低照度图像的亮度、噪声和对比度等具有非均匀分布的特性,然而现有的低照度图像增强(LLIE)算法未能充分利用这些特性,在增强过程中容易导致细节丢失、颜色失真和视觉不连贯等问题,从而影响图像的视觉质量。针对上述问题,提出噪声与语义...低照度图像的亮度、噪声和对比度等具有非均匀分布的特性,然而现有的低照度图像增强(LLIE)算法未能充分利用这些特性,在增强过程中容易导致细节丢失、颜色失真和视觉不连贯等问题,从而影响图像的视觉质量。针对上述问题,提出噪声与语义先验引导的LLIE算法,以自适应地考虑低照度图像中不同区域的特性及其语义信息。具体来说,设计一种新的基于图像块分类的全局特征提取网络(ICGFE)提取全局特征,引入基于信息补偿的局部特征提取网络(ICLFE)提取局部特征,并提出基于噪声先验引导的特征融合策略对具有不同特性的图像区域进行自适应增强操作;此外,提出新的语义先验引导的颜色损失函数保持实例颜色的一致性。在公开数据集LOL(LOw-Light dataset)上的实验结果表明,所提算法相较于Retinex和DeepUPE(Underexposed Photo Enhancement using Deep illumination estimation)等算法,峰值信噪比(PSNR)提高了1.9%~89.1%,结构相似性(SSIM)也取得了较好的结果。可见,所提算法能自适应增强具有不同特性的图像区域,并且在颜色恢复、细节纹理还原和噪声抑制等方面均具有明显优势。展开更多
伪装目标与背景具有高度的相似性,极易受背景特征混淆,导致边界信息难以分辨且提取目标特征困难。目前主流的伪装目标检测(COD)算法主要针对性研究伪装目标本身及其边界行,忽略了图像背景与目标的相互关系,在复杂场景下的检测结果不理...伪装目标与背景具有高度的相似性,极易受背景特征混淆,导致边界信息难以分辨且提取目标特征困难。目前主流的伪装目标检测(COD)算法主要针对性研究伪装目标本身及其边界行,忽略了图像背景与目标的相互关系,在复杂场景下的检测结果不理想。为了探索背景和目标的潜在联系,提出一种通过挖掘边界和背景检测伪装目标的算法——I2DNet(Indirect to Direct Network)。该算法由5个部分组成:编码器,处理初始原始数据;边界指导的特征提取和挖掘框架,通过特征处理和特征挖掘提取更多精细的边界特征;背景引导的潜在特征学习框架,通过多尺度卷积探索更多的显著特征,同时基于注意力设计混合注意力模块(HAM),增强对背景特征的强化选择;信息补偿模块(ISM),弥补在特征处理过程中损失的细节信息;多任务协同分割解码器(MCD)则高效融合不同任务和模块提取的特征,并输出最终的预测结果。在广泛使用的3个数据集上的实验结果表明,所提算法优于其他15个先进模型,尤其在CAMO数据集上的平均绝对误差指标下降至0.042。展开更多
为解决现有时间序列模型未能充分融合局部和全局依赖的问题,提出一种融合局部和全局相关性的多变量时间序列预测方法PatchLG(Patch-integrated Local-Global correlation method)。该方法基于3个关键部分:1)将时间序列划分为多个子序列(...为解决现有时间序列模型未能充分融合局部和全局依赖的问题,提出一种融合局部和全局相关性的多变量时间序列预测方法PatchLG(Patch-integrated Local-Global correlation method)。该方法基于3个关键部分:1)将时间序列划分为多个子序列(Patch),在保持时间序列的局部性的同时使模型更易于提取全局依赖;2)使用深度可分离卷积和自注意力机制建模局部和全局相关性;3)将时间序列分解为趋势项与季节项2个部分同时进行预测,并将预测结果组合起来得到最终预测结果。在7个基准数据集上的实验结果表明,PatchLG相较于最优基线方法PatchTST(Patch Time Series Transformer)在均方误差(MSE)和平均绝对误差(MAE)2个指标上平均改进量为3.0%和2.9%,同时具有较短的实际运行时间和较低的内存消耗,验证了PatchLG在时间序列预测中的有效性。展开更多
文摘低照度图像的亮度、噪声和对比度等具有非均匀分布的特性,然而现有的低照度图像增强(LLIE)算法未能充分利用这些特性,在增强过程中容易导致细节丢失、颜色失真和视觉不连贯等问题,从而影响图像的视觉质量。针对上述问题,提出噪声与语义先验引导的LLIE算法,以自适应地考虑低照度图像中不同区域的特性及其语义信息。具体来说,设计一种新的基于图像块分类的全局特征提取网络(ICGFE)提取全局特征,引入基于信息补偿的局部特征提取网络(ICLFE)提取局部特征,并提出基于噪声先验引导的特征融合策略对具有不同特性的图像区域进行自适应增强操作;此外,提出新的语义先验引导的颜色损失函数保持实例颜色的一致性。在公开数据集LOL(LOw-Light dataset)上的实验结果表明,所提算法相较于Retinex和DeepUPE(Underexposed Photo Enhancement using Deep illumination estimation)等算法,峰值信噪比(PSNR)提高了1.9%~89.1%,结构相似性(SSIM)也取得了较好的结果。可见,所提算法能自适应增强具有不同特性的图像区域,并且在颜色恢复、细节纹理还原和噪声抑制等方面均具有明显优势。
文摘伪装目标与背景具有高度的相似性,极易受背景特征混淆,导致边界信息难以分辨且提取目标特征困难。目前主流的伪装目标检测(COD)算法主要针对性研究伪装目标本身及其边界行,忽略了图像背景与目标的相互关系,在复杂场景下的检测结果不理想。为了探索背景和目标的潜在联系,提出一种通过挖掘边界和背景检测伪装目标的算法——I2DNet(Indirect to Direct Network)。该算法由5个部分组成:编码器,处理初始原始数据;边界指导的特征提取和挖掘框架,通过特征处理和特征挖掘提取更多精细的边界特征;背景引导的潜在特征学习框架,通过多尺度卷积探索更多的显著特征,同时基于注意力设计混合注意力模块(HAM),增强对背景特征的强化选择;信息补偿模块(ISM),弥补在特征处理过程中损失的细节信息;多任务协同分割解码器(MCD)则高效融合不同任务和模块提取的特征,并输出最终的预测结果。在广泛使用的3个数据集上的实验结果表明,所提算法优于其他15个先进模型,尤其在CAMO数据集上的平均绝对误差指标下降至0.042。
文摘为解决现有时间序列模型未能充分融合局部和全局依赖的问题,提出一种融合局部和全局相关性的多变量时间序列预测方法PatchLG(Patch-integrated Local-Global correlation method)。该方法基于3个关键部分:1)将时间序列划分为多个子序列(Patch),在保持时间序列的局部性的同时使模型更易于提取全局依赖;2)使用深度可分离卷积和自注意力机制建模局部和全局相关性;3)将时间序列分解为趋势项与季节项2个部分同时进行预测,并将预测结果组合起来得到最终预测结果。在7个基准数据集上的实验结果表明,PatchLG相较于最优基线方法PatchTST(Patch Time Series Transformer)在均方误差(MSE)和平均绝对误差(MAE)2个指标上平均改进量为3.0%和2.9%,同时具有较短的实际运行时间和较低的内存消耗,验证了PatchLG在时间序列预测中的有效性。
