彩色图像多尺度引导的深度图像超分辨率重建

为获得更优的深度图像超分辨率重建结果,本文构建了彩色图像多尺度引导深度图像超分辨率重建卷积神经网络。该网络使用多尺度融合方法实现高分辨率(HR)彩色图像特征对低分辨率(LR)深度图像特征的引导,有益于恢复图像细节信息。在对LR深度图像提取特征的过程中,构建了多感受野残差块(MRFRB)提取并融合不同感受野下的特征,然后将每一个MRFRB输出的特征连接、融合,得到全局融合特征。最后,通过亚像素卷积层和全局融合特征,得到HR深度图像。实验结果表明,该算法得到的超分辨率图像缓解了边缘失真和伪影问题,有较好的视觉效果。     

基于SENet双路径多尺度特征融合的ECT图像重建

针对单一神经网络在电容层析成像图像重建过程中难以捕捉复杂、深层电容向量特征的问题，提出一种基于压缩激励网络(squeeze-and-excitation networks, SENet)双路径多尺度特征融合的电容层析成像图像重建算法。构建多尺度密集深度空洞卷积模块，使模型获得更大的局部感受野的同时可以保持较低计算复杂度，并实现多尺度特征融合，以捕获电容向量的多尺度细节特征，增强模型的表征能力；采用残差神经网络解决深层网络提取特征时出现的退化现象，并添加SENet模块重新标定电容特征张量所属通道对应权重，校准特征响应。形成具有双向特征提取能力的双通道多特征融合的混合模型，以更好的拟合电容张量与介电常数之间的非线性映射关系。试验结果表明，BSFF算法相对于Landweber迭代算法、CNN算法等具有更高的图像重建质量，更好的鲁棒性。     

遥感图像中飞机的改进YOLOv3实时检测算法

针对遥感图像中的飞机目标, 本文提出一种遥感图像飞机的改进YOLOv3实时检测算法。首先, 针对单一的遥感图像飞机目标, 提出一种有49个卷积层的卷积神经网络。其次, 在提出的卷积神经网络上应用密集相连模块进行改进, 并提出使用最大池化加强密集连接模块间的特征传递。最后, 针对遥感图像中飞机多为小目标的现实, 提出将YOLOv3的3个尺度检测增加至4个并以密集相连融合不同尺度模块特征层的信息。在本文设计的遥感飞机测试集上进行训练和测试, 实验表明, 该算法的检测精度达到96.26%、召回率达到93.81%。     

改进密集连接卷积网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声干扰较大、模型泛化能力不足、变工况诊断较难的问题,提出了一种改进密集连接卷积网络的故障诊断方法。将采集到的滚动轴承的原始时域信号作为模型输入,不需要任何数据处理,实现端到端的特征提取和分类任务。改进密集连接卷积网络在密集块中强调信息流动,增强特征复用,通过多尺度卷积层提取特征,利用注意力机制对多尺度特征通道加权。在堆叠的密集块和池化层完成主要特征提取后,采用多分类函数实现故障诊断。选用凯斯西储大学轴承数据集验证改进密集连接卷积网络的诊断能力,结果表明,改进密集连接卷积网络在理想试验下的识别率为99.8%、在抗噪试验下的识别率为98.22%,在泛化试验下的识别率为97.19%,识别率明显高于其他深度学习模型,证明了其在滚动轴承故障诊断方面的优越性。     

面向军事目标识别的DRFCN深度网络设计及实现

自动目标识别(ATR)技术一直是军事领域中急需解决的重点和难点。本文设计并实现了一种新的面向军事目标识别应用的DRFCN深度网络。首先,在DRPN部分通过卷积模块稠密连接的方式,复用深度网络模型中每一层的特征,实现高质量的目标采样区域的提取;其次,在DFCN部分通过融合高低层次特征图语义特征信息,实现采样区域目标类别和位置信息的预测;最后,给出了DRFCN深度网络模型结构以及参数训练方法。与此同时,进一步对DRFCN算法开展了实验分析与讨论：1)基于PASCAL VOC数据集进行对比实验,结果表明,由于采用卷积模块稠密连接的方法,在目标识别平均准确率、实时性和深度网络模型大小方面,DRFCN算法均明显优于已有基于深度学习的目标识别算法;同时,验证了DRFCN算法可以有效解决梯度弥散和梯度膨胀问题。2)利用自建军事目标数据集进行实验,结果表明,DRFCN算法在准确率和实时性上满足军事目标识别任务。     

鬼影卷积自适应视网膜血管分割算法

针对视网膜血管分割存在主血管轮廓模糊、微细血管断裂和视盘边界误分割等问题,提出一种鬼影卷积自适应视网膜血管分割算法。算法一是用鬼影卷积替代神经网络中普通卷积,鬼影卷积生成丰富的血管特征图,使目标特征提取充分进行。二是将生成的特征图进行自适应融合并输入至解码层分类,自适应融合能够多尺度捕获图像信息和高质量保存细节。三是在精确定位血管像素与解决图像纹理损失过程中,构建双路径注意力引导结构将网络底层特征图与高层特征图有效结合,提高血管分割准确率。同时引入Cross-Dice Loss函数来抑制正负样本不均问题,减少因血管像素占比少而引起的分割误差,在DRIVE与STARE数据集上进行实验,其准确率分别为96.56%和97.32%,敏感度分别为84.52%和83.12%,特异性分别为98.25%和98.96%,具有较好的分割效果。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法EI北大核心CSCD

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

基于改进MultiResUNet网络的甲状腺超声图像分割

甲状腺超声图像分割在临床超声图像研究中有很重要的意义。针对甲状腺超声图像信噪比低,斑点噪声多,且甲状腺形态不确定等问题,提出了一种改进的MultiResUNet分割网络(称为Oct-MRU-Net网络)。该方法在MultiResUNet网络的基本结构的基础上引入Octave卷积,并采用改进的Inception模块学习不同空间尺度的特征,将训练过程中的特征图按通道方向分为高低频特征。其中,高频特征描述图像细节和边缘信息,低频特征描述图像整体轮廓信息。在甲状腺超声图像分割过程中可以重点关注高频信息,减少空间冗余,从而实现对边缘更加精细的分割。实验结果表明,Oct-MRU-Net网络的性能相较于U-Net网络和MultiResUNet网络都有较大的提升,说明该网络对甲状腺超声图像的分割效果较好。     

跨尺度注意力融合的单幅图像去雨

单幅图像去雨算法旨在将有雨图像中的雨纹去除生成高质量无雨图。目前基于深度学习的多尺度去雨算法较难捕获不同层次的细节,忽视尺度之间的信息互补,易导致生成图像失真,雨纹去除不彻底等问题。为此,本文提出了基于跨尺度注意力融合的图像去雨网络,在去除密集雨纹的同时尽量保留原本图片的细节,改善去雨图像的视觉质量。去雨网络由三个子网构成,每个子网用于获取不同尺度上的雨纹信息。各子网由跨尺度特征提取模块通过稠密连接的方式构成,该模块以跨尺度融合注意力为核心,构造不同尺度之间的关联实现信息互补,使图像兼顾细节与整体信息。实验结果表明,本文模型在合成数据集Rain200H和Rain200L上取得显著的去雨效果,去雨处理后的图片峰值信噪比达到了29.91/39.23 dB,结构相似度为0.92/0.99,优于一般的主流方法,并取得了良好的视觉效果,在保证去雨效果自然的同时保持了图像的细节。     

融合多尺度特征的光场图像超分辨率方法

光场相机作为新一代的成像设备,能够同时捕获光线的空间位置和入射角度,然而其记录的光场存在空间分辨率和角度分辨率之间的制约关系,尤其子孔径图像有限的空间分辨率在一定程度上限制了光场相机的应用场景。因此本文提出了一种融合多尺度特征的光场图像超分辨网络,以获取更高空间分辨率的光场子孔径图像。该基于深度学习的网络框架分为三大模块：多尺度特征提取模块、全局特征融合模块和上采样模块。网络首先通过多尺度特征提取模块学习4D光场中固有的结构特征,然后采用融合模块对多尺度特征进行融合与增强,最后使用上采样模块实现对光场的超分辨率。在合成光场数据集和真实光场数据集上的实验结果表明,该方法在视觉评估和评价指标上均优于现有算法。另外本文将超分辨后的光场图像用于深度估计,实验结果展示出光场图像空间超分辨率能够增强深度估计结果的准确性。     

深度卷积神经网络在滑动轴承转子轴心轨迹识别中的应用

针对传统旋转机械智能识别方法需要人为提取特征及诊断精度低的问题,基于深度学习的强大学习能力,提出一种深度卷积神经网络故障诊断模型(Deep Convolutional Neural Network Fault Diagnosis Model,DCNN-FDM)用于轴心轨迹识别.该模型包括输入模块、特征提取模块及分类模块...     

结合多尺度及密集特征图融合的阴影检测方法

为了提高图像中阴影检测的准确性,提出一种利用深度神经网络实现阴影检测的方法.首先,构造了一种密集特征图融合结构,将不同卷积层产生的特征图进行融合;其次,针对图像中阴影的多种尺度特征,设计了一种串并联结合的扩张卷积结构提取图像中阴影多尺度特征;最后,将串并联结合的扩张卷积结构和密集特征图融合结构进行结合,设计出一种端到端...     

基于激励压缩空洞卷积改进U-Net网 络的物流托盘图像分割算法

针对物流托盘种类多、形体规则度复杂,以及在工业生产环境下托盘存在被遮挡、光照条件变化等因素影响托盘图像分割效果的问题,提出一种新颖的基于激励压缩空洞卷积(SEDC)改进的U-Net网络,通过对特征通道间的相关性进行建模,强化重要特征,提升物流托盘图像分割性能.在SEDC模块中使用1×1×1卷积进行数据降维与升维大幅降低计算量,利用正常卷积与膨胀率为2的空洞卷积探索不同视野下的图像特征,通过SE模块对不同层的重要程度进行自动学习.实验结果表明:相较于现有的一些经典图像分割算法,本文模型在尽可能保证图像分割性能的情况下大幅降低了模型的计算量,并提升了网络的鲁棒性,为物流托盘图像的智能分割提出了一种新的解决思路.     

空频域结合的多尺度扩张卷积注意力数字水印

目的 将深度学习应用于数字水印,在隐藏信息的同时,不断提高图像的不可见性和鲁棒性,提出一种结合空间域和频率域的多尺度扩张卷积注意力数字水印算法(SF-ACA)。方法 SF-ACA算法的网络框架包含由ACA和SFE构成的生成器、解码器2个部分组成。其中,ACA网络中的MCA模块将3个不同扩张率的扩张卷积对载体图像以多尺度融合的方式进行特征提取,使载体图像能更有效地隐藏水印信息;SFE结合快速傅里叶卷积块,在空域和频域中通过不同大小的感受野捕获互补信息,更精准地获取水印的特征信息,增强了秘密信息的不可见性和鲁棒性。结果 本文提出的水印方法在隐藏与载体图像尺寸相等的三通道彩色图像时,PSNR值为38.81 dB,较UDH方法的PSNR值提高了7.78%。水印图像的隐藏容量是4 096比特,该算法与UDH方法在Dropout、Gaussian噪声、JPEG攻击下,提取精度分别提升了5.38%、10.5%、1.65%,满足不可见性要求的同时实现了强鲁棒性。结论 本文方法在隐藏容量较大时,不可见性和鲁棒性都达到了较好的性能。     

基于改进YOLOv5的轻量级芯片封装缺陷检测方法

目的 针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题,提出YOLOv5-SPM检测网络,旨在提高检测精度并实现模型轻量化。方法 首先,通过在特征提取模块后增加通道注意力机制,提高缺陷通道的关注度,减少冗余特征的干扰,进而提升目标的检测精度。其次,在主干网络与颈部网络连接处使用快速特征金字塔结构,更好地融合了自建芯片数据集的多尺度特征信息。最后,将主干网络的特征提取模块更换为MobileNetV3,将常规卷积更换为深度卷积和点卷积,有效降低了模型尺寸和计算量。结果 经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下,平均精度较原网络提高了0.6%,准确率提高了3.2%。结论 新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高,同时由于模型参数减小了29.5%,更适合部署在资源有限的工业嵌入式设备上。     

基于拉普拉斯金字塔的图像压缩与重构研究

目的研究利用深度学习辅以拉普拉斯金字塔来完成图像压缩与重构。方法利用卷积神经网络提取图像的主要特征,利用双三线性插值法来减少特征尺寸,使用拉普拉斯金字塔来构建分层体系,从而逐步地减少图像大小以达到压缩的目的。在重构端上,对此系统则进行卷积操作,并采用上采样过程,进行图像的恢复重构过程,得到重构图。结果采用来自法国贝尔实验室的set 5与set 14数据集进行验证,使用2层金字塔即在16倍的高倍率压缩下进行实验结果验证,结果表明在主观评价上使用深度学习的方法在清晰度和还原度上要优于PCA,DCT和SVD,同时在客观评价上文中方法取得了标准差(52.73)与信息熵(7.44)的最好结果,高于PCA的49.70与7.38。SVD变换法与DCT变换法,在标准差上只有48.69和49.02,远不如文中方法,同时图片的信息熵只有7.34与7.35,低于文中的7.44。结论利用拉普拉斯金字塔结构来设计卷积神经网络结构来完成图像压缩与重构取得了不错的效果。     

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。