-
题名基于双重注意力残差网络的偏振图像超分辨率重建
被引量：4
- 1
-
-
作者
徐国明
王杰
马健
王勇
刘佳庆
李毅
-
机构
安徽大学互联网学院
安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心
陆军炮兵防空兵学院偏振光成像探测技术安徽省重点实验室
安徽文达信息工程学院智能技术研究所
-
出处
《光子学报》
EI
CAS
CSCD
北大核心
2022年第4期295-309,共15页
-
基金
国家自然科学基金(No.61906118)
安徽省自然科学基金(Nos.1908085MF208,2108085MF230)
陆军装备部十三五预研子课题,安徽省高校自然科学研究重点项目(No.KJ2019A0906)。
-
文摘
在利用深度学习进行偏振图像计算成像过程中,图像映射函数的解空间极大、空间分辨率一般较低,难以生成清晰的纹理细节且存在高频信息缺失等问题。为解决该问题,提出一种结合双注意力机制的深度残差偏振图像超分辨率网络。该网络由一个具有全局跳跃连接的残差网络组成,包含10个残差组,每个残差组包含20个具有局部跳跃连接的双重注意力块级联的残差块;同时考虑通道间的相互依赖性,设计自适应通道特征调整机制;引入级联的空间注意力块,将残差的特征更集中于关键的空间内容。将所提方法与Bicubic、SRCNN、FSRCNN、EDSR等方法进行对照实验与成像系统对比校正实验,结果表明该方法重建图像纹理细节更加丰富,亮度均匀,较为接近成像系统的高清图像,同时峰值信噪比和结构相似性指标优于其他方法但参数量仅约为EDSR的2/5。
-
关键词
计算成像
超分辨率
深度残差网络
偏振图像
双重注意力块
-
Keywords
Computational imaging
Super-resolution
Depth residual network
Polarization images
dual attention block
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于特征与区域定位增强的遥感舰船目标检测
被引量：7
- 2
-
-
作者
宋志娜
李莎
杨建明
徐川
-
机构
湖北工业大学计算机学院
火箭军指挥学院勤务保障系
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第8期257-264,共8页
-
基金
湖北工业大学博士启动基金(BSQD2020056)。
-
文摘
高分辨率遥感图像在海上监视、海上搜救、海上运输等军用和民用领域的舰船检测方面有着广泛的应用。然而高分辨率光学遥感图像舰船目标检测通常存在背景复杂、目标方向任意、尺度多变等问题,导致检测精度不高。提出一种基于特征和区域定位增强的旋转检测算法RetinaNet-MPD。通过添加一个多尺度特征融合模块,充分融合不同尺度、不同层级的特征信息,以增强不同尺度特征图的特征表示能力。针对复杂背景下的舰船目标检测,提出极化双重注意力网络,通过在注意力网络后加入极化函数,充分提取目标的关键特征,同时抑制不相关信息,以有效区分目标和背景。此外,为更准确地定位舰船目标,在对正负样本进行训练时采用一种动态锚学习方法,从而动态选择目标区域内具有良好定位潜力的高质量锚,提高舰船目标检测精度。实验结果表明,RetinaNet-MPD算法在DOTA舰船和HRSC2016数据集上的检测精度分别为89.3%和85.8%,相比现有旋转目标检测算法的检测精度有所提升。
-
关键词
高分辨率遥感图像
舰船目标检测
多尺度特征融合
极化双重注意力网络
动态锚学习
-
Keywords
high-resolution remote sensing imaging
ship target detection
multi-scale feature fusion
polarized dual attention network(pdanet)
Dynamic Anchor Learning(DAL)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
