-
题名基于改进残差网络的运动目标模糊图像复原方法
被引量：1
- 1
-
-
作者
孙灵
-
机构
太原科技大学
-
出处
《现代电子技术》
北大核心
2024年第15期86-90,共5页
-
文摘
传统的残差网络在复原运动目标模糊图像时,在模糊程度较严重的情况下,存在特征提取不充分、噪声干扰等问题,导致恢复出的图像无法完全达到原始图像的清晰度和细节。对此,提出基于改进残差网络的运动目标模糊图像复原方法。对采集到的运动目标模糊图像,采用多损失函数融合方法改进传统残差块结构,构建编码器-解码器网络训练结构,训练损失函数,提升网络的特征学习能力。通过完成训练的网络,输出运动目标模糊图像复原结果。实验结果表明,该方法复原运动目标模糊图像的峰值信噪比高于30 dB,结构相似性高于0.9。
-
关键词
改进残差网络
运动目标
多损失函数融合
模糊图像
编辑器-解码器网络
复原方法
-
Keywords
improved residual network
moving object
multi loss function fusion
blurred image
encoder-decoder network
restoration method
-
分类号
TN911.73-34
[电子电信—通信与信息系统]
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于姿势估计和特征融合的行人重识别算法
- 2
-
-
作者
姬晓飞
赵帅
宋京浩
崔童
-
机构
沈阳航空航天大学自动化学院
沈阳航空航天大学人工智能学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2024年第4期187-194,共8页
-
基金
辽宁省教育厅重点攻关项目(LJKZZ20220033)资助。
-
文摘
行人重识别在交通管理、寻找走失人口等范畴用途较广。现有算法难以处理人体姿势改变、遮挡和特征不对齐的问题,提出一种姿势引导和特征融合的行人重识别算法。所提出的算法包括3个分支,包括全局分支、基于姿势估计引导的全局分支、局部对齐分支。全局分支提取行人的全局特征,可以捕捉行人的粗粒度信息以及整体的上下文关系。基于姿势估计引导的全局分支利用姿势估计网络引导模型关注行人的全局可见区域,降低遮挡物对行人识别的干扰。局部对齐分支利用姿势估计算法构成对齐的局部特征,同时区分可见的局部区域,以降低遮挡以及姿势变化的影响。通过多分支结构,将局部特征和全局特征融合,以加强特征的多元化,增强模型的鲁棒性。最终,利用交叉熵和软边界三元损失进行模型训练。Market-1501和DukeMTMC-ReID数据集上的测试结果效验了所提算法的可行性,其间,DukeMTMC-ReID数据集的Rank-1、mAP各达成了91.2%、81.8%,具有较佳的实用性。
-
关键词
行人重识别
深度学习
多损失函数
行人遮挡
-
Keywords
person re-identification
deep learning
multi-loss functions
person occlusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于注意力机制与多尺度特征融合的行人重识别方法
被引量：14
- 3
-
-
作者
宋晓茹
杨佳
高嵩
陈超波
宋爽
-
机构
西安工业大学电子信息工程学院
-
出处
《科学技术与工程》
北大核心
2022年第4期1526-1533,共8页
-
基金
陕西省重点研发计划(2021GY-287)
西安工业大学大学生创新创业训练计划项目(18040101128)。
-
文摘
针对行人重识别中因遮挡、姿态变化使模型特征无法充分表达行人信息的问题,提出了基于注意力机制与多尺度特征融合的行人重识别方法。首先使用改进的骨干网络R-ResNet50提取图像特征;其次,抽取网络不同尺度的特征层嵌入注意力机制DANet,使模型更关注于重点信息;最后,对提取出的关键特征进行多尺度特征融合,实现特征间的优势互补,并使用联合交叉熵损失、难样本采样三元组损失和中心损失的多损失函数策略对网络模型进行训练。实验结果表明,所提方法在Market1501、DukeMTMC-ReID数据集上的首位命中率Rank-1和平均精度均值mAP分别达到了92.7%、80.4%和86.4%、71.0%,模型提取的特征更具有判别性,识别率更高。
-
关键词
行人重识别
注意力机制
多尺度特征融合
多损失函数策略
-
Keywords
person re-identification
attention mechanism
multi-scale feature fusion
multi-loss function strategy
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名加权特征融合的密集连接网络人脸识别算法
被引量：9
- 4
-
-
作者
王小玉
韩昌林
胡鑫豪
-
机构
哈尔滨理工大学计算机科学与技术学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2019年第7期1195-1205,共11页
-
基金
国家自然科学基金Nos.60572153,60972127
黑龙江省教育厅科学技术项目No.12541177~~
-
文摘
在非约束条件下人脸识别常受到表情变化、视角偏差、不同程度的遮挡和曝光等各种综合因素的影响;并且深度卷积神经网络几乎都存在参数过多,训练时梯度扩散或消失等问题。针对上述问题,提出了FuseNet网络模型。该模型有效地利用了人的眼睛、鼻子、嘴巴等局部特征信息,同时又包含面部轮廓等全局特征信息,并提出了多损失函数进一步缩小类内特征差距和扩大类间特征距离,有效地增强了非约束条件下人脸识别的鲁棒性。通过使用加权密集连接卷积神经网络来提取人脸的全局特征,密集连接模块可有效地解决深层网络所引起的参数冗余以及梯度扩散等问题。不同的连接权值使得网络能够充分地利用各部分特征。实验结果表明,无论是在闭集的CASIA-WebFace数据集上,还是开集的FLW数据集、MegaFace数据集上,提出的FuseNet网络都具有较好的识别率和泛化能力。
-
关键词
人脸识别
加权密集连接
加权特征融合
多损失函数
-
Keywords
face recognition
weighted densely connected
weighted feature fusion
multi-loss function
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于通道特征融合的水下图像轻量增强网络
被引量：1
- 5
-
-
作者
杨羽翼
陈亮
张剑
郭慧慧
-
机构
湖南科技大学信息与电气工程学院
-
出处
《探测与控制学报》
CSCD
北大核心
2022年第6期102-110,共9页
-
基金
国家自然科学基金(62271199)
湖南省自然科学基金项目(2020JJ5170)
湖南省教育厅资助科研项目(18A195)。
-
文摘
针对水下探测机器人在视觉感知过程中由于图像退化容易造成辨识困难的问题,提出基于通道特征融合的水下图像轻量化增强网络。通过构建基于通道注意力模块的随机残差结构,并设计通道混洗模块,实现原图像与图像各层特征的细节融合;采用基于倒残差卷积的通道评分模块,通过通道之间的回归分离,提升网络对图像的增强效果;最后,网络以水下图像在颜色、局部特性等方向的增强为目标,设计包括高斯均方损失、结构性相似损失与感知损失等在内的网络损失函数,完成图像增强训练。通过对真实水下环境数据进行实验验证,算法在水下颜色色偏有更好的适应性,增强效果在细节保留上处理更优,模型参数更少,推理速度更快,更适合小型水下探测机器人的应用部署。
-
关键词
水下图像增强
轻量网络
通道特征融合
多损失函数
颜色通道评分
-
Keywords
underwater image enhancement
lightweight network
channel feature fusion
multiple loss function
color channel scoring
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名面向特征融合的图像多窜改检测与定位算法
- 6
-
-
作者
兰萍
李燕
-
机构
甘肃政法大学网络空间安全学院
-
出处
《计算机应用研究》
CSCD
北大核心
2022年第12期3791-3796,共6页
-
基金
甘肃省自然科学基金资助项目(20JR10RA334,21JR7RA570)
2021年陇原青年创新创业人才项目(2021LQGR20)
甘肃政法大学校级创新项目(GZF2020XZD18,jbzxyb2018-01)。
-
文摘
现有的图像窜改检测方法大多只针对某一种窜改方式,且存在窜改区域边界检测精度不高的问题,对此,提出了一种基于U型网络的双流编码器—解码器架构的图像窜改检测方法。首先利用编码器与解码器之间跳跃连接的方式来融合窜改图像中的低级和高级特征,并使用空洞卷积和CBAM注意力机制对编码器输出的特征进行融合,使得网络对不同尺度大小的窜改区域都有较好的定位性能;其次为了提高网络对窜改区域的边界检测精度,使用图像形态学方法制作了窜改边界数据集;最后使用多损失函数来同时优化网络的性能,即采用交叉熵和均方根损失函数来分别度量预测图的窜改区域损失和窜改边界损失。在CASIA、Columbia、NIST16、Coverage四个公开数据集上的实验结果表明,所提方法可以有效地检测出拼接和复制—粘贴两种窜改方式所伪造图像的窜改区域,输出像素级别的窜改区域定位图,且与其他主流窜改检测方法相比,所提方法在CASIA和Columbia数据集上的AUC值达到最高,在Columbia数据集上的F 1值达到最高。
-
关键词
多窜改检测
边界定位
注意力机制
空洞卷积
多损失函数
-
Keywords
multiple tampering detection
boundary localization
attention mechanism
atrous convolution
multiple loss functions
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
