-
题名基于深度自监督学习的可微分半色调框架
- 1
-
-
作者
刘登峰
朱佳伟
徐昊
杜晓凯
柴志雷
-
机构
江南大学人工智能与计算机学院
康养智能化技术教育部工程研究中心
-
出处
《湖南大学学报(自然科学版)》
北大核心
2025年第8期23-32,共10页
-
基金
国家重点研发专项计划(2022YFE0112400)
国家自然科学基金资助项目(21706096)
“科技兴蒙”行动重点专项(NMKJXM202210)。
-
文摘
针对当前数字半色调算法处理速度慢以及半色调效果不佳的局限性,提出一种基于数据驱动的半色调框架.通过引入Gumbel-Softmax重参数化策略解决半色调离散选择带来的不可微分问题,实现了网络反向传播过程中的梯度无偏估计.为进一步强化半色调图像的效果,设计出一种新型蓝噪声损失函数,对半色调网点的分布予以优化.同时,提出区域置信度聚合模块,通过结合像素的空间相关性,使网络在训练过程中更加注重像素之间的交互信息.基于以上策略,通过优化半色调质量评估的期望值,构建了一个不需要标签引导的自监督可微分半色调处理框架.实验结果表明,所提出的方法不需要图像标签,能够在保持较高处理速度和较低参数复杂度的前提下,生成高质量的半色调图像,有效保留图像的局部结构信息和纹理细节.并且,该框架可灵活扩展至多级半色调处理,以适应多级打印喷头的需求.
-
关键词
半色调
深度学习
梯度估计
蓝噪声特性
-
Keywords
halftoning
deep learning
gradient estimation
blue noise characteristics
-
分类号
TP314
[自动化与计算机技术—计算机软件与理论]
-
-
题名对抗生成式的多敏感属性数据去偏方法
- 2
-
-
作者
王文鹏
葛洪伟
李婷
-
机构
康养智能化技术教育部工程研究中心(江南大学)
江南大学人工智能与计算机学院
-
出处
《计算机科学》
北大核心
2025年第11期90-97,共8页
-
基金
国家自然科学基金(61806006)。
-
文摘
针对消除数据中敏感属性与非敏感属性之间的相关性、减轻实现公平性对模型准确性的损失以及多敏感属性去偏的问题,提出一种对抗生成式的多敏感属性数据去偏方法。在多敏感属性去偏问题上,该方法通过多个敏感属性的组合值来划分群组,并通过消除各群组与多敏感属性组合的相关性来提升各群组预测结果的公平性。在消除数据中敏感属性与非敏感属性之间的相关性问题上,采用自编码器与预测敏感属性的网络进行对抗式训练,这种训练机制能够深入挖掘并消除群组中潜藏的与敏感属性相关的信息,从而在保留数据有用性的同时,显著降低偏见。在减轻实现公平性对模型准确性损失,最大化准确性与公平性之间平衡的问题上,通过引入预测网络,并利用其损失函数作为约束,优化编码器的信息提取能力,确保在数据编码过程中能够更精准地捕捉关键信息,避免数据在去偏过程中过度牺牲模型的预测性能。在3个真实数据集上进行数据去偏实验,将经编码器编码的数据应用于逻辑回归模型,公平性提升50.5%~84%,验证了该数据去偏方法的有效性。综合考虑公平性、准确性以及公平性与准确性的平衡,该去偏方法优于其他去偏算法。
-
关键词
数据去偏
机器学习
对抗学习
自编码器
-
Keywords
Data depolarization
Machine learning
Adversarial learning
Auto-encoder
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于轻量残差网络的高效半色调算法
- 3
-
-
作者
刘登峰
陈世海
郭文静
柴志雷
-
机构
江南大学人工智能与计算机学院
康养智能化技术教育部工程研究中心
-
出处
《浙江大学学报(工学版)》
北大核心
2025年第1期62-69,212,共9页
-
基金
国家重点研发专项计划资助项目(2022YFE0112400)
国家自然科学基金青年项目(21706096)
+2 种基金
第62批中国博士后科学基金资助项目(2017M621627)
江苏省博士后科研项目(1601009A)
江苏省自然科学基金青年项目(BK20160162).
-
文摘
为了解决图像半色调中处理速度慢以及半色调效果不佳的问题,提出基于轻量型残差卷积神经网络(CNN)的高效半色调算法.为了解决原始CNN平坦性退化问题,引入噪声补偿块,为模型提供抖动依赖.为了进一步提升模型性能,在损失函数中引入蓝噪声损失;在半色调常值灰度图像时,抑制低频分量,优化高频区域的各向异性.实验结果表明,对比现有深度半色调方法,所提算法的参数量下降96.77%,在VOC测试集中结构相似性(SSIM)提升8.17%,峰值信噪比(PSNR)提升0.1333 dB,半色调图像具有蓝噪声特性,处理速度提升57.28%.
-
关键词
残差网络
半色调
蓝噪声特性
深度学习
模型轻量化
-
Keywords
residual network
halftone
blue noise characteristic
deep learning
model lightweight
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于内容引导注意力的车道线检测网络
- 4
-
-
作者
刘登峰
郭文静
陈世海
-
机构
江南大学人工智能与计算机学院
康养智能化技术教育部工程研究中心
西南财经大学天府学院智能科技学院
-
出处
《浙江大学学报(工学版)》
北大核心
2025年第3期451-459,共9页
-
基金
国家重点研发专项计划资助项目(2022YFE0112400)
国家自然科学基金青年项目(21706096)
+2 种基金
第62批中国博士后科学基金面上资助项目(2017M621627)
江苏省博士后科研资助项目(1601009A)
江苏省自然科学基金青年项目(BK20160162).
-
文摘
为了有效利用注意力机制以提高车道线检测的准确性,提出基于内容引导注意力的车道线检测网络(CGANet).通过设计内容引导注意力机制(CGA),增强捕捉上下文信息的能力,强调编码在特征中更有用的信息,从而削弱无关信息的影响.为了减轻尺度差异对模型性能的影响,提出均衡特征金字塔网络(BFPN),以实现多尺度特征的均衡融合.引入ROI(RegionofInterest)提取器,以解决无视觉线索问题.在损失函数中添加交叉熵损失作为辅助分类损失,激励模型生成更加清晰的概率分布.在多个车道线检测数据集上进行实验验证,结果表明,与跨层细化网络(CLRNet)算法相比,所提方法在CULane、Tusimple和CurveLanes数据集上的F1指标分别提升0.65、0.18和0.29个百分点.
-
关键词
无人驾驶技术
车道线检测
注意力机制
多尺度特征融合
交叉熵损失
-
Keywords
autonomous driving technology
lane detection
attention mechanism
multi-scale feature fusion
cross-entropy loss
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
