检索结果-南通市图书馆

光电子．激光 2023年第2期34卷 120-131页

作者：吕佳许鹏程重庆师范大学计算机与信息科学学院重庆401331 重庆师范大学重庆市数字农业服务工程技术研究中心重庆401331

基于深度学习的真实图像超分辨率(super-resolution, SR)重建算法目前存在参数量过大的问题,为解决该问题,提出了一种多尺度残差特征融合的轻量级真实图像SR重建算法。首先利用深度可分离卷积和复用卷积针对多尺度特征提取块进行改进,... 详细信息

基于深度学习的真实图像超分辨率(super-resolution, SR)重建算法目前存在参数量过大的问题,为解决该问题,提出了一种多尺度残差特征融合的轻量级真实图像SR重建算法。首先利用深度可分离卷积和复用卷积针对多尺度特征提取块进行改进,在提取特多尺度特征的同时实现了模块的轻量化,参数量仅为改进前的7.5%。其次使用残差特征融合操作将4个多尺度深度可分离特征提取块(multi-scale depthwise separable block, MSDSB)聚合成一个残差特征融合块,以减少残差路径长度。然后使用增强型注意力模块从通道和空间维度进行自适应调整以提升算法性能。最后使用自适应上采样模块获得SR重建图像。在消融实验中,本文算法重建性能超过原始算法,且参数量仅为3.53×106,是原始算法的34.5%。在对比实验中,其重建性能超过了当前主流算法,与组件分而治之(component divide-and-conquer, CDC)算法相比,PSNR和SSIM指标分别提升了0.01 dB与0.001 0,且参数量仅为组件CDC算法的8.84%,在保证重建性能的同时实现了算法的轻量化。

关键词：真实图像图像超分辨率(SR)重建卷积神经网络深度可分离卷积残差特征融合

来源：

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

基于深度学习的单幅图像超分辨率算法研究

基于深度学习的单幅图像超分辨率算法研究

引用

作者：刘锡泽东华大学

学位级别：硕士

图像超分辨率重建已应用在包括但不限于医疗图像、安全监控、生活娱乐等多个领域当中,目的是从低分辨率的图像中恢复出对应的高分辨率图像。目前基于深度学习的图像超分辨率算法仅靠大量堆叠基本块来提升重建效果,从而导致模型体积庞大... 详细信息

图像超分辨率重建已应用在包括但不限于医疗图像、安全监控、生活娱乐等多个领域当中,目的是从低分辨率的图像中恢复出对应的高分辨率图像。目前基于深度学习的图像超分辨率算法仅靠大量堆叠基本块来提升重建效果,从而导致模型体积庞大,运算复杂度过高。本文从超分辨率模型结构设计的角度出发,设计了重建效果更优,且保持较低计算复杂度与较少参数量的网络架构,并提出了新的超分辨率重建效果评估指标。主要工作体现在以下三个方面:1.针对单幅图像超分辨率网络模型仅通过纵向堆叠基本块来提升重建效果,而忽略网络中信息的流通性,提出一种残差特征融合的网络架构。该模型充分利用深层特征的多个残差信息进行融合,从而提升了模型的重建精度。提出的模型的参数量约1.6M,在urban100数据集上放大三倍时,PSNR值相比DRCN模型提高了0.42d B。2.为进一步提升模型的参数利用率,并解决模型中间层提取特征利用率低等问题,提出一种密集反馈网络架构。该模型主要由融合通道与空间注意力机制的残差模块组成,模块中使用多种扩张率的空洞卷积核提取不同尺度的图像特征。每个残差模块的输出均逐通道连接至其它残差模块的输入,有效防止梯度消失等现象,降低训练难度。提出的模型在urban100数据集上放大三倍时,PSNR值相比DRCN模型提高了0.45d B,并将参数量进一步缩减到了约1.2M。3.提出一种单幅超分辨率重建图像质量评估指标,解决了传统的PSNR、SSIM等图像质量评估指标在某些图像中的计算结果不能贴近人的主观感受的问题。该评估指标以卷积神经网络为基础,融合先进的协调注意力机制,并通过多任务学习的训练方式提升网络的预测精度。提出的评估指标在QADS数据集中的SROCC值相比PSNR提升了0.58,相比SSIM提升了0.41。表明该指标预测的图像质量分数与人眼主观评分的一致性优于传统的评估指标。

关键词：图像超分辨率残差特征融合密集反馈图像质量评估

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

模糊车辆检测与跟踪算法研究

模糊车辆检测与跟踪算法研究

引用

作者：陈俊豪重庆交通大学

学位级别：硕士

智能驾驶通过检测算法和跟踪算法从视频获取目标车辆的信息,小目标、拥堵、遮蔽导致目标车辆的位置表达不清晰,快速移动、昏暗导致车辆的外形表达不明确,以上两种模糊情况导致车辆的检测精度和跟踪精度较低,难以保证智能车辆的安全性。... 详细信息

智能驾驶通过检测算法和跟踪算法从视频获取目标车辆的信息,小目标、拥堵、遮蔽导致目标车辆的位置表达不清晰,快速移动、昏暗导致车辆的外形表达不明确,以上两种模糊情况导致车辆的检测精度和跟踪精度较低,难以保证智能车辆的安全性。为了提高对模糊车辆的检测与跟踪能力,首先分析了Yolov5s检测模糊车辆的不足,以及Ocsort跟踪器存在的问题,然后针对两者的不足分别基于Yolov5s和Ocsort改进检测器与跟踪器,构建高精度的模糊车辆跟踪系统,主要研究内容如下:(1)针对遮蔽、拥堵、小目标、昏暗、运动五种模糊工况制作了模糊车辆检测数据集HCD-DETECT,使用HCD-DETECT训练HCD-yolov5s增强检测器对模糊车辆的检测能力。针对雾天、夜晚、高速、拥堵四种易产生模糊车辆的视频制作跟踪数据集HCD-MOT,使用HCD-MOT评估跟踪器的跟踪性能。(2)设计了HCD-yolov5s检测器,增强检测器对模糊车辆的检测能力。首先针对车辆位置信息模糊,从浅层网络引出检测头,保留模糊车辆的位置信息。然后针对车辆外形信息模糊,设计了DConv模块,分离回归和分类任务,增强模型的泛化能力。最后针对位置模糊和外形模糊适用不同的特征层,设计了CCAT特征融合模块,增强模型位置信息和语义信息的表达。HCD-yolov5s在Visdrone和Dota数据集上的m AP50分别提升了10.2%和1.8%,表明HCD-yolov5s更适合检测位置信息和外形信息。HCD-yolov5s在HCD-DETECT上的m AP提升了8.0%,验证了HCD-yolov5s更适合检测模糊车辆。(3)设计了SG-ocsort跟踪器,增强跟踪器对模糊车辆的跟踪能力。首先使用HCD-DETECT训练后的HCD-yolov5s作SG-ocsort的检测器,减少轨迹缺失值。然后考虑到Ocsort处理轨迹空白值时采用线性插值法,无法拟合非线性运动状态,本文采用高斯平滑插值拟合目标轨迹。最后针对Io U匹配只考虑交并比,本文使用SIo U替换Io U匹配,在Cost Matrix中添加形状、距离、角度等信息。SG-ocsort在HCD-MOT数据集的跟踪能力优于Ocsort和Deepsort跟踪算法,MOTP和MOTA在Ocsort的基础上分别提高了2.9%和1.3%,IDSW减少了9.0%;MOTP和MOTA在Deepsort的基础上分别提高了0.8%和1.5%,IDSW减少了15%,验证了SG-ocsort更适合跟踪模糊车辆。实验结果表明设计的HCD-yolov5s更适合检测模糊车辆,降低检测器的漏检率,减少跟踪轨迹的缺失值。SG-ocsort跟踪器改善了检测器失效、遮蔽、非线性运动导致的轨迹信息缺失等问题,增强了跟踪器对模糊车辆的跟踪能力,从而提高智能车辆的安全性。

关键词：模糊车辆检测模糊车辆跟踪残差特征融合动态激活函数高斯平滑插值

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的图像超分辨率重建

基于深度学习的图像超分辨率重建

引用

作者：刘立柱沈阳航空航天大学

学位级别：硕士

近年来,得益于计算机性能的巨大提升和深度学习的强大学习能力,基于深度卷积神经网络的单幅图像超分辨率技术取得了很大进展。在图像超分辨重建领域,算法性能的提升主要依赖网络深度的增加,随着网络深度的增加,参数量和计算量也越来越大... 详细信息

近年来,得益于计算机性能的巨大提升和深度学习的强大学习能力,基于深度卷积神经网络的单幅图像超分辨率技术取得了很大进展。在图像超分辨重建领域,算法性能的提升主要依赖网络深度的增加,随着网络深度的增加,参数量和计算量也越来越大,对硬件的要求越来越高,很难在移动端部署;低分辨率图像及特征包含丰富的低频信息,缺失边缘、纹理等高频细节信息,但在特征提取时高低频信息被平等对待,会阻碍网络进行特征提取。为了解决上述问题,本文提出了两种研究算法:(1)基于注意力机制的残差特征融合网络的图像超分辨率重建算法。本算法提出的残差特征融合网络通过串并联的方式结合残差注意力模块和特征蒸馏操作,保证有效提取特征的同时减少冗余参数;采用分块思想构建深层网络,并结合长短跳跃连接,使得主干网络专注于提取高频特征;残差特征融合阶段,充分利用低、中、高频信息,获得更丰富的特征;最后通过亚像素卷积层进行图像重建,得到最终的超分辨率图像。实验证明本算法以更少的参数量超越了部分大型超分模型性能,接近了最优超分模型的性能。(2)多分支残差特征蒸馏网络的图像超分辨率重建算法。为了设计一个更轻量化的算法,结合残差特征蒸馏和分块思想,对网络进一步整改。设计了一个多分支残差模块可以进一步结合多尺度和上下文信息提取更精细的特征;在残差特征蒸馏模块基础上增加瓶颈注意力模块对融合特征进一步增强;通过分块思想构建一般深度的网络结构;通过长短跳连接保证训练稳定,让主干网络依然专注于提取边缘纹理等高频特征;最后将低、中、高频特征融合,重建出最终的超分辨图像。实验结果表明该算法在模型复杂度和性能上达到更好的平衡。算法参数量进一步大幅度减少,超分性能超越了绝大数轻量化算法,接近部分大型超分算法。

关键词：图像超分辨率注意力机制特征蒸馏残差特征融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：