DCN：双通道密集哈达玛卷积的画质评价网络

随着人类对高质量图像的需求日益紧迫,客观画质评价（image quality assessment,IQA）的研究日趋重要,其中的无参考真实失真评估,面临失真的复杂性和内容多样性的巨大挑战。为了获取更加准确有效的质量特征,提出了一种双通道密集哈达玛卷积的画质评价网络（dual-channel network,DCN）,其以深度卷积模型Inception-ResNet-v2为骨干网络提取特征,将设计的双通道融合网络为分数评估网络,最后映射到客观质量分数。分数评估网络由卷积特征提取分支和多层感知机分支并联组成,将提出的密集哈达玛卷积模块（dense Hadamard product module,DHPM）应用到多层感知机分支中,通过哈达玛乘积将低层特征与高层特征融合,发挥特征自适应和高级表达的作用。在公开数据集KonIQ-10k上的实验结果表明,该网络测试的斯皮尔曼秩相关系数（spearman rankorder correlation coefficient,SROCC）为0.922,皮尔森线性相关系数（Pearson linear correlation coefficient,PLCC）达到0.938。     

基于改进显著图的高效裂纹检测算法

裂纹检测对于确保设施和设备的安全运行非常重要。然而现有的裂纹检测方法数据标注困难,且训练时间长,检测速度慢。针对这些问题,提出一种基于改进显著图的裂纹检测算法,应用卷积神经网络提取的特征计算出图像中裂纹的位置,从而实现裂纹检测。该算法解决了裂纹检测算法数据标注困难的问题;训练时间短,使用两块k80显卡训练时间仅为23 min;检测速度快,具有105 帧/s的检测速度;同时在自制数据集上达到了52%的平均精度,验证了该算法的有效性。