基于深层残差网络的加速图像超分辨率重建

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题,提出了一种基于深层残差网络的加速图像超分辨率重建方法,该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度,通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射,只在网络的末端引入子像素卷积层,将像素进行重新排列,得到高分辨率图像。实验结果表明,在set 5,set 14,BSD100测试集上,所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法,能够恢复更多的图像细节,图像边缘也更加完整且收敛速度更快。     

基于多尺度递归网络的图像超分辨率重建

提出了一种基于多尺度递归网络的图像超分辨率网络模型,该模型主要由多个多尺度特征映射单元级联而成,每个单元分别包含一组不同尺度的特征提取层、一个融合层以及一个特征映射层。特征提取直接在原始低分辨率图像上进行,最后采用亚像素卷积重构高分辨率图像。训练阶段使用自适应矩估计优化方法加速网络模型的收敛。实验结果表明,所提算法取得了较好的超分辨率结果,图像纹理清晰、边缘锐利,视觉效果明显得到增强。在Set5、Set14、BSD100以及Urban100等常用测试集上的客观评价指标(PSNR和SSIM)均高于现有的几种主流算法。     

基于离散余弦变换和深度网络的地貌图像分类

在未知环境中,无人机(UAV)着陆地貌的自动识别和分类有着极其重要的研究意义,传统的自然场景分类利用的是中层和底层特征信息,但是无人机着陆地貌图像场景复杂、信息丰富,需要较准确的高层语义特征表达。提出了一种基于离散余弦变换(DCT)和深度网络的地貌图像分类方法。首先将离散余弦变换能量集中的优势引入到卷积神经网络(CNN)的高效特征表达中,以降低维度和计算复杂度;然后根据地貌图像特点构建了14层的特征学习网络,并改进了卷积神经网络结构;最后将得到的深层特征输入到支持向量机(SVM)中,快速准确地完成图像分类。实验结果表明,该算法降低了数据冗余,使训练时间大幅度减少,可以自动地学习高层语义特征;所提算法提取的特征具有较好的特征表达,有效地提高了图像分类准确率。     

基于深度学习的合成孔径雷达图像去噪算法

针对合成孔径雷达在生成图像时产生的固有斑点噪声问题,提出了一种基于多尺度注意力级联卷积神经网络的去噪算法,用多尺度卷积网络与注意力机制来实现图像的特征提取,将级联网络结构作为主网络中的特征增强部分,并加入批量归一化来防止模型中出现过拟合。实验结果表明,所提算法相较于其他传统图像去噪算法,峰值信噪比、结构相似性分别平均提高了0.75 dB～14.45 dB和0.01～0.16,在图像熵上也优于其他算法,并且能较好地恢复图像中的细节信息。     

渐进式多尺度特征级联融合颜色恒常性算法

颜色恒常性是实现目标检测、三维物体重建、自动驾驶等计算机视觉任务的重要前提。为充分利用图像中不同尺度的特征信息估计光源,提出渐进式多尺度特征级联融合颜色恒常性算法,通过三个卷积网络分支从不同尺度提取图像中的特征信息,通过特征融合得到更加丰富的特征信息,通过级联方式将图像中的浅层边缘信息和深层细粒度特征信息进行融合,提高了颜色恒常性算法的精确性。渐进式网络结构基于加权累计角度误差损失函数提高了算法在面对极端场景光照下光源估计的鲁棒性。在重处理的ColorChecker和NUS-8数据集上的实验结果表明,本文算法在各项评价指标上均优于目前的颜色恒常性算法,可应用于需要进行颜色恒常性预处理的其他计算机视觉任务。     

基于卷积特征选择的红外目标跟踪

对红外图像中的目标跟踪时,复杂的背景信息以及目标像素数较少等因素增加了红外目标跟踪难度,目标区域的图像块缺乏特征信息使得普通跟踪算法较易产生跟踪偏移问题。为解决此问题,提出了一种基于粒子滤波框架下的卷积特征选择的红外目标跟踪算法。首先,在初始目标块上提取少量图像块作为滤波器,进而获得表征能力更强的卷积特征。然后,采用在线提升算法对该特征进行选择,增加跟踪算法的精度和执行效率。最后,将贝叶斯分类器的响应作为粒子权值估计出目标状态。实验结果验证了所提算法的跟踪性能优于其他几种传统算法。     

改进VGG网络的多聚焦图像的融合方法

为更好地保留原图像信息，提高图像融合性能，提出一种改进VGG卷积神经网络与边缘像素统计特征相结合的融合算法。首先，该算法将完整图像拆分成图像块，以图像块的预处理来获取较高的图像分类，精度达到0.985以上，以改进的VGG卷积神经网络来加快模型收敛速度，当图像块输入到网络当中，可以初步得到二分类的权值矩阵。其次，在高频细节部分，对于左聚焦图像和右聚焦图像的清晰模糊模块分别进行模糊化处理，根据像素点之间的统计特征经阈值分割后得到有明显边界的权值矩阵。最后，结合两次分割的权值矩阵，通过加权求和的融合策略，得到处处清晰的聚焦图像。为说明算法有效性，在实验部分展示其融合主观视觉效果图与信息熵等客观评价，该算法对比其他算法表现突出，可较好地保留原图像的信息。     

基于双分支U形Transformer的遥感图像融合

为解决现有遥感图像融合方法不能充分提取和利用全局上下文特征,而造成光谱和空间信息丢失的问题,提出基于双分支U形Transformer的遥感图像融合方法。首先将多光谱和全色图像分割成图像块,每个图像块的光谱和空间信息被嵌入到一个向量中,形成块嵌入向量序列。接着,多光谱图像和全色图像的嵌入向量序列被分别送入Transformer编码器的两个分支以提取两张图像的多级全局特征表示。在编码过程中,通过多个跳跃连接,不同层级的全色图像表示被注入到多光谱图像表示中进行融合。最终,Transformer解码器利用特征压缩和块扩张层消除冗余特征并从多级融合表示中逐渐恢复出高分辨率融合图像。在三种不同卫星数据集上的实验表明,所提方法得到的融合图像相比于其他融合方法主观视觉效果较好,且客观评价指标更优。     

基于改进旋转区域生成网络的遥感图像目标检测

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。     

基于扩张卷积注意力神经网络的高光谱图像分类

为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型。首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提取结构,实现了多尺度特征的融合;最后,利用注意力机制使网络关注重要的空谱特征,并抑制噪声和冗余信息。在两个常用数据集上对本文算法和四种基于深度学习的分类算法进行对比实验,结果表明,所提模型取得了最准确的分类结果,有效提高了训练样本有限条件下的分类精度。     

基于卷积神经网络的低剂量CT图像去噪方法

为了改善低剂量计算机断层扫描(CT)图像的视觉质量,提出一种基于卷积神经网络的图像去噪方法。网络引入批量归一化,并且学习的是低剂量CT图像到其噪声图像之间的映射;使用空洞卷积在不提高复杂度的情况下增大感受野;此外,还将前后层的特征图进行连接,使后方的卷积层能够利用前方各层的特征图作为输入,鼓励网络中特征图的重用。实验结果表明,与目前较先进的方法相比,所提网络结构在实现了更好去噪效果的同时大幅度降低了网络复杂度,能够快速、显著地改善低剂量CT图像的视觉质量。     

基于GAN的半监督遥感图像场景分类

针对遥感图像背景复杂及有监督场景分类算法无法利用无标签数据的问题,提出一种基于生成对抗网络的半监督遥感图像场景分类方法.首先,引入谱归一化残差块代替传统生成对抗网络中的二维卷积,利用残差块的跳跃连接解决梯度消失问题;其次,引入特征融合思想,将浅层特征与深层特征进行融合,从而减少特征损失;最后,在生成对抗网络的判别器中加...     

基于改进HED网络的视网膜血管图像分割

视网膜血管的自动分割在糖尿病和高血压等疾病的诊断中起着重要作用。针对现有算法在细小血管和病变区域血管分割能力不足的问题,提出了一种基于改进整体嵌套边缘检测(HED)网络的视网膜血管分割算法。首先,采用了一种残差可变形卷积块代替普通卷积块,增强模型捕获血管形状和尺寸的能力;其次,采用扩张卷积层取代原有的池化层,用以保留血管特征的空间位置信息;最后,使用具有底部短连接结构的HED网络框架对预训练的网络进行特征提取和融合,使得模型可以更好地将骨干网络所提取的视网膜图像中血管的高级结构信息与低级细节信息相融合。通过在DRIVE(Digital Retinal Images for Vessel Extraction)和STARE(Structured Analysis of the Retina)数据集上进行验证,所提网络的灵敏度分别达到了81.75%和80.68%,特异性分别达到了97.67%和98.38%,准确性分别达到了95.44%和96.56%,受试者工作特征曲线(ROC)的曲线下面积(AUC)分别达到了98.33%和98.12%,实现了优于其他先进方法的综合分割性能。     

基于编码-解码卷积神经网络的遥感图像语义分割

农村地区遥感图像语义分割是进行城乡规划、植被以及农用地检测的基础。农村地区高分辨率遥感图像含有较为复杂的地物信息,对其进行语义分割难度较大。基于此,提出一种改进的对称编码-解码网络结构SegProNet,利用池化索引与卷积融合语义信息及图像特征,通过1×1卷积构建Bottleneck层进一步提取细节、减少参数量,逐步加深过滤器深度以构建端到端的语义分割网络,改进激活函数进一步提升网络性能。实验结果表明,在CCF卫星数据集上,所提方法及经典语义分割网络U-Net、SegNet的准确率分别为98.4%,80.3%,98.1%,所提方法较其他方法更优。     

多局部残差连接注意网络的图像去模糊

针对现有的基于卷积神经网络的图像去模糊算法存在图像纹理细节恢复不清晰的问题,提出了一种基于多局部残差连接注意网络的图像去模糊算法。首先,采用一个卷积层进行浅层特征提取;其次,设计了一种新的基于残差连接和并行注意机制的多局部残差连接注意模块,用于消除图像模糊并提取上下文信息;再次,采用一个基于扩张卷积的成对连接模块进行细节恢复;最后,利用一个卷积层重建清晰图像。实验结果表明：在GoPro数据集上的PSNR (peak signal to noise ratio)和SSIM (structure similarity)分别为31.83 dB、0.927 5,在定性和定量两方面都表明所提方法能够有效地恢复模糊图像的纹理细节,网络性能优于对比方法。     

双注意力循环卷积显著性目标检测算法

显著性目标检测是机器视觉领域的研究热点,具有广泛的应用前景。针对现有显著性目标检测算法存在的显著区域检测不均匀、边缘表示模糊等问题,提出一种双注意力循环卷积显著性目标检测算法。在U-Net全卷积骨干网络中添加像素间-通道间双注意力模块,在跨层连接前对底层特征进行预处理,减小噪声和杂波干扰,提高显著区域检测性能。在骨干网络后端使用循环卷积模块,将最后的预测图与底层卷积层特征进一步结合,增强预测区域边缘的表示效果。在三个公开数据集上进行实验评测,并与相关算法进行对比,结果表明所提算法能更好地均匀突显显著区域和细化区域边缘。     

基于RGBD图像和卷积神经网络的快速道路检测

针对移动平台有限的计算资源以及基于彩色图像的道路检测方法在极端光照情况下及路面类型变化时存在的不足,提出了一种融合彩色图像和视差图像的基于9层卷积神经网络的快速道路检测算法。提出一种数据输入层预处理方法,将视差图变换为视差梯度图以强化地面特征,降低网络深度需求。所提两种网络结构为双通道后融合网络和单通道前融合网络,分别用于卷积特征分析和快速道路检测。实验使用KITTI道路检测数据集并人为划分为普通和困难两组数据集,对该算法进行实验对比和分析,结果表明:与基于彩色图像的卷积神经网络方法相比,该算法在普通数据集上最大F1指标(MaxF1)提升了1.61%,在困难数据集上MaxF1提升了11.58%,算法检测速度可达26frame/s,可有效克服光照、阴影、路面类型变化等影响。     

基于3D Octave卷积和Bi-RNN注意力网络的高光谱图像分类方法

传统卷积神经网络模型在高光谱图像分类生成特征图的空间维度中存在大量的空间特征信息冗余,而且把高光谱图像单个像元上的光谱带数据看作是无序高维向量进行数据处理,并不符合光谱数据的特性,极大影响了模型的运行效率和分类性能。针对该问题,提出一种三维Octave卷积和双向循环神经网络注意力网络相结合的高光谱图像分类方法。首先,利用三维Octave卷积获取高光谱图像的空间特征的同时减少空间特征冗余信息。其次,利用Bi-RNN光谱注意力网络将光谱带数据视为有序序列以获取高光谱图像的光谱信息。然后,通过全连接层将空间和光谱特征图连接起来实现特征融合。最后,经过softmax输出分类结果。实验结果表明,所提方法在Pavia University和Botswana两个数据集上的分类精度分别达到了99.97%和99.79%,与其他主流算法相比,该方法可以充分利用空间和光谱特征信息,具有更佳的分类性能。     

全卷积网络多层特征融合的飞机快速检测

针对传统飞机检测方法准确率低、虚警率高、速度慢等问题,提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合,以缓解由于深层特征图维度过低造成的对小目标表达不足的问题;修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征;用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像;复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明,与典型的飞机检测方法相比,所提方法在测试集上取得了更高的准确率和更低的虚警率,同时大大加快了检测速度。     

基于密集卷积和域自适应的高光谱图像分类

针对常规的高光谱图像分类算法不能很好地解决不同图像中的频谱偏移的问题,提出了一种基于密集卷积和域自适应的高光谱图像分类算法,首先在源域中使用密集卷积进行深度特征学习,然后应用域自适应技术转移到目标域。目前的域自适应高光谱图像分类框架中常用卷积神经网络进行特征学习,但是当深度增加时会出现因梯度消失而导致分类精度下降的情况,因此本文通过引入密集卷积进行深度特征学习,提高域自适应高光谱图像分类的精度。在Indiana高光谱数据集和Pavia高光谱数据集上验证所提算法的有效性,整体分类精度分别为61.06%和89.63%,与其他域自适应高光谱图像分类方法对比,所提方法具有更好的分类精度。