-
题名一种多尺度循环残差注意的单幅图像去雨方法
- 1
-
-
作者
刘邱铃
周刚
乔敏
-
机构
新疆大学信息科学与工程学院信号检测与处理重点实验室
-
出处
《计算机应用与软件》
北大核心
2025年第2期236-240,279,共6页
-
基金
国家自然科学基金项目(61603323,U1803261)
新疆维吾尔自治区自然科学基金项目(2021D01C057)。
-
文摘
目前基于卷积神经网络的去雨方法,存在雨纹残留、图像模糊等问题。为此提出一种基于多尺度特征提取和循环残差注意的单幅图像去雨方法。通过构建多尺度拉普拉斯金字塔得到多尺度特征图,再设计循环残差注意模块加强阶段间联系、提取深度特征、增强重要特征权重,更好地去除雨纹并保留了图像细节。实验结果表明,该方法的去雨效果优于其他去雨算法。
-
关键词
卷积神经网络
单幅图像去雨
多层拉普拉斯金字塔
多尺度特征图
循环残差注意模块
-
Keywords
Convolutional neural network
Single image deraining
Multi-layer Laplacian pyramid
Multi-scale feature map
Recurrent residual attention module
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名特殊天气条件下的目标检测方法综述
被引量：4
- 2
-
-
作者
林猛
周刚
杨亚伟
石军
-
机构
新疆大学信息科学与工程学院信号检测与处理重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2022年第13期36-47,共12页
-
基金
国家自然科学基金(62166040,61603323,U1803261)
新疆自治区自然科学基金(2021D01C057)。
-
文摘
在深度学习的推动下,目标检测方法在近些年取得了很大的进展。但在特殊天气条件下,如在常见的雾霾、沙尘、雨天、雪天等天气条件下拍摄到的图像会退化模糊,难以提取有效特征,从而对后期的目标检测带来巨大的困难。对近年来国内外学者在特殊天气下目标检测的研究进行了总结归纳,从相关数据集的建立和用途、面向特殊天气条件下的图像恢复算法研究及其对目标检测任务的影响、迁移学习中的领域自适应方法在目标检测的应用三个方面进行分析。对相关方法的实验结果进行综合比较,并提出今后的研究重点。
-
关键词
深度学习
目标检测
特殊天气
图像恢复
迁移学习
-
Keywords
deep learning
object detection
adverse weather
image restoration
domain adaptation
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名深度学习在安全帽佩戴检测中的应用研究综述
被引量：21
- 3
-
-
作者
高腾
张先武
李柏
-
机构
新疆大学信息科学与工程学院信号检测与处理重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第6期13-29,共17页
-
基金
新疆维吾尔自治区自然科学基金面上项目(2022D01C61)
新疆维吾尔自治区“天池博士计划”项目(TCBS202046)。
-
文摘
在深度学习的推动下,目标检测方法在工业安防领域取得了很大的进展,安全帽佩戴检测任务逐渐成为智能图像识别领域的一项重要研究课题。为了综合分析深度学习技术在安全帽佩戴检测任务中的研究现状,方便后续科研人员开展研究性工作。对近年来国内外学者在深度学习环境下的安全帽佩戴检测算法总结归纳,对比分析这些方法的优点和局限性。分别从数据集的建立和用途、安全帽佩戴检测主要检测算法归纳、当前安全帽佩戴检测领域的难点这三个方面进行分析。对安全帽佩戴检测领域未来的研究方向进行展望,并提出该领域今后研究重点。
-
关键词
深度学习
目标检测
安全帽佩戴检测
工业安防
-
Keywords
deep learning
object detection
wearing safety helmet detection
industrial security
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名面向嵌入式系统的图像实时去雾方法
被引量：1
- 4
-
-
作者
杨亚伟
周刚
林猛
石军
贾振红
-
机构
新疆大学信息科学与工程学院信号检测与处理重点实验室
-
出处
《激光杂志》
CAS
北大核心
2023年第9期80-84,共5页
-
基金
国家自然科学基金(No.62166040,61603323,U1803261,62261053)
新疆自然科学基金(No.2021D01C057)。
-
文摘
近些年来,深度学习方法快速兴起,卷积神经网络技术被应用于图像去雾领域,去雾效果得到了进一步提升。但也面临着计算量大,无法在嵌入式设备中达到实时性的问题。为增强嵌入式设备的去雾效率,通过优化网络结构和剪枝算法压缩网络模型,设计出一种面向嵌入式系统的图像实时去雾网络,最后将模型部署在嵌入式系统中。实验结果表明,该方法在不降低去雾效果的前提下,模型大小压缩83%,处理速度提高70%,达到40帧/s,在嵌入式系统中实现了实时去雾。与目标检测网络YOLO-FASTEST联调,在雾天情况下的平均检测精度提高近3%,检测速度达到近5帧/s。
-
关键词
深度学习
实时去雾
嵌入式系统
剪枝算法
目标检测
-
Keywords
deep learning
real-time defogging
embedded system
pruning algorithm
target detection
-
分类号
TN911
[电子电信—通信与信息系统]
-
