欧式距离度量嵌入到其他深度学习体系结构中,为行人再识别算法带来性能提升。

关键词：行人再识别深度学习双残差网络 RGB信息灰度信息增强相似性度量 PrGCN 链接可能性