图像异常检测旨在识别并定位图像中的异常区域,针对现有算法中不同层次特征信息利用不充分的问题,提出了基于多层次特征融合网络的图像异常检测算法。通过使用融合了异常先验知识的伪异常数据生成算法,对训练集进行了异常数据扩充,将异...图像异常检测旨在识别并定位图像中的异常区域,针对现有算法中不同层次特征信息利用不充分的问题,提出了基于多层次特征融合网络的图像异常检测算法。通过使用融合了异常先验知识的伪异常数据生成算法,对训练集进行了异常数据扩充,将异常检测任务转化为监督学习任务;构建了多层次特征融合网络,将神经网络中不同层次特征进行融合,丰富了特征中的低层纹理信息和高层语义信息,使得用于异常检测的特征更具区分性;训练时,设计了分数约束损失和一致性约束损失,并结合特征约束损失对整个网络模型进行训练。实验结果表明,MVTec数据集上图像级检测接收机工作特性曲线下面积(area under the receiver operating characteristic, AUROC)平均值为98.7%,像素级定位AUROC平均值为97.9%,每区域重叠率平均值为94.2%,均高于现有的异常检测算法。展开更多
针对海上低纹理、大视差图像拼接过程中由于误对齐产生的伪影问题,提出一种基于点线特征配准和最佳接缝线融合的几何结构保视差图像拼接算法。在传统的基于点特征求解单应变换的基础上引入线段特征,并将潜在的共面局部线段合并为全局线...针对海上低纹理、大视差图像拼接过程中由于误对齐产生的伪影问题,提出一种基于点线特征配准和最佳接缝线融合的几何结构保视差图像拼接算法。在传统的基于点特征求解单应变换的基础上引入线段特征,并将潜在的共面局部线段合并为全局线段,为接缝线融合提供精准对齐的条件;在图像融合过程中,利用tanh度量的颜色差异和梯度差异以及引入显著性检测权重来设计接缝切割方法的能量函数,引导最佳接缝线避开图像中显著海上结构,从而确保结构边缘的连续性;使用SIFT flow方法校正拼接缝上的错位像素,实现几何结构准确的海上图像拼接。在20对不同场景数据上的拼接实验表明,与基准方法相比,所提算法的基于SSIM的接缝质量误差平均降低了44.6%,最多降低66.7%,基于ZNCC(zero mean normalized cross-correlation)的接缝质量误差平均降低了24.7%,最多降低了51.6%,能够有效地避免伪影,从而得到观感自然的拼接结果,满足无人船航行过程中对宽视场的需求。展开更多
生成对抗网络常常被用于图像着色、语义合成、风格迁移等图像转换任务,但现阶段图像生成模型的训练往往依赖于大量配对的数据集,且只能实现两个图像域之间的转换。针对以上问题,提出了一种基于生成对抗网络的时尚内容和风格迁移模型(con...生成对抗网络常常被用于图像着色、语义合成、风格迁移等图像转换任务,但现阶段图像生成模型的训练往往依赖于大量配对的数据集,且只能实现两个图像域之间的转换。针对以上问题,提出了一种基于生成对抗网络的时尚内容和风格迁移模型(content and style transfer based on generative adversarial network,CS-GAN)。该模型利用对比学习框架最大化时尚单品与生成图像之间的互信息,可保证在时尚单品结构不变的前提下实现内容迁移;通过层一致性动态卷积方法,针对不同风格图像自适应地学习风格特征,实现时尚单品任意风格迁移,对输入的时尚单品进行内容特征(如颜色、纹理)和风格特征(如莫奈风、立体派)的融合,实现多个图像域的转换。在公开的时尚数据集上进行对比实验和结果分析,该方法与其他主流方法相比,在图像合成质量、Inception score和FID距离评价指标上均有所提升。展开更多
文摘图像异常检测旨在识别并定位图像中的异常区域,针对现有算法中不同层次特征信息利用不充分的问题,提出了基于多层次特征融合网络的图像异常检测算法。通过使用融合了异常先验知识的伪异常数据生成算法,对训练集进行了异常数据扩充,将异常检测任务转化为监督学习任务;构建了多层次特征融合网络,将神经网络中不同层次特征进行融合,丰富了特征中的低层纹理信息和高层语义信息,使得用于异常检测的特征更具区分性;训练时,设计了分数约束损失和一致性约束损失,并结合特征约束损失对整个网络模型进行训练。实验结果表明,MVTec数据集上图像级检测接收机工作特性曲线下面积(area under the receiver operating characteristic, AUROC)平均值为98.7%,像素级定位AUROC平均值为97.9%,每区域重叠率平均值为94.2%,均高于现有的异常检测算法。
文摘针对海上低纹理、大视差图像拼接过程中由于误对齐产生的伪影问题,提出一种基于点线特征配准和最佳接缝线融合的几何结构保视差图像拼接算法。在传统的基于点特征求解单应变换的基础上引入线段特征,并将潜在的共面局部线段合并为全局线段,为接缝线融合提供精准对齐的条件;在图像融合过程中,利用tanh度量的颜色差异和梯度差异以及引入显著性检测权重来设计接缝切割方法的能量函数,引导最佳接缝线避开图像中显著海上结构,从而确保结构边缘的连续性;使用SIFT flow方法校正拼接缝上的错位像素,实现几何结构准确的海上图像拼接。在20对不同场景数据上的拼接实验表明,与基准方法相比,所提算法的基于SSIM的接缝质量误差平均降低了44.6%,最多降低66.7%,基于ZNCC(zero mean normalized cross-correlation)的接缝质量误差平均降低了24.7%,最多降低了51.6%,能够有效地避免伪影,从而得到观感自然的拼接结果,满足无人船航行过程中对宽视场的需求。
文摘生成对抗网络常常被用于图像着色、语义合成、风格迁移等图像转换任务,但现阶段图像生成模型的训练往往依赖于大量配对的数据集,且只能实现两个图像域之间的转换。针对以上问题,提出了一种基于生成对抗网络的时尚内容和风格迁移模型(content and style transfer based on generative adversarial network,CS-GAN)。该模型利用对比学习框架最大化时尚单品与生成图像之间的互信息,可保证在时尚单品结构不变的前提下实现内容迁移;通过层一致性动态卷积方法,针对不同风格图像自适应地学习风格特征,实现时尚单品任意风格迁移,对输入的时尚单品进行内容特征(如颜色、纹理)和风格特征(如莫奈风、立体派)的融合,实现多个图像域的转换。在公开的时尚数据集上进行对比实验和结果分析,该方法与其他主流方法相比,在图像合成质量、Inception score和FID距离评价指标上均有所提升。
