基于注意力机制的三维点云目标识别

针对现有基于深度学习方法的三维点云目标识别算法存在多层感知法缺少点间的特征交互、对点云间欧式距离的依赖、未考虑特征通道层面关联性问题,提出一种基于注意力机制的三维点云(PAttenCls)目标识别算法。采用基于点的空间注意力机制,挖掘各点之间的注意力值,实现自适应的云邻域选择;同时采用基于点的通道注意力机制,给特征通道自适应分配权重,实现特征增强。此外,在网络中添加了一个几何均匀化模块,以应对不同局部区域几何结构的不同特征模式。所提算法在ModelNet40数据集上的识别准确率为93.2%,在ScanObjectNN数据集最难子集上的识别准确率为80.9%,并在实测数据上验证了算法的有效性。实验证明了本文所提算法可以更好地提取点云的特征信息,使点云识别结果更加精准。     

基于双注意力机制和多尺度特征的点云场景分割

针对现有的深度学习机载激光雷达(LiDAR)点云分割方法忽略高级全局单点和低级局部几何特征之间的关系导致点云分割精度不高的问题,提出了一种增强语义信息与多通道特征融合的点云场景分割算法.首先对点云信息进行补充,提取点云的归一化高程、强度值、光谱信息构造多通道点云特征,并利用网格化重采样方法建立多尺度邻域点云增强数据集,...     

改进ORB算法在单目视觉SLAM特征匹配中的应用

针对单目视觉同步定位与地图构建问题对传统定向二进制描述符算法进行改进,结合快速鲁棒特征算法的思想,将尺度空间理论引入传统ORB算法中,同时根据机器人的运动先验信息,预测特征点的可能范围,避免在全局范围内对特征点的检测和匹配.实验表明,改进的ORB算法能显著提高匹配正确率,在多尺度方面表现出色,并能有效减少运算时间,平均耗时14 ms,处理速度约为传统ORB算法的1.3倍、SURF算法的10倍、尺度不变特征变换(Scale-invariant FeatureTransform,SIFT)算法的26倍,适用于单目视觉SLAM问题.     

基于特征点的影像匹配

在数字摄影测量中,影像匹配代替了传统的人工观测,来达到自动确定同名像点的目的。影像匹配的理论与实践,是实现自动立体量测的关键,也是数字摄影测量的重要研究课题之一。本文中对基于特征点的影像匹配思路及特征点的提取与匹配中所涉及到的各种算法进行说明,并通过实验对算法展开分析。     

基于特征点的影像匹配

在数字摄影测量中,影像匹配代替了传统的人工观测,来达到自动确定同名像点的目的。影像匹配的理论与实践,是实现自动立体量测的关键,也是数字摄影测量的重要研究课题之一。本文中对基于特征点的影像匹配思路及特征点的提取与匹配中所涉及到的各种算法进行说明,并通过实验对算法展开分析。     

基于电子标签自适应特征点匹配方法的研究

在特征点匹配的基础上,提出了一种电子标签自适应的特征匹配方法.首先,两个特征之间的距离用于计算特征对的支撑区域大小,这与使用检测器提供信息以找到支撑区域的方法不同.其次,为了实现旋转不变性,引入了基于强度顺序的子区域划分方法.最后,为了与流行的描述符电子标签自适应特征变换和加速鲁棒特征进行比较,选择了高斯和快速Hessain检测器差异的检测点作为特征点的方法.将其他实验课题的方法与类似的提议方法进行比较,例如Tell's和Fan's.实验结果表明,提出的描述符在各种图像变换下优于流行的描述符,特别是在具有尺度和视点变换的图像上.     

基于模板匹配和特征点匹配相结合的快速车牌识别方法

介绍了一种简单易行的车牌识别方法。对于车牌灰度图像进行滤波去噪后先用峰谷法二值化，再用垂直投影法进行分割，最后进行模板匹配，并用特征点匹配对几组易出错的字符进行检查，从而得到车牌号。     

基于注意力机制特征融合网络的SAR图像飞机目标快速检测

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像中飞机目标散射点离散化程度高,周围背景干扰复杂,现有算法对飞机浅层语义特征表征能力弱等问题,本文提出了基于注意力特征融合网络(Attention Feature Fu-sion Network,AFFN)的SAR图像飞机目标检测算法.通过引入瓶颈注意力模块(Bottleneck Attention Module,BAM),本文在AFFN中构建了包含注意力双向特征融合模块(Attention Bidirectional Feature Fusion Module,ABFFM)与注意力传输连接模块(Attention Transfer Connection Block,ATCB)的注意力特征融合策略并合理优化了网络结构,提升了算法对飞机离散化散射点浅层语义特征的提取与判别.基于自建的Gaofen-3与TerraSAR-X卫星图像混合飞机目标实测数据集,实验对AFFN与基于深度学习的通用目标检测以及SAR图像特定目标检测算法进行了比较,其结果验证了AFFN对SAR图像飞机目标检测的准确性与高效性.     

利用注意力机制融合多尺度特征的图像去雨方法

针对图像中累积的雨水严重干扰高层视觉算法运行的问题,提出了一种高效的图像去雨方法。该方法利用注意力机制设计了一个多尺度特征融合去雨网络。首先用一个预处理模块提取出雨水的浅层特征,再将浅层特征送入多尺度特征融合模块获得深层次的特征,在多尺度特征融合模块中引入注意力机制将这些特征进行融合,提高模块中使用平滑扩张卷积减少伪影问题。实验结果表明,该方法在公开雨水数据集Rain100 H、Rain100 L和Rain12上获得的峰值信噪比(PSNR)和结构相似比(SSIM)指标相比其它方法分别平均提高了0.93 dB和1.43%,获得了更清晰的去雨结果。     

基于交叉注意力的三维点云配准研究

由于传感器的噪声以及遮挡等情况造成部分点云缺失,使得三维点云配准算法的精度面临挑战。本文提取全局与局部特征,通过多尺度特征缓解了噪声及不完整点云对于算法精度的影响。同时,使用交叉注意力对两帧点云进行上下文特征匹配以得到变换特征,加强了点云间的特征交互。在ModelNet40数据集上的实验表明,相比于RPM-Net,在对数据加入噪声且缺失部分点云的情况下,本文所述方法的各向异性旋转误差降低31%,平均平移误差降低33%,可以实现高精度和鲁棒性的点云配准。     

基于卷积神经网络和注意力机制的图像检索

当前先进的图像检索方法中,存在着不能很好地分辨图像中不同区域和内容的重要性的问题,导致计算资源分配不合理、检索正确率较低等一系列结果.为了解决这些问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和注意力机制的图像检索方法.首先使用卷积神经网络提取特征,然后使用注意力机...     

基于注意力机制的多分支特征级联图像去雨网络

针对已有去雨网络在不同环境中去雨不彻底和图像细节信息损失严重的问题,本文提出一种基于注意力机制的多分支特征级联图像去雨网络。该模型结合多种注意力机制,形成不同类型的多分支网络,将图像空间细节和上下文特征信息在整体网络中自下而上地进行传递并级联融合,同时在网络分支间构建的阶段注意融合机制,可以减少特征提取过程中图像信息的损失,更大限度地保留特征信息,使图像去雨任务更加高效。实验结果表明,本文算法的客观评价指标优于其他对比算法,主观视觉效果得以有效提升,去雨能力更强,准确性更加突出,能够去除不同密度的雨纹,并且能够更好地保留图像背景中的细节信息。     

基于多尺度特征融合和注意力机制的医学图像分割网络

针对传统编解码结构的医学图像分割网络存在特征信息利用率低、泛化能力不足等问题,该文提出了一种结合编解码模式的多尺度语义感知注意力网络(multi-scale semantic perceptual attention network,MSPA-Net) 。首先,该网络在解码路径加入双路径多信息域注意力模块(dual-channel multi-information domain attention module,DMDA) ,提高特征信息的提取能力;其次,网络在级联处加入空洞卷积模块(dense atrous convolution module,DAC) ,扩大卷积感受野;最后,借鉴特征融合思想,设计了可调节多尺度特征融合模块 (adjustable multi-scale feature fusion,AMFF) 和双路自学习循环连接模块(dual self-learning recycle connection module,DCM) ,提升网络的泛化性和鲁棒性。为验证网络的有效性,在CVC-ClinicDB、ETIS-LaribPolypDB、COVID-19 CHEST X-RAY、Kaggle_3m、ISIC2017和Fluorescent Neuronal Cells等数据 集上进行验证,实验结果表明,相似系数分别达到了94.96%、92.40%、99.02%、90.55%、92.32%和75.32%。因此,新的分割网络展现了良好的泛化能力,总体性能优于现有网络,能够较好实现通用医学图像的有效分割。     

基于深度特征提取和图神经网络匹配的图像复制粘贴篡改检测

针对图像中特征提取不均匀、单尺度超像素划分对伪造定位结果影响较大的问题,提出一种基于深度特征提取和图神经网络(graph neural network,GNN) 匹配的图像复制粘贴篡改检测(cope-move forgery detection,CMFD) 算法。首先将图像进行多尺度超像素分割并提取深度特征,为保证特征点数目充足,以超像素为单位计算特征点分布的均匀度,自适应降低特征提取阈值;随后引入新的基于注意力机制的GNN特征匹配器,进行超像素间的迭代匹配,且用随机采样一致性(random sample consensus,RANSAC) 算法消除误匹配;最后将多尺度匹配结果进行融合,精确定位篡改区域。实验表明,所提算法具有良好的性能,也证明了GNN在图像篡改检测领域的可用性。     

移动视觉测量中基于编码网络的特征点匹配方法研究

为解决移动视觉测量中多图像间利用极线约束进行特征点匹配时基本矩阵求解精度很难进一步提高问题,提出一种基于网络模型的间接基本矩阵求解方法。首先,利用编码点的自动无误匹配信息建立空间交会共线数学模型;其次,经过优化数学模型建立精密编码网络,并对相机内部参数和测量站位外部方位参数进行了优化;再次,利用基本矩阵与这些参数之间的关系间接确立基本矩阵;最后,通过精确恢复的极几何模型完成不同图像间特征点的精确匹配。与V-star结果进行比对,验证了编码网络的建立误差平均值为0.051 85mm,均方差为0.020 89mm;与两种经典方法在匹配正确率和极几何恢复精确度方面进行了比对,证明了本文可以精确恢复极几何模型并能提高特征点匹配率。     

基于复数网络与注意力机制的信号调制识别

通信信号调制识别作为管理、监测电磁频谱的重要手段,具有重要的研究价值和应用前景。本文利用调制信号的频域信息,提出一种基于复数神经网络的信号调制识别方法。首先将I、Q两路信号组合成复信号,经过快速傅里叶变换(FFT)后把得到的实部和虚部组合起来作为输入网络的数据集。其次,设计了一种复数神经网络结构,并引入了注意力机制对网络结构进行改良。仿真结果表明,本文提出的方法可以有效识别9种调制方式,在信噪比为6 dB时,平均正确识别率达到96.33%。     

增量式SFM中特征点检测与匹配方法的改进

图像特征点的提取与匹配是增量式SFM重建系统中至关重要的一步。为了提高匹配的准确率以及有效匹配点对的数量,提出了一种改进方法:首先在多尺度空间中利用自适应阈值的FAST角点检测算法获取特征点;然后计算特征点与其多个环形邻域之间的灰度对比信息,再与采样区域的局部梯度信息融合得到特征点描述子;接着利用曼哈顿距离与切比雪夫距离的线性组合代替欧氏距离完成特征点的稀疏匹配;最后利用稀疏匹配结果作为种子点对进行同步生长,在多约束条件下得到最终的稠密匹配结果。在Oxford数据集上的实验证明了改进的稀疏匹配算法的准确率与有效匹配点对数量都高于SIFT算法,在增量式SFM系统中的实验证明了稀疏匹配与稠密匹配的组合算法可以获得更好的重建效果。     

基于特征融合和注意力机制的目标分割跟踪算法

在当前的目标跟踪领域,现有的基于分割的算法没有充分利用目标的长距离依赖信息和各个特征层的不同特性,前背景判别能力不强,对目标的多尺度估计不足。针对此问题,提出了自适应特征融合模块和混合域注意力模块,以提高网络对目标的多尺度估计能力和对目标的前背景辨别能力,并将其集成到当前基于视频分割的算法中,提出了一种新的目标跟踪算法,在各大公开数据集上的实验结果证明其达到了领先水平。     

融合注意力机制与残差网络的人耳识别方法

人耳特征具有良好的唯一性与稳定性等特点,近年来被广泛应用于身份识别领域。针对人耳采集易受头发、耳饰等物品遮挡问题,本文提出了一种基于ERNet的人耳识别方法。该方法在IResNet网络的基础上,引入改进的SE模块,通过融合最大池化与均值池化的统计特性,增强身份相关特征的表示,抑制非相关特征的影响,以此解决在非受控环境下由于遮挡原因造成的识别困难问题。大量实验结果表明,相比较于原网络,改进后的方法识别性能提高较为明显。在同等遮挡条件下,本文所提出的模型具有较好的鲁棒性能。