-
题名基于多尺度特征损失函数的图像超分辨率重建
被引量：10
- 1
-
-
作者
徐亮
符冉迪
金炜
唐彪
王尚丽
-
机构
宁波大学信息科学与工程学院
-
出处
《光电工程》
CAS
CSCD
北大核心
2019年第11期1-9,共9页
-
基金
国家自然科学基金资助项目(61471212)
浙江省自然科学基金资助项目(LY16F010001)~~
-
文摘
在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。
-
关键词
图像超分辨率重建
稠密卷积神经网络
多尺度特征损失函数
深度学习
-
Keywords
image super-resolution reconstruction
densely connected convolutional neural networks
multi-scale feature loss function
deep learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名线性注意力机制优化的光学与SAR影像匹配方法
- 2
-
-
作者
何巧
-
机构
广州城市职业学院
-
出处
《遥感信息》
CSCD
北大核心
2024年第5期171-178,共8页
-
文摘
针对光学与SAR影像间存在非线性辐射畸变导致匹配正确率低的问题,提出线性注意力机制优化的光学与SAR影像匹配方法。该方法利用SuperPoint的描述分支将融合像素级的梯度方向直方图特征进行特征图维度重构,在维度层面增强特征的语义识别能力;在特征匹配阶段,利用线性注意力机制对SuperGlue算法进行优化,同时采用单样本分类准确性约束、全样本全局一致性约束以及局部范围结构一致等多种约束,构建多尺度损失函数进行训练,增强不同尺度下错误匹配的特征区分。利用6组光学与SAR遥感影像进行实验对比,结果表明,该方法相比HOPC、AWOG、CMM-Net及SuperGlue方法,匹配正确率、匹配效率均有较大提升。
-
关键词
影像匹配
灰度信息
特征融合
线性注意力机制
多尺度损失函数
-
Keywords
image matching
grayscale information
feature fusion
linear attention mechanism
multiscale loss function
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于增强生成器条件生成对抗网络的单幅图像去雾
被引量：7
- 3
-
-
作者
赵扬
李波
-
机构
武汉科技大学计算机科学与技术学院
-
出处
《计算机应用》
CSCD
北大核心
2021年第12期3686-3691,共6页
-
文摘
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。
-
关键词
深度学习
图像去雾
生成对抗网络
增强解码器
多尺度结构相似性损失函数
-
Keywords
deep learning
image dehazing
Generative Adversarial Network(GAN)
enhanced decoder
Multi-Scale Structural SIMilarity(MS-SSIM)loss function
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于混合注意力的全天候机场跑道异物检测
- 4
-
-
作者
张敬博
任杰
王美琪
-
机构
石家庄铁道大学机械工程学院
-
出处
《北京航空航天大学学报》
2025年第9期3222-3232,共11页
-
基金
国家自然科学基金(12102273)。
-
文摘
机场跑道的异物检测对于飞机安全起降起着至关重要的作用,然而不同光照、天气跑道环境下现有的检测算法存在漏检、误检等现象,为此提出了一种适用于全天候机场跑道环境的YOLOv5异物检测算法。针对原有网络中池化过程存在一定程度的特征损失问题,设计了跨阶段局部空间金字塔池化模块,可以自适应提取深层特征语义信息,增强网络多尺度表征能力;在特征融合部分引入混合注意力模块,利用通道和空间特征权值再分配,强化异物和无关背景要素的特征差异;针对小目标异物难以识别和定位从而导致漏检现象,设计了多尺度定位损失函数,通过加入相似性度量提高小目标的检测能力;使用优化后的训练策略训练MS-FOD数据集。实验结果表明:改进的算法达到了95.83%的均值平均精度和94.31%的召回率,相比原始的YOLOv5分别提高了3.68%和15.69%,同时检测速度为68帧/s,满足实时性异物检测的需求,有效验证了所提算法对机场跑道异物检测的有效性。
-
关键词
机场跑道异物
YOLOv5
跨阶段局部结构
混合注意力机制
多尺度损失函数
-
Keywords
foreign object debris on airport runways
YOLOv5
cross stage partial structure
mixed attention mechanism
multiscale loss function
-
分类号
TP391.41
[自动化与计算机技术]
V328
[自动化与计算机技术—计算机应用技术]
-
