基于改进深度神经网络的遥感影像语义分割

研究了基于深度学习的遥感图像语义分割问题,将建筑物作为遥感图像中的待分割目标,采用语义分割算法将建筑物提取出来.提出了一种改进的U-net网络,根据分割实际需求,保持网络对目标提取特征能力的前提下,将原U-net网络的卷积核数量适当减少,降低了网络参数数量和计算复杂度;增加了Batch Normalization层抑制过拟合问题;在上采样部分增加特征图的局部信息以优化网络对于细节的分割效果.使用公开的数据集INRIA Aerial Image Dataset来评估改进的U-net网络的实际效果,和原U-net相比,单张图片训练速度提升了8％,分割精度也明显提升,训练中的过拟合情况得到改善.证明了本文改进的U-net网络具有对遥感图像的语义分割任务的有效性和可行性.     

基于双支残差特征融合的图像去雾算法

针对现有的基于卷积神经网络去雾算法无法有效地去除真实雾图非均匀分布的雾霾问题,提出一种基于双支残差特征融合网络的端到端图像去雾算法.上下文空间域注意分支针对有雾图像的高频雾气区域进行像素注意,将空间域注意模块插入多尺度扩张卷积组,对雾霾特征的像素空间进行权重赋值;通道域注意编解码分支针对高频雾霾特征的通道方向进行注意,设置ResNet自编码结构并引入通道注意解码结构对不同通道特征图的权重进行赋值;特征融合模块采用自适应权重融合像素注意和通道注意的雾层特征信息,输出不均匀雾气残差层;将原始雾图和雾气残差层作差实现图像去雾,设计判别网络提高去雾图的视觉观感.采用真实雾气图像数据集NH-Haze进行评估,实验结果表明,所提算法对非均匀分布雾图的去雾视觉效果良好,在峰值信噪比和结构相似度评价上均优于对比算法.     

基于U-net++网络的弱光图像增强方法

弱光图像增强是计算机视觉中最具挑战性的任务之一,现有算法存在亮度不均、对比度低、颜色失真和噪声严重等问题.文中提出了一种基于改进U-net++网络实现更为自然的暗光增强网络框架.首先,输入弱光图像至改进U-net++网络,利用各层密集连接以增强不同层次图像特征的关联性;其次,把各层次图像特征融合后输入卷积网络层进行细节重建.实验结果证明,该方法在提高图像亮度的同时,更好地恢复了弱光图像的细节特征,并且生成正常光图像的颜色特征更接近自然.在PASCAL VOC测试集上的测试结果显示结构相似度(SSIM)和峰值信噪比(PSNR)两个重要指标分别为0.87和26.36,比同类最优算法分别高出18.6％和11.4％.     

基于CAU-Net的肺部影像分割算法

在现有的医学图像分割网络中，U-Net已在肺部影像分割中成功应用。为了充分利用全卷积U-Net网络提取到的肺实质特征，改善肺分割的效果，提出一种融合通道注意力的CAU-Net肺分割算法。将通过跳跃连接网络融合的浅层和深层特征输入通道注意力，进行像素级别的特征权重分配以提升模型对特定特征信息的权重，让感受野内分割的主要特征更突出，网络层级对特征的学习更加专注。在Kaggle竞赛的肺分割数据集上进行了实验，所提算法在测试数据集的肺实质分割中精确率达99.4%，准确率达97.8%，相似度达96.9%，敏感度达99.1%，特异性达99.5%，结果表明，该算法能够对肺部区域进行有效分割。     

多级信息补偿的U型网络图像超分辨率重建算法

针对基于深度神经网络的图像超分辨率重建算法在特征提取过程中容易丢失特征信息,导致重建图像缺少纹理和边缘细节等问题,提出一种多级信息补偿的U型网络图像超分辨率重建算法.首先设计一个用于图像超分辨率重建的U型网络,该网络通过下通道分支对输入特征进行多层级特征提取和通道压缩,通过底层模块对压缩后的特征进行融合并提取不同通道的相关特征,通过上通道分支对压缩后的相关特征进行多层次特征提取和通道恢复;然后设计多级信息补偿模型,对U型网络的通道压缩过程中丢失的信息和通道恢复过程中难以恢复的信息进行补偿;最后在不同放大倍数下的Set5、Set14、BSD100和Urban100测试集上对所提算法和主流算法进行对比测试分析,实验结果表明所提算法相比主流算法实现了在峰值信噪比(PSNR)/结构相似度(SSIM)指标和视觉效果上的巨大提升.     

融合自适应加权模块的YOLOv4多尺度目标检测算法

针对残差块中特征图直接相加无法反映特征间相关性以及特征融合阶段存在信息损失的问题,提出一种融合自适应加权模块的目标检测算法.该算法对YOLOv4的主干网络和颈部网络进行改进,设计了一种自适应加权模块,对输入的2个特征图进行通道压缩并提取特征信息,从提取的信息中获取空间权重,最后将空间权重赋予输入特征图来建立其之间的相关性.在特征融合阶段增加跳跃连接,补充特征融合过程中的信息损失.实验结果表明,该算法能够有效地提高目标的精度,在PASCALVOC数据集与KITTI数据集上的精度较YOLOv4算法分别提高了0.90个百分点与0.89个百分点.     

MDA-Net:一种结合双路径注意力机制的医学图像分割网络

准确的医学图像分割对于疾病的诊断和治疗规划至关重要,但由于医学图像形态复杂,且图像内不同对象结构差异大,导致其在医学图像分割效果上并不明显.针对这一问题,提出了一种MDA-Net网络,其包含Mobile-NetV2、CAM、PAM这3个模块,以Mobile-NetV2作为骨干网络,提取图片初级信息.通过通道注意力模块(CAM)对每个特征图通道之间所有关联的特征信息加以整理,从而使相互依赖的特征图有选择性地加以突出.位置注意力模块(PAM)通过对每个像素区域进行特征加权和,选择性地聚合每个区域的特征.在解码部分采用转置卷积将骨干网络中的低层次信息和经过CAM、PAM得到的高层次信息进行融合,以此来丰富分割特征图的语义信息.在IBSI数据集和LUNA数据集上的实验效果表明,MDA-Net与其它医学图像分割模型相比,有更好的效果.     

基于模型压缩与重构U-net的胰腺分割

基于卷积神经网络的U-net模型广泛应用于胰腺分割任务,但该类方法对硬件计算能力要求过高,制约了其临床应用。为解决该问题,提出一个基于模型压缩与重构U-net的端到端框架(comprehension prune-reconstructed U-net network,CPRUN),以完成实时胰腺图像分割任务。通过通道剪枝技术实现了对卷积神经网络模型的压缩,利用重构U-net保障胰腺的分割精度。实验结果表明,使用CPRUN模型能够在保持分割精度的前提下有效减少模型参数量,其模型压缩程度与分割精度均优于同类算法。     

多尺度密集网络在红外和可见光图像融合应用

为了进一步提升红外和可见光图像的融合效果,提出了一种基于多尺度卷积算子和密集连接网络的图像融合模型.该模型首先使用多尺度卷积算子计算图像的直接多尺度特征,然后使用密集连接网络计算图像的间接多尺度特征.为了得到图像像素信息在不同尺度下的融合权重,通过叠加的方式将各个尺度密集连接网络的输出进行融合,并使用活动图方法计算两类图像的融合权重,最后根据权重计算结果得到融合图像,实验在THO数据集和CMA数据集获得较好的识别率.     

基于SuperPoint的轻量级特征点及描述子提取网络

图像特征点及描述子提取是SLAM、SFM和3D重建等任务的基础,较好的图像特征点及描述子提取算法会对这些任务的进步产生十分重要的作用.本文聚焦于提取特征点和描述子算法中鲁棒性较高、性能较好的SuperPoint网络,对该网络进行了一定程度的改进.针对其计算量和参数较大的问题,首先将普通卷积改成深度可分离卷积,改变卷积层数和下采样方式,之后改进通道剪枝算法,使其可以应用于深度可分离卷积,对网络进行剪枝.实验结果显示,在轻微损失特征点检测和匹配效果的情况下,将网络参数量压缩为原来网络的15％,运算量压缩为原来网络的5％,FPS提升6.64倍,取得了较好的实验效果.