期刊文献+
共找到9篇文章
< 1 >
每页显示 20 50 100
基于密集残差连接U型网络的噪声图像超分辨率重建
1
作者 刘鹏南 李龙 +2 位作者 张紫豪 朱星光 程德强 《工矿自动化》 CSCD 北大核心 2024年第2期63-71,共9页
现有的图像超分辨率重建网络难以适用于煤矿井下噪声密集的应用场景,且多数网络通过增加深度提升性能会导致无法有效提取关键特征、高频信息丢失等问题。针对上述问题,提出了一种密集残差连接U型网络,用于对低分辨率噪声图像进行超分辨... 现有的图像超分辨率重建网络难以适用于煤矿井下噪声密集的应用场景,且多数网络通过增加深度提升性能会导致无法有效提取关键特征、高频信息丢失等问题。针对上述问题,提出了一种密集残差连接U型网络,用于对低分辨率噪声图像进行超分辨率重建。在特征提取路径中引入基于密集残差连接的去噪模块,通过密集连接的方式对图像特征进行充分提取,再利用残差学习的特点对低分辨率噪声图像进行有效去噪;在重建路径中引入残差特征注意力蒸馏模块,通过在残差块中融入增强特征注意力块,对不同空间的特征赋予不同的权重,加强网络对于图像关键特征的提取能力,同时减少图像细节特征在残差块中的损失,从而更好地恢复图像细节信息。在煤矿井下图像数据集及公共数据集上进行了对比实验,结果表明:在客观评价指标上,所提网络的结构相似度、图像感知相似度均优于对比网络,且在复杂度及运行速度上有着较好的均衡;在主观视觉效果上,所提网络重建的图像基本消除了原有图像噪声,有效恢复了图像的细节特征。 展开更多
关键词 噪声图像 超分辨率重建 密集残差连接 U型网络 去噪模块 残差特征注意力蒸馏模块
在线阅读 下载PDF
用于红外与可见光图像融合的注意力残差密集融合网络 被引量:10
2
作者 陈广秋 温奇璋 +2 位作者 尹文卿 段锦 黄丹丹 《电子测量与仪器学报》 CSCD 北大核心 2023年第8期182-193,共12页
为了解决当前红外与可见光图像融合算法中易出现场景信息缺失、目标区域细节模糊、融合图像不自然等问题,提出一种用于红外与可见光图像融合的注意力残差密集融合网络(ARDFusion)。本文整体架构是一种自编码器网络,首先,利用存在最大池... 为了解决当前红外与可见光图像融合算法中易出现场景信息缺失、目标区域细节模糊、融合图像不自然等问题,提出一种用于红外与可见光图像融合的注意力残差密集融合网络(ARDFusion)。本文整体架构是一种自编码器网络,首先,利用存在最大池化层的编码器对源图像进行多尺度特征提取,然后,利用注意力残差密集融合网络分别对多个尺度的特征图进行融合,网络中的残差密集块可以连续存储特征并且最大程度地保留各层特征信息,注意力机制可以突出目标信息并获取更多与目标、场景有关的细节信息。最后,将融合后的特征输入到解码器中,通过上采样和卷积层对特征进行重构,得到融合图像。本文提出了一种用于红外与可见光图像融合的注意力残差密集融合网络,实验结果表明,较已有文献的其他典型融合算法,具有较好的融合效果,能够更好地保留可见光图像中的光谱特性且红外目标显著,并在主观评价和客观评价方面都取得了较好的融合性能。 展开更多
关键词 红外与可见光图像融合 自编码器网络 残差密集连接 注意力机制 光谱特性
在线阅读 下载PDF
基于多分支特征融合的密集人群计数网络 被引量:2
3
作者 孙爽 何立风 +1 位作者 朱纷 张梦颖 《计算机工程与设计》 北大核心 2024年第3期814-821,共8页
针对人群计数任务中存在的多尺度变化、背景噪声等问题,提出一种基于多分支特征融合的人群计数网络。在网络前端设计一个双向特征融合路径,将网络深层的语义信息和浅层的空间细节信息进行反复提取融合,使用位置注意力机制和通道注意力... 针对人群计数任务中存在的多尺度变化、背景噪声等问题,提出一种基于多分支特征融合的人群计数网络。在网络前端设计一个双向特征融合路径,将网络深层的语义信息和浅层的空间细节信息进行反复提取融合,使用位置注意力机制和通道注意力机制增强网络对人群和背景之间的判别能力,生成高质量特征图;网络后端采用密集残差连接增强网络对人头连续的多尺度信息提取能力,得到最终的人群密度图。在ShanghaiTech、UCF_CC_50和UCF_QNRF数据集上分别进行的对比实验的结果表明,该模型的计数性能优于先前诸多方法,有着良好的计数精度。 展开更多
关键词 人群计数 多尺度变化 特征融合 注意力机制 密集残差连接 空洞卷积 密度图
在线阅读 下载PDF
基于条件生成对抗网络的低照度彩色图像增强算法 被引量:2
4
作者 王珏 洪敏轩 +3 位作者 夏叶桐 徐秀钰 孔筱芳 万敏杰 《红外与激光工程》 EI CSCD 北大核心 2024年第11期308-321,共14页
针对低照度条件下的彩色图像增强问题,提出一种基于条件生成对抗网络(Conditional Generative Adversarial Network,CGAN)的低照度图像增强算法。首先,设计了集成密集连接残差模块和注意力机制模块的生成器网络,更加关注低照度图像中的... 针对低照度条件下的彩色图像增强问题,提出一种基于条件生成对抗网络(Conditional Generative Adversarial Network,CGAN)的低照度图像增强算法。首先,设计了集成密集连接残差模块和注意力机制模块的生成器网络,更加关注低照度图像中的重要目标特征;然后,构建了基于选择性卷积核的判别器网络,使得判别器能够根据输入自适应地调整其感受野大小;接着,通过设计Prewitt边缘损失项和YUV色度损失项分别增强了网络模型对于图像边缘细节的提取能力和对图像色彩畸变的消除能力;最后,在LOL公开数据集上对文中算法分别进行了定性和定量测试。实验结果表明:与目前基于深度学习的低照度彩色图像增强算法相比,文中算法在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、结构相似度(Structure Similarity Index Measure,SSIM)和色差(Color Difference,CD)等指标上分别提升了32.7%、57.5%和48.45%,能够较好地克服低照度成像条件下的图像噪声与色偏干扰问题。 展开更多
关键词 密集连接残差 注意力机制 CGAN 低照度成像 彩色图像增强
在线阅读 下载PDF
联合门控注意力与残差密集Transformer的壁画修复算法
5
作者 刘仲民 刘洋 胡文瑾 《红外与激光工程》 2025年第8期283-296,共14页
针对敦煌壁画修复过程中存在的长程依赖关系建模不足、计算复杂度高,以及细节纹理失真和结构不连贯的问题,提出一种联合门控注意力与残差密集Transformer的壁画修复算法模型。首先,设计了一种聚焦线性注意力模块,通过泰勒展开式近似优... 针对敦煌壁画修复过程中存在的长程依赖关系建模不足、计算复杂度高,以及细节纹理失真和结构不连贯的问题,提出一种联合门控注意力与残差密集Transformer的壁画修复算法模型。首先,设计了一种聚焦线性注意力模块,通过泰勒展开式近似优化注意力机制中的指数运算,实现以较小的计算成本有效捕捉长程依赖关系;其次,在聚焦线性注意力中引入门控机制以关注空间与通道维度的有效特征信息,通过对掩码图的破损区域进行定位标记,避免无效信息干扰并保留细节纹理和结构的连续性;最后,在主干U-Net网络架构的中间层嵌入残差密集Transformer模块,通过残差密集连接获取多层级特征信息,确保不同层次之间的信息传递和保留细节纹理与结构。在敦煌壁画数据集上进行修复对比实验,结果表明该算法对于敦煌壁画细节修复和结构重建具有针对性,在结构连贯性和细节保真度上展现出显著优势,降低计算成本并有效捕捉像素间的长程依赖关系,主观评价更加接近真实以及客观评价指标均优于比较算法。 展开更多
关键词 敦煌壁画修复 聚焦注意力 门控机制 残差密集连接
在线阅读 下载PDF
基于增强网格网络的井下尘雾图像清晰化算法
6
作者 谷亚楠 李晴 +1 位作者 刘晨晨 张富凯 《工矿自动化》 CSCD 北大核心 2024年第10期120-127,159,共9页
针对目前井下尘雾图像清晰化算法存在的图像偏暗、细节丢失和过度增强等问题,提出一种基于增强网格网络的井下尘雾图像清晰化算法。该算法由前处理模块、主干模块和输出模块3个部分组成。前处理模块通过特征提取模块IRDB生成一组特征图... 针对目前井下尘雾图像清晰化算法存在的图像偏暗、细节丢失和过度增强等问题,提出一种基于增强网格网络的井下尘雾图像清晰化算法。该算法由前处理模块、主干模块和输出模块3个部分组成。前处理模块通过特征提取模块IRDB生成一组特征图,作为主干模块的输入,IRDB融合了Inception架构和密集残差连接模块(RDB)的优势,可在网络资源有限的情况下增加网络的深度和宽度,从而增强网络的表征能力、泛化能力及其对不同尺度尘雾的处理能力;主干模块采用网格网络进一步提取图像不同尺度的特征,并通过上采样和下采样实现特征图不同尺度的变换,为更好地捕捉图像中的细节信息,在网格网络中引入通道注意力机制。实验结果表明:IRDB数量为5时,网络模型的峰值信噪比(PSNR)、结构相似度指数(SSIM)和自然图像质量评价指标(NIQE)最好;从视觉效果上看,用所提算法清晰化处理后的图像细节信息更加丰富,色彩更加自然,具有良好的清晰度和对比度;在井下数据集上用所提算法处理后的图像PSNR、SSIM和NIQE分别为23.69,0.840 1,8.95,图像处理速度处于中等水平,整体性能优于DCP,AOD-Net等同类算法。 展开更多
关键词 井下尘雾图像 图像清晰化 基于网格网络 深度学习 多尺度特征提取 Inception架构 密集残差连接
在线阅读 下载PDF
基于深度神经网络的单幅图像盲去噪算法 被引量:6
7
作者 李晨 许雪 郭业才 《电子测量技术》 北大核心 2023年第21期183-192,共10页
针对大多去噪网络仅在合成噪声去噪任务上表现良好,且只从单一尺度上提取特征,不能够更好的重构出干净的图像等问题,本文提出了一种多尺度特征融合的真实噪声图像盲去噪算法。该算法的横向网络结构利用自适应密集残差块提取同一尺度的... 针对大多去噪网络仅在合成噪声去噪任务上表现良好,且只从单一尺度上提取特征,不能够更好的重构出干净的图像等问题,本文提出了一种多尺度特征融合的真实噪声图像盲去噪算法。该算法的横向网络结构利用自适应密集残差块提取同一尺度的丰富特征,并且有选择性的增强信息量大的特征,纵向网络结构利用金字塔层与编-解码器进一步获得不同的感受野,实现多尺度特征提取,横向同一尺度的特征与纵向不同尺度的特征充分融合更有利于噪声去除,保留图像的边缘细节。在真实噪声测试集(DND和SIDD)上对提出的网络进行评估,峰值信噪比(PSNR)分别为39.62和39.49,结构相似性(SSIM)分别为0.956和0.954。实验结果表明,本文提出的网络取得了更加优越的性能表现。 展开更多
关键词 卷积神经网络 真实噪声图像去噪 自适应密集连接残差 多尺度特征融合
在线阅读 下载PDF
基于DCResNet的SAR图像车辆目标识别 被引量:4
8
作者 王强 曹磊 +2 位作者 史润佳 杨非 蒋忠进 《雷达科学与技术》 北大核心 2021年第4期387-392,402,共7页
合成孔径雷达(SAR)图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络(ResNet)作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网... 合成孔径雷达(SAR)图像自动目标识别中,特征提取和目标分类是两个重要环节。残差网络(ResNet)作为一种较新的卷积神经网络,凭借其对目标特征的自适应学习能力,在SAR图像分类领域表现突出。本文在ResNet基础上,设计出了密集连接型残差网络(DCResNet),用于SAR图像目标识别。DCResNet在残差模块中增加了跳跃性连接的密度,不仅继承了ResNet的易学习的优点,还加强了特征的传播和利用率。除此之外,DCResNet采用平均池化的方式进行下采样,抑制了SAR图像中噪声对识别精度造成的影响。关于SAR图像目标识别的实验结果证明,本文提出的DCResNet与ResNet、AlexNet相比,不仅具有更快的收敛速度和推理速度,而且目标分类的准确率更高。 展开更多
关键词 SAR图像 深度学习 目标识别 残差网络 密集连接残差网络
在线阅读 下载PDF
基于半监督学习的单幅图像去雨算法 被引量:2
9
作者 邱永茹 姚光乐 +1 位作者 冯杰 崔昊宇 《计算机应用》 CSCD 北大核心 2022年第5期1577-1582,共6页
在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大... 在雨天采集的图像通常存在背景物体被雨纹遮挡、图像变形等影响图像质量的现象,对后续图像分析及应用造成严重影响。近年来,已经提出了许多基于深度学习的去雨算法并获得了较好的效果。由于真实雨图的无雨纹干净背景图采集非常困难,大多数算法都采用监督学习即在含有配对标签的合成雨图数据集上进行模型训练。由于合成雨图和真实雨图中雨纹的亮度、透明度、形状等存在巨大差异,基于监督学习的去雨算法对真实雨图的泛化能力普遍较差。为提高去雨模型对真实雨图的去雨效果,提出了一种基于半监督学习的单幅图像去雨算法。该算法在模型训练过程中加入合成雨图和真实雨图并最小化两个输入图像转换成的特征向量的一阶信息和二阶统计信息差异,使两者特征分布一致。同时,针对雨纹复杂多样的特点,引入多尺度网络以获取更丰富的图像特征,并提高模型性能。实验结果表明,所提算法在Rain100H合成雨图测试集上相较JDNet、Syn2Real等算法在峰值信噪比(PSNR)和结构相似度(SSIM)上分别至少提升了0.66 dB、0.01,在去除雨纹的同时能最大限度保留图像细节和颜色信息;并且由于减少了分布差异,该算法在真实雨图测试集上的去雨效果明显优于现有的JDNet、Syn2Real等去雨算法,具有较强的泛化能力。所提算法可以应用于现有的基于监督学习的去雨算法并显著提高其去雨效果,拥有较高的独立性。 展开更多
关键词 单幅图像去雨 半监督学习 多尺度网络 深度学习 密集残差连接
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部