自适应图像组的稀疏正则化图像复原

基于图像组的稀疏正则化图像复原方法采用自适应的结构组字典来代替传统的基于整幅图像块的学习字典,既能够更好的学习局部特征又显著降低字典学习的时间复杂度;然而,因算法中的一些参数还未优化,使得算法复杂度还比较高。因此,本文提出了基于粗糙度的自适应图像组的稀疏正则化图像复原方法。首先,计算图像的全局粗糙度和局部粗糙度;然后,根据全局的粗糙度计算自适应调整正则化的迭代次数,根据局部的粗糙度调整学习字典所需的样本数;最后,将自适应调整出的参数应用于基于图像组的稀疏正则化的图像复原中。将本文所提出的方法应用到不同平滑度图像的去文字图像复原案例中,实验结果表明,在保证相近的复原效果下,能够大幅度提升效率,尤其在较为平滑的图像中能够达到接近30倍的加速比。     

一种基于级联神经网络的飞机检测方法

由于旋转角度多样性、极端的尺度差异的影响，遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题，目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂，模型占用空间大，难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度，本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略，通过级联两个网络的方式减少计算开销。为了评估方法的有效性，我们建立了一个针对飞机检测的遥感数据集。实验结果表明，该方法超越了VGG16等复杂的主干网络，达到了接近主流检测方法的性能表现，同时显著降低了参数量并使检测速度提高了2倍以上。     

行人检测技术综述

行人检测是计算机视觉中的研究热点和难点,本文对2005-2011这段时间内的行人检测技术中最核心的两个问题—特征提取、分类器与定位—的研究现状进行综述.文章中首先将这些问题的处理方法分为不同的类别,将行人特征分为底层特征、基于学习的特征和混合特征,分类与定位方法分为滑动窗口法和超越滑动窗口法,并从纵横两个方向对这些方法的优缺点进行分析和比较,然后总结了构建行人检测器在实现细节上的一些经验,最后对行人检测技术的未来进行展望.     

多特征融合与残差优化的点云语义分割方法

目的 当前的大场景3维点云语义分割方法一般是将大规模点云切成点云块再进行处理。然而在实际计算过程中,切割边界的几何特征容易被破坏,使得分割结果呈现明显的边界现象。因此,迫切需要以原始点云作为输入的高效深度学习网络模型,用于点云的语义分割。方法 为了解决该问题,提出基于多特征融合与残差优化的点云语义分割方法。网络通过一个多特征提取模块来提取每个点的几何结构特征以及语义特征,通过对特征的加权获取特征集合。在此基础上,引入注意力机制优化特征集合,构建特征聚合模块,聚合点云中最具辨别力的特征。最后在特征聚合模块中添加残差块,优化网络训练。最终网络的输出是每个点在数据集中各个类别的置信度。结果 本文提出的残差网络模型在S3DIS （Stanford Large-scale 3D Indoor Spaces Dataset）与户外场景点云分割数据集Semantic3D等2个数据集上与当前的主流算法进行了分割精度的对比。在S3DIS数据集中,本文算法在全局准确率以及平均准确率上均取得了较高精度,分别为87.2%,81.7%。在Semantic3D数据集上,本文算法在全局准确率和平均交并比上均取得了较高精度,分别为93.5%,74.0%,比GACNet （graph attention convolution network）分别高1.6%,3.2%。结论 实验结果验证了本文提出的残差优化网络在大规模点云语义分割的应用中,可以缓解深层次特征提取过程中梯度消失和网络过拟合现象并保持良好的分割性能。     

一种透视不变的图像匹配算法

针对ASIFT (Affine scale invariant feature transform) 算法存在的仿射采样策略、采样点离散设置等问题,提出了一种基于粒子群优化的图像透视不变特征PSIFT (Perspective scale invariant feature transform)算法. 该算法通过虚拟相机的透视采样来模拟景物在多视角图像中的变形. 在此基础上,将图像匹配问题转换为透视变换的优化问题,并以粒子群算法为工具,研究了虚拟相机旋转参数搜索空间、适应值函数的合理设定. 针对三组不同类型低空遥感图像的实验结果表明,该算法比ASIFT、SIFT (Scale invariant feature transform)、Harris affine和MSER (Maximally stable extremal regions)等算法获得更多的特征匹配对,有效地提高了算法对视角变化的鲁棒性.