传统伪装效果评估方法仅关注图像底层特征,特征提取依赖于先验知识,导致其鲁棒性较低、迁移性较差、检测性能欠佳。YOLO系列网络模型的引入虽提升了评估效率,但准确性仍有待提升。针对这些问题,提出了基于孪生多尺度特征和注意力机制的...传统伪装效果评估方法仅关注图像底层特征,特征提取依赖于先验知识,导致其鲁棒性较低、迁移性较差、检测性能欠佳。YOLO系列网络模型的引入虽提升了评估效率,但准确性仍有待提升。针对这些问题,提出了基于孪生多尺度特征和注意力机制的迷彩伪装效果评估模型SMANet(Siamese multiscale features and attention network)。通过基于特征融合与边缘检测的模型F2-EDNet(feature fusion and edge detection net)的主干网络,提取伪装目标及其所处背景的多尺度上下文特征信息,并引入基于注意力机制的相似度预测模块,模拟人眼观察事物的注意力行为,细化了图像特征信息,进一步提升了模型对有效特征的敏感度。实验结果表明,SMANet模型准确率、精确率以及召回率分别达到80%、75%和80%,相比传统的和基于YOLO模型的伪装效果评估方法,更接近人眼视觉的真实感知。展开更多
针对传统图像超分辨重建技术中存在的特征丢失和缺乏高频细节的问题,在生成对抗网络的基础上结合注意力机制对网络进行改进.生成网络中通过多尺度残差注意力模块,学习不同尺度的图像特征,增强对图像高频细节的学习;再通过整体注意力模块...针对传统图像超分辨重建技术中存在的特征丢失和缺乏高频细节的问题,在生成对抗网络的基础上结合注意力机制对网络进行改进.生成网络中通过多尺度残差注意力模块,学习不同尺度的图像特征,增强对图像高频细节的学习;再通过整体注意力模块,进一步捕获更多的信息特征,提高网络对图像细节的还原能力,用于最终重建.判别网络中使用非对称卷积替代传统卷积,减少参数计算量;并引入自注意力机制更精确地获取图像全局信息,提高网络重建性能.实验结果表明,重建后图像和原始图像相比具有更多的高频纹理细节,与7种常见的图像超分辨方法相比,PSNR(Picture Signal to Noise Ratio)平均提升约2.43 dB,SSIM(Structural Similarity Image Measurement)平均提升约0.1.展开更多
文摘传统伪装效果评估方法仅关注图像底层特征,特征提取依赖于先验知识,导致其鲁棒性较低、迁移性较差、检测性能欠佳。YOLO系列网络模型的引入虽提升了评估效率,但准确性仍有待提升。针对这些问题,提出了基于孪生多尺度特征和注意力机制的迷彩伪装效果评估模型SMANet(Siamese multiscale features and attention network)。通过基于特征融合与边缘检测的模型F2-EDNet(feature fusion and edge detection net)的主干网络,提取伪装目标及其所处背景的多尺度上下文特征信息,并引入基于注意力机制的相似度预测模块,模拟人眼观察事物的注意力行为,细化了图像特征信息,进一步提升了模型对有效特征的敏感度。实验结果表明,SMANet模型准确率、精确率以及召回率分别达到80%、75%和80%,相比传统的和基于YOLO模型的伪装效果评估方法,更接近人眼视觉的真实感知。
文摘针对传统图像超分辨重建技术中存在的特征丢失和缺乏高频细节的问题,在生成对抗网络的基础上结合注意力机制对网络进行改进.生成网络中通过多尺度残差注意力模块,学习不同尺度的图像特征,增强对图像高频细节的学习;再通过整体注意力模块,进一步捕获更多的信息特征,提高网络对图像细节的还原能力,用于最终重建.判别网络中使用非对称卷积替代传统卷积,减少参数计算量;并引入自注意力机制更精确地获取图像全局信息,提高网络重建性能.实验结果表明,重建后图像和原始图像相比具有更多的高频纹理细节,与7种常见的图像超分辨方法相比,PSNR(Picture Signal to Noise Ratio)平均提升约2.43 dB,SSIM(Structural Similarity Image Measurement)平均提升约0.1.
文摘针对现有超分辨率(super-resolution)重建算法重建出的图像存在高频细节丢失、结构化失真的问题,结合多尺度混合注意力网络,给出一种新的重建算法。首先,设计了一种多尺度残差模块(multi-scale residual module,MRM),提取不同尺度信息的特征并进行融合来获取包含更多信息的浅层特征;其次,采用残差混合注意力模块(residual hybrid attention module,RHAM),依次沿着通道和空间2个不同的维度增强网络特征提取能力,进行自适应的特征优化,提高高频特征的复用;最后,通过重建模块对提取的特征进行增强,获取相应的高分辨率图像。在基准数据集上进行测试,实验结果表明:文中提出的算法相较主流图像SR算法,在放大尺度为2、3、4倍时峰值信噪比(peak signal to noise ratio,PSNR)平均提高了0.104、0.224、0.146 dB,结构相似性(structural similarity index measure,SSIM)平均提高了0.0349、0.0276、0.0181。该算法能更有效地利用原始图像信息,重建出的图像在边缘和纹理细节等方面有一定的提高。
