用于单张图像去雨滴的轻量级网络

图像去雨是图像低等级任务中的热点问题,去雨滴又是图像去雨中很重要的一种情况,附着在玻璃或相机镜头上的雨滴会显著降低场景的可见性.因此,去除雨滴将有助于许多计算机视觉应用,特别是户外监控系统和智能驾驶系统.本文提出了一种用于单张图像去雨滴的轻量级网络算法(PRSEDNet),该网络算法采用递归计算,运用卷积长短期记忆网络(Convolutional LSTM network)和特征提取模块来提取特征,通过与原图像结合来去除雨滴,最终获得高质量的无雨滴清晰图.实验结果表明,我们的PRSEDNet与现有的基于深度学习的去雨滴算法相比,在能达到高效的去雨滴性能的同时,有更少的参数量且计算效率高.     

基于模糊强化学习和果蝇优化的WSN数据聚合算法

在无线传感器网络中,传感器的能量时有限的,如果传感器的能量耗尽,那么无线传感网络的鲁棒性和寿命就会大大降低.因此,提出了基于模糊强化学习和果蝇优化的数据聚合机制,以最大限度地延长网络寿命,并进行高效数据聚合.首先,网格聚类用于簇的形成和簇头的选择,接着评估各个网格簇所有可能的数据聚合节点,然后采用模糊强化学习选取最佳数据聚合节点,最后利用果蝇优化算法动态定位整个无线传感网络的数据汇聚节点.仿真结果表明,提出的数据聚合方案在能耗和网络鲁棒性方面优于对比方案.     

基于大数据技术的变电站损耗分析研究

为了实现对变电站损耗中可降低比例的识别,本文提出了一种基于数据挖掘和半监督学习的变电站能效模型,并使用该模型对使用电能力采集系统所收集的海量变电站电力数据进行聚类处理和机器学习实现对变电站可降低损耗比例的识别.该模型首先使用K均值聚类算法对变电站的电能供需特征进行建模,随后基于一种半监督的机器学习以优化变电站损耗模型,最后使用过程自动化方法确定造成变电站损耗的主要因素,识别变电站可降低损耗占总损耗的比例.实验结果证明该方法能够可靠预测变电站的电能损耗可降低比例,帮助电力公司了解造成变电站电能损耗的主要原因.     

结合全局和局部特征的BiGRU-RA图像中文描述模型

针对目前基于全局特征的图像描述模型存在细节语义信息不足的问题,提出结合全局和局部特征的图像中文描述模型.该模型采用编码器-解码器框架,在编码阶段,分别使用残差网络(residual networks,ResNet)和Faster R-CNN提取图像的全局特征和局部特征,提高模型对不同尺度图像特征的利用.采用嵌入了残差连接结构和视觉注意力结构的双向门控循环单元(bi-directional gated recurrent unit,BiGRU)作为解码器(BiGRU with residual connection and attention,BiGRU-RA).模型可以自适应分配图像特征和文本权重,改善图像特征区域和上下文信息的映射关系.此外,加入基于强化学习的策略梯度对模型的损失函数进行改进,直接对评价指标CIDEr进行优化.在AI Challenger全球挑战赛图像中文描述数据集上进行训练和实验,实验结果表明,该模型获得更高的评分,生成的描述语句更准确、更详细.     

真实有雾场景下的目标检测

在有雾场景中实现对目标精确检测,是视频监控、智慧城市、无人驾驶等多个实际应用中一个重要的研究内容.为促进真实有雾场景下的目标检测研究,探讨了2个问题:有雾场景目标检测数据集的构建以及真实有雾场景下目标检测的解决方案.首先,设计了一种系统化的、具有真实感的有雾图像合成方法,并建立了合成有雾场景的目标检测数据集.同时,探讨了对真实有雾场景下目标检测器具有提升性能作用的数据集处理方法.其次,探讨了先验知识和模型的联合优化对真实有雾场景的目标检测性能的有效性,并提出了2个框架:基于知识引导的目标检测框架和基于图像去雾和目标检测的联合学习框架.基于知识引导的目标检测框架将统计先验知识用于指导通用目标检测网络学习有雾场景下的目标特征,使通用目标检测器能更好地适应特殊的目标检测场景.基于图像去雾和目标检测的联合学习框架通过去雾模型和目标检测模型的联合优化学习,有效学习图像去雾中恢复的结构细节和颜色特征,从而提高真实有雾场景下的目标检测精度.在RTTS数据集上的实验结果表明,基于知识引导的目标检测框架和基于图像去雾和目标检测的联合学习框架能够有效地提高有雾场景下目标检测器的性能,均值平均精度(mAP)分别为70.5％和66.6％.     

基于空间注意力下边缘图融合的草图图像检索

基于草图的图像检索任务根据用户提供的手绘草图,从图像数据库中检索得到与该草图对应的自然图像.与传统基于内容的图像检索不同,草图和自然图像间存在明显的域差异,这使得二者的特征难以直接进行比较.针对自然图像边缘图和草图的相似性,提出了空间注意力下的边缘图融合模型,将自然图像和对应的边缘图分别编码到各自的特征空间,再通过空间注意力掩膜进行加权融合,进而用于草图图像检索.所提模型可以更有效地编码物体边缘轮廓的特征,分别在Sketchy和Flickr15K数据集的草图图像检索任务上取得了比前人方法更高的Recall@1和MeanAP指标.     

DrPlace:基于深度学习的可布线性驱动布局算法

在集成电路物理设计的布局阶段,针对基于深度学习的布局算法结果可布线性较差的问题,在开源的DREAMPlace算法的基础上提出并实现了一种基于深度学习的可布线性驱动布局算法DrPlace.算法模型在总体上设计并实现了布局器的整体框架,集成了基于深度学习的可布线性驱动总体布局、可布线性驱动的合法化和详细布局.总体布局过程中,在目标函数中加入了引脚密度函数,并实现了基于GPU的引脚密度的关键内核.在ISPD2011和DAC 2012布局实例上的实验结果表明,该算法与DREAMPlace相比在可布线性上获得了提升,且在运行时间、线长和可布线性方面均优于传统的可布线性驱动布局算法.     

双流网络信息交互机制下的微表情识别

针对深度学习的方法用于微表情识别时微表情识别的实验数据库非常稀缺,导致神经网络在学习的过程中知识获取有限而难以提高精度及泛化能力的问题,提出基于双流网络信息交互的微表情识别方法.通过改进的深度互学习策略引导图像序列不同模态之间的交互训练,提高网络的识别率.方法基于RGB图像序列建立主体网络,基于光流建立辅助网络;在训练阶段,通过设计互学习损失中的有监督学习损失和拟态损失,优化训练过程,使得每一种模态都能学习正确地预测训练样本的真实标识,同时能与其他模态的预测相匹配;在测试阶段,由于互学习机制增强了RGB分支的判别能力,因此可对光流分支进行剪裁,在保证精度的前提下提高识别速度.在CASME,CASMEⅡ和SMIC数据库上的实验结果表明,该方法有效地提高了识别精度,整体性能优于已有方法.     

可见光-远红外图像的多模态能见度深度学习模型

为了增强能见度深度学习模型在小样本条件下的准确率和鲁棒性,提出一种基于可见光-远红外图像的多模态能见度深度学习方法.首先,利用图像配准获取视野范围与分辨率均相同的可见光-远红外输入图像对;然后,构造三分支并行结构的多模态特征融合网络;分别在可见光图像、远红外图像及其累加特征图中提取不同性质的大气特征,各分支的特征信息通过网络结构实现模态互补与融合;最后在网络末端输出图像场景所对应的能见度的等级.采用双目摄像机收集不同天气情况下的室外真实可见光-远红外图像作为实验数据,在不同性能指标、多角度下的实验结果表明,与传统单模态能见度深度学习模型相比,多模态能见度模型可显著提高小样本条件下能见度检测的准确率和鲁棒性.     

组件感知的高分辨率三维物体重建方法

基于体素表示的三维物体重建计算代价会随着体素分辨率的增加呈立方增长.为了缓解这一问题,提出组件感知的三维物体重建方法,将三维物体分解成多个组件,通过预测组件几何结构和组装组件的方式重建三维物体,从而将高分辨率三维物体的重建问题分解成一系列低分辨率组件的重建问题.组件感知的三维物体重建方法使用组件位置预测模块预测所有组件的位置;使用组件特征提取模块融合组件表观特征与组件几何特征生成组件联合特征;使用组件几何结构重建模块根据组件联合特征重建组件的几何形状;最后将所有组件按其位置信息组装成高分辨率的三维物体.实验使用ShapeNet数据集在一个拥有12 GB内存的NVIDIA 1080 Maxwell GPU上进行.对比方法包括一个基于八叉树的高分辨率重建方法、一个基于LSTM的低分辨率重建方法和一个使用编码器-解码器架构的Baseline方法.高分辨率重建结果显示,组件感知的三维物体重建方法能够以较小的计算代价取得满意的高分辨率三维物体重建精度.在低分辨率重建实验上,该方法也取得了更高的重建精度,在13个类别上的平均精度达到了0.618.