基于通道注意力的多尺度全卷积压缩感知重构

现有分块压缩感知图像重建算法存在计算量大、重构时间长,以及在低采样率下重构的图像具有严重的块效应等问题。提出一种基于通道注意力的多尺度全卷积压缩感知图像重构模型。通过均值滤波消除完整场景图像中的噪声点,减少冗余信息,以提取更加有效的信息,采用不同卷积核大小的卷积层对低频信息进行多尺度全卷积采样,得到不同感受野的图像特征信息,丰富网络中原始图像的特征信息。在此基础上,设计一种新的注意力残差模块,通过挖掘特征图通道之间的关联性以提取关键特征信息,提升重构图像的质量。在DIV2K、Set0和Set5数据集上的实验结果表明,当采样率为1%时,该模型的峰值信噪比和结构相似性相较于深度学习模型ISTA-Net分别平均提升了2.02 dB和0.078 2,相较于迭代优化模型TVAL3,重构一张256×256像素图像所花费的时间平均缩短2.608 4 s。所提模型在低采样率下能够有效利用原始图像中的信息生成更清晰的重构图像。     

卷积形态滤波与图像去噪

本文提出的卷积形态变换是一种新的形态变换形式,具有线性卷积的结构和形态变换的性质。这种新的形态变换以乘性结构元素为特征,它不同于具有加性结构元素的普通形态变换,对于它们的性质和结构的研究也是本文的主要工作之一。另一方面的工作是针对卷积形态核提出了一种结构化的自动生成算法。研究表明,卷积形态滤波与卷积积分变换一样,对于图像具有去噪和平滑作用,且在实验效果上具有较通常的形态滤波和线性卷积变换更优的去噪和平滑功能。     

基于卷积神经网络的压缩感知重构算法优化

压缩感知理论因其编码复杂度低、节省资源、抗干扰能力强等特点,被广泛应用于图像和视频信号处理。然而,传统的压缩感知技术也面临着重构时间长、算法复杂度高、迭代次数多、计算量大等问题。针对图像重构时间和重构质量的问题,文中提出一种新的卷积神经网络结构Combine Network (CombNet),它将压缩感知的测量值作为卷积神经网络的输入,连接一个全连接层,然后通过CombNet获得最终输出。实验结果表明,CombNet具有较低的复杂度及较好的恢复性能,在相同的采样率下,CombNet的峰值信噪比(PSNR)较TVAL3提高了7.2%～13.95%,较D-AMP提高了7.72%～174.84%。CombNet重构的耗时比传统重构算法提高了3个数量级,实现了实时重构。在采样率极低(采样率为0.01时)的情况下,CombNet的平均PSNR较D-AMP高出11.982 dB,因此所提算法具有更好的视觉吸引力。     

基于自适应卷积滤波的网络近邻入侵检测算法

深度无线传感组合网络中的近邻路由节点入侵具有载荷快速变化性,难以对新出现的攻击类型和网络异常行为进行有效识别,因此提出一种基于自适应卷积滤波的网络近邻入侵检测算法。在深度无线传感组合网络的传输信道中进行网络流量采集,构建网络入侵信号模型,在时间和频率上分析网络入侵信号的能量密度和攻击强度等特征信息,构建自适应卷积滤波器进行网络传输信息的盲源滤波和异常特征提取;采用联合时频分析方法进行网络近邻入侵特征信息的频谱参量估计,根据频谱特征的异常分布状态进行无线传感组合网络近邻入侵检测。仿真实验结果表明,采用该方法进行网络入侵检测的准确率较高,对未知的网络流量样本序列具有较高的识别能力和泛化能力,且所提算法优于传统的HHT检测算法、能量管理检测方法。     

基于粒子滤波和压缩感知的目标跟踪算法

为了解决目标跟踪过程中出现的目标遮挡和光照变化问题,提出一种基于粒子滤波和压缩感知的目标跟踪算法。算法融合颜色特征和纹理特征来描述目标,增强算法在光照变化和复杂环境下的鲁棒性;利用压缩感知理论对特征进行降维,提高算法实时性;最后,根据粒子滤波原理估计目标状态,得到目标位置。实验结果表明,本算法在有效减少算法运行时间的前提下,能够准确跟踪遮挡和光照变化情况下的目标。     

基于纹理自适应全变分滤波的图像分块压缩感知优化算法

图像分块压缩感知重构模型通过分块方式解决了压缩感知中观测矩阵过大带来的计算复杂度较高和存储空间较大的问题,但分块重构时会产生块效应,其需要通过去块效应滤波加以消除。现有的滤波方法并未考虑图像纹理细节恢复问题,造成了重构质量的降低。为解决该问题,首先提出了一种基于灰度熵的纹理自适应采样方法。随后分析了分块压缩感知中块效应的产生和经自适应采样后块效应得到缓解的原因,并将全变分滤波引入到图像分块压缩感知平滑投影迭代重构过程之中,提出了一种基于图像分块纹理信息的双树离散小波硬阈值滤波和全变分滤波的自适应加权滤波模型,用其取代原平滑投影迭代算法的滤波过程,在自适应采样缓解块效应的基础上,更有效地保存图像的细节信息。仿真实验表明,与多种已有方案相比,该方案可显著提升重建图像的主客观质量,同时可有效保留图像的纹理细节。     

空间模板卷积滤波算法的FPGA实现新方法

以Prewitt算子为例,给出了基于Quartus II提供的参数可设置宏功能模块(Megafunctions)在FPGA(Field Programmable Gate Array)上实现空间模板卷积滤波图像处理算法的新方法.该方法不仅大大简化了硬件设计,而且具有很好的灵活性和通用性.实验证明,该方法能够获得令人满意的图像空间滤波效果.     

基于压缩感知和粒子滤波的OFDM超宽信道估计

针对通信系统中的正交频分复用(OFDM)超宽信道具有的稀疏多径和含噪声特征,将信道估计问题转换为稀疏信号的重构和优化问题,设计了一种基于压缩感知理论和粒子滤波的OFDM信道估计方法;首先定义和描述了OFDM数学模型,然后在对压缩感知理论模型研究的基础上,采用改进的正交匹配算法对OFDM超宽信道进行重构,为了进一步减少信道重构的误差,将由于正交匹配算法得到的重构信道作为初始的粒子,并将OFDM数学模型转换为动态参数模型,并通过粒子滤波来更新模型中的参数和频率响应,通过不断迭代获得信道的估计值;为了验证文中方法的优越性,将文中方法与经典的正交匹配算法与粒子滤波算法进行比较,结果表明:文中方法能有效地对含噪声的稀疏信号进行估计,具有较小的重构误差,且与其它方法相比,具有较小的归一化均方误差.     

基于统计分析的卷积神经网络模型压缩方法

针对卷积神经网络中卷积层参数冗余,运算效率低的问题,从卷积神经网络训练过程中参数的统计特性出发,提出了一种基于统计分析裁剪卷积核的卷积神经网络模型压缩方法,在保证卷积神经网络处理信息能力的前提下,通过裁剪卷积层中对整个模型影响较小的卷积核对已训练好的卷积神经网络模型进行压缩,在尽可能不损失模型准确率的情况下减少卷积神经网络的参数,降低运算量.通过实验,证明了本文提出的方法能够有效地对卷积神经网络模型进行压缩.     

基于FPGA的深度卷积神经网络优化压缩算法研究

针对现有海量数字图像信息落后,提出了新型的压缩算法,设计出基于FPGA的视频图像采集系统.应用深度卷积神经网络优化视频图像编码算法和聚类算法实现数据特征提取,将图像与距离信息作为深度卷积神经网络的输入与输出,并利用其特征提取能力学习图像特征的距离信息,提取深度卷积神经网络中的全连接层作为编码,通过迭代调整确定图像编码,完成图像压缩.应用测试结果显示,该算法具有较高效率优势,且图像压缩解码后质量较好.     

深度卷积神经网络应用于人脸特征点检测研究

为解决在复杂环境下，如姿势不同、光照条件以及遮挡等因素导致传统人脸特征点检测算法的精度大幅度下降的问题，在特征点检测理论知识以及研究现状的基础上，针对传统卷积神经网络模型在处理人脸特征点检测问题时的不足之处，提出基于小滤波器的深卷积神经网络。算法引入小滤波器思想和以拓展“网络深度”优先的深层卷积神经网络模型，针对人脸特征点检测重新设计训练，提高了算法的有效性与适用性。通过将算法应用于ALFW和AFW人脸数据集上预测5点人脸特征点问题，并与其他多个经典算法进行对比分析，结果表明：基于小滤波器的深卷积神经网络在预测人脸5点特征点问题上有更好的准确性和鲁棒性。     

基于GPU的连续卷积算法

介绍了目前最新的图形处理器（GPu）编程模型,以数字信号处理中最常用的卷积计算为例,分析了常规卷积算法的计算量和快速卷积算法的使用局限性,并在此基础上提出了基于GPU的分段卷积算法实现,通过与当前主流CPU平台进行实测对比,通过性能对比分析,探讨GPU编程技术应用在数字信号处理领域中的优势,及需要注意的主要问题。     

融合空洞卷积的轻量化目标检测

为了轻量化模型,便于移动端设备的嵌入,对YOLOv4网络进行了改进.首先,用MobileNetV3作为主干网络,并使用深度可分离卷积替换加强特征提取网络的普通卷积,降低模型参数量;其次,在104×104特征图输出时融合空洞率为2的空洞卷积,与52×52的特征层进行特征融合,获取更多的语义信息和位置信息,细化特征提取能力,提升模型对极小目标的检测性能;最后,将原来的池化层使用3个5×5的Maxpool进行串联,减少计算量,提升检测速度.实验结果表明,在华为云2020数据集上,改进算法的mAP比YM算法提高了2.33%,在公共数据集VOC07+12上, mAP提高了3.12%, FPS比原来的YOLOv4算法提高了一倍多,参数量降低至原来的18%,证明了改进算法的有效性.     

基于窗函数和特征滤波器的半带滤波器设计

研究半带滤波器设计优化问题.半带滤波器是一种特殊的低通FIR数字滤波器,通带和阻带关于二分之一Nyquist频率对称,因而有近一半的滤波器系数为0,用来实现数字滤波可以大幅度地减少运算量,有利于滤波器的实时实现.为实现上述优化,采用两种方法来设计半带FIR滤波器,一种是传统的窗函数法,一种是特征滤波器法.基于半带FIR滤波器的频率特性,用窗函数法和特征滤波器法的半带FIR滤波器仿真结果表明,提出的方法为半带滤波器优化设计提供了参考.     

基于最小熵翻卷积的网络故障特征提取仿真

传统的基于FRFT网络故障特征提取方法当网络信号发生突变时,由于受到噪声和信号衰弱的影响,导致网络故障特征极其微弱,并且网络的拓扑结构和权值分布成非线性映射,将信号简单排列成矩阵,无法有效实现对网络故障特征的提取.提出一种基于小波滤波以及最小熵翻卷积的网络故障特征提取方法,将突变信号在与之相邻尺度上的小波系数直接相乘,依据阈值对噪声中的网络故障信息进行采集并过滤噪声,使获取的小波系数信噪比大大增强.将突变信号小波变换值在几个尺度上进行计算,实现网络故障特征的初提取.获取一个逆滤波器,通过网络输出恢复网络输入信号,依据解卷积后获取的序列对可能估计值的最优解进行计算,求出逆滤波器矩阵,分析了最小熵归迭代算法的具体实现过程.仿真结果表明,所提方法具有很高的准确性.     

在IP包过滤中状态TCP包的过滤研究与设计

IP包过滤防火墙是构造整体网络安全系统的必不可少的部分。传统的IP包过滤防火墙有许多的缺陷,解决方法之一是使防火墙具有状态过滤能力。以TCP为例,状态过滤机制不仅能根据ACK标志和源、目的地址及端口号进行过滤,还能根据TCP包里的序列号和窗口大小来决定对该包的操作。这样可以防止一些利用TCP滑动窗口机制的攻击。在IP包过滤里加入状态过滤机制不仅能阻止更多的恶意包通过,还能提高IP包过滤的过滤速率(这对防火墙来说是很重要的)。     

基于可变形卷积神经网络的手势识别方法

卷积神经网络本身具有丰富的特征表达能力和学习能力,但本质上,其模块中几何变换能力是固定的。因此,引入可变形卷积核来改进VGG16的网络结构,搭建名为DCVGG的卷积神经网络结构来进行手势识别的研究。在不同数据集下,基于可变形卷积神经网络的手势识别方法能够直接把RGB图像数据输入网络。最终输出的结果,对手势的平均识别率达到97%以上,有效提高网络的性能,提升卷积神经网络对样本对象的容忍度和多样性,丰富卷积神经网络的特征表达能力,与传统LeNet5、VGG16结构和传统人工特征提取算法相比效果更佳,比传统结构更深,鲁棒性更好,识别率更强,可以为复杂背景下有效识别手势提供参考,具有一定的延拓能力。