联合时空特征的视频分块压缩感知重构

为了提高视频压缩感知(CS)重构算法的率失真性能,该文提出利用视频的时空特征进行联合重构。为了不引入过多的复杂度,采集端以固定采样率对帧内各块进行测量;重构端则在最小全变差(TV)重构模型的基础上,分别加入利用时空自回归(AR)模型和多假设(MH)模型所形成的正则化项,以提高预测-残差重构的性能。另外,考虑到视频源的统计特性在时空域中是动态变化的,讨论了5种不同的帧间预测模式对重构精度和重构计算复杂度的影响。仿真实验表明,所提出的重构算法能够以一定的计算复杂度为代价有效地改善视频重构质量,且在关键帧采样率高于非关键帧的情形下,帧间预测模式的改善也可一定程度上提高视频重构质量。     

基于改进自适应粒子群算法的机器人逆解研究

为提高结构复杂、自由度较高机器人逆运动学求解的准确性,提出了一种改进的自适应粒子群算法(IAPSO)。首先,通过改进DH(Denavit-Hartenberg)参数法建立了6自由度臂型抓取机器人模型的运动学方程;其次,在已有粒子群算法的基础上,利用种群曼哈顿距离实时判定种群的进化状态,并根据进化状态的不同确定自适应学习因子,进而采用不同的位置与速度更新模式;最后,引入带惩罚因子的适应度函数对机器人模型进行单点与连续轨迹求逆解测试,得到误差不大于0.005 rad的关节输出。仿真结果表明:所建立的运动学模型正确,改进的算法兼顾已有PSO算法求逆解的准确性、唯一性与快速性,同时具有更高的求解精度。     

对一种多重密钥共享认证改进方案的完善

通过分析一种多重密钥共享认证改进方案,指出其中存在的漏洞和防止成员欺骗中存在的问题,提出了自己的完善方案,使其在共享多个密钥、子密钥可以重复使用、防止管理者欺骗及参与成员欺骗等方面更加完善．     

基于注意力机制的航拍图像实时语义分割方法

目前语义分割网络存在推理速度慢、轮廓信息缺失和语义信息不充足的问题,使其不适用于航拍图像的语义分割。提出一种交叉注意力混合机制和金字塔注意力机制的解码网络用于航拍图像语义分割。首先,采用MobileNetV2为骨干网络提高实时性推理速度;其次,提出交叉注意力混合机制解决轮廓信息缺失的问题;再次,提出金字塔注意力机制消除卷积神经网络无法捕获长范围语义信息的局限性。最后,实验结果表明,该文网络在单张GTX 3090卡,分辨率为256×256×3的DLRSD(Dense Labeling Remote Sensing Dataset)数据集中,获取73.4%的平均交并比和85.4%的像素精度,实现了196.9帧每秒的推理速度。     

基于背景感知的相关滤波抗遮挡优化算法

针对相关滤波目标跟踪中由于目标遮挡、出视野引起的跟踪失败等问题,以背景感知相关滤波(background aware correlation filters, BACF)算法为基础,提出一种抗遮挡优化算法。首先特征提取部分融合方向梯度直方图(histogram of oriented gradient, HOG)特征与颜色名称(color name, CN)特征;其次提出层级遮挡优化算法,在目标跟踪过程中根据平均峰值相关能量(average peak to correlation energy,APCE)和最大响应峰值判断目标外观是否发生较大变化,并通过巴氏距离进一步计算目标相邻滤波器模板特征相似程度,以此判断造成目标外观变化的真正原因,进而决定是否更新模板;针对目标出视野问题,提出模板筛查策略,跟踪过程中每隔K帧对滤波器模板进行置信度考查,若目标丢失,则生成新的模板并对目标进行全局搜索重新抓取目标。通过在目标跟踪数据集OTB2015上测试,优化算法精确度与成功率分别为83.0%与78.8%,有效提高了算法性能。     

基于迁移学习的三子网图像去雾方法

目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现,对于不同风格或非均匀雾图数据集去雾效果较差,同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况,该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先,该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数,以加速模型训练收敛速度。其次,主干网络模型由3个子网组成:残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取,在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进,为衡量模型性能,模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题,可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。     

基于多尺度特征提取的MRI脑肿瘤图像分割研究

针对磁共振成像(magnetic resonance imaging, MRI)脑部肿瘤区域误识别及肿瘤形状 差异较大的问题,提出一种基于多尺度特征提取的 MRI 脑肿瘤图像分割方法。分割模型以 U-Net 为骨干网络,使用密集金字塔卷积(dense pyramidal convolution, DPC)提取多尺度特征, 以适应不同尺寸肿瘤的分割,同时引入条状池化(strip pooling, SP),凭借其能捕获肿瘤中远 距离区域的依赖关系,进一步加强对肿瘤图像的分割能力。提出的方法在 Kaggle_3m 数据 集上进行了实验验证,实验结果表明该方法具有良好的脑部肿瘤分割性能, 其中Dice相似 系数、杰卡德系数分别达到了91.66%,84.38% 。     

利用深度信息增强的自由视点DIBR技术研究

针对现有DIBR虚拟视点图像渲染算法存在的问题,提出一种基于深度信息进行后处理的DIBR虚拟视点渲染算法.该算法利用摄像机参数和深度信息,将参考视点图像的纹理和深度图变形到虚拟视点,利用基于深度信息的后处理消除变形图像中的裂缝和伪影,结合深度信息采用inpaint技术填补剩余的纹理空洞.实验结果显示,该方法不论从主观质量或是客观质量上均优于现有的虚拟视点生成方法,且计算量也不高.在数值试验中,还对多视点渲染算法的图像合成质量进行比较,对视频压缩的影响进行了分析.     

结合HSV与纹理特征的视频阴影消除算法

目的 在视频监控目标检测应用中,场景中的阴影会直接影响目标检测的准确度,因此阴影抑制算法研究显得尤为重要。目前广泛使用的是HSV（hue,saturation,value）阴影抑制方法,但是该方法存在由于亮度比值的阈值不稳定而造成将运动目标也检测为阴影的问题。针对该问题,本文提出了一种结合HSV与纹理特征的视频阴影消除方法。方法 首先将输入的图像使用传统的混合高斯模型建立背景并在灰度空间中提取前景,其次在HSV空间使用亮度比的阈值方法检测阴影,二者综合得到运动目标;针对由于亮度比值的阈值不稳定而导致的前景误检为阴影的问题,采用了LBP（local binary pattern）算子结合大津阈值（OTSU）提取部分运动目标。最后将LBP算子结合大津阈值提取的部分运动目标与HSV空间检测的目标两者相或,最终去除运动目标的阴影。结果 本文选用在CVPR-ATON和CAVIAR标准视频库中多个场景的阴影视频,将本文算法与SNP算法、SP算法、DNM1算法和DNM2算法进行对比仿真,实验结果表明本文算法在阴影检测率和阴影识别率的平均值上提升约10%。结论 本文提出的视频阴影消除算法结合了HSV与纹理特征,可以在不同的环境中有效地去除阴影,运动目标保留完整,可适用于智能视频监控、遥感图像和人机交互中。     

基于改进的AlexNet的乳腺肿瘤智能诊断方法

由于医学病理图像标注成本高、获取困难,采用数据增强方法对小样本数据集进行扩充。针对传统分类方法对特征工程过度依赖的问题,采用以AlexNet为架构的卷积网络对良性、恶性肿瘤进行全自动分类。为了解决AlexNet网络中间层改变原始数据分布的问题,引入批量归一化算法以减小网络中间层产生的偏移量,加速网络收敛,提高分类准确率。同时采用Dropout避免过拟合。实验结果表明,改进后的AlexNet网络分类准确率较原方法提高了6.09%,具有较好的鲁棒性和泛化性。