基于U-net的被动式太赫兹安检危险品分割方法

针对被动式太赫兹安检系统检测图像识别危险物难度较大、精确度不高的问题,提出一种基于U-net的被动式太赫兹安检危险物分割算法。通过构建危险品的局部结构差异性假设和局部亮度差异性假设定位太赫兹安检图像中危险品可能存在的感兴趣区域(ROI),并选择拥有少量特征通道与神经元的浅层卷积网络针对ROI做图像超分辨处理,最后将图像输入U-net网络,得到质量高、轮廓清晰的危险品分割图像。通过实验证实了本文方法相比传统分割算法准确性有明显提高,有助于提高被动式太赫兹安检系统的危险品识别率。     

基于线阵扫描成像的太赫兹图像超分辨率重建

针对太赫兹扫描成像设备存在的图像清晰度差、边缘模糊等问题,提出了一种基于生成对抗网络的太赫兹图像超分辨率重建算法。首先,在处理太赫兹图像时引入限制对比度自适应直方图均衡方法,有效解决了太赫兹图像对比度低的问题;其次,在生成对抗网络的基础上,提出了一种基于增强注意力机制的残差生成对抗网络,实现了太赫兹扫描图像的超分辨率重建,提升了图像纹理和细节的重建能力;最后利用频谱归一化的U-net网络对生成器生成的重建图像进行判别,增强了训练的稳定性。实验结果表明,提出的太赫兹图像超分辨率重建算法将太赫兹线阵相机所成太赫兹图像的边缘强度提高了7%,峰值信噪比提高了13%,平均梯度提高了12%,结构相似度提高了14%,验证了该算法的优越性和有效性。     

基于改进自注意力神经网络的X光安检识别

针对X光安检图像中存在背景信息复杂以及物体相互遮挡的情况，以YOLOv5m模型为基础，改进自注意力机制，提出新的视觉自注意力机制与卷积模型结合的叠加混合模型YOLOv5m-CRCS。该网络在视觉自注意力机制中，加入相对位置编码，引入高效变体卷积(TVConv)和动态归一化(DTN),增强图像特征中的全局语义信息和位置信息。在网络特征融合阶段将坐标注意力(CA)与改进后的自注意力机制结合，进一步加强输出特征中的位置关系信息，同时引入改进的双自注意力模块，将残差卷积模块(CSPLayer)与双自注意力叠加混合，使得每个输出在原有特征的基础上增加了全局特征的相关性。在X光安检数据集上的实验结果表明，与原始目标检测网络相比，所提出模型的识别精度提高了4.72%,明显降低了由于X光安检图像中的背景信息复杂、相互遮挡而出现的漏检情况。     

基于改进DeepLabV3+的遥感影像语义分割方法

针对普通卷积神经网络在遥感图像分割中小目标识别度不高、分割精度低的问题，提出了一种结合特征图切分模块和注意力机制模块的遥感影像分割网络AFSM-Net。首先在编码阶段引入特征图切分模块，对每个切分的特征图进行放大，通过参数共享的方式进行特征提取；然后，将提取的特征与网络原输出图像进行融合；最后，在网络模型中引入注意力机制模块，使其更关注图像中有效的特征信息，忽略无关的背景信息，从而提高模型对小目标物体的特征提取能力。实验结果表明，所提方法的平均交并比达到86.42%，相比于DeepLabV3+模型提升了3.94个百分点。所提方法充分考虑图像分割中小目标的关注度，提升了遥感图像的分割精度。     

基于改进DeepLabv3+的道路分割算法

基于深度学习的遥感影像图像分割技术使用越来越广泛,针对现有算法存在参数量较大、细节部分提取结果差等问题,提出一种基于改进DeepLabv3+的道路图像分割方法。将轻量型网络MobileNetV2引入改进后的池化金字塔模型用以提取中阶特征图,增强了不同感受野之间的相关性;并采用多尺度拼接融合方法生成高阶特征图,同时引入注意力机制来进一步加强对图像特征的提取效果。实验结果表明,所提方法相比于DeepLabv3+模型mIoU提高了5%,有效提升了遥感图像的分割精度。     

基于注意力机制的脑肿瘤分割算法研究

文章针对形状复杂、边界模糊的脑肿瘤难以实现精确分割的问题,提出一种基于卷积注意力机制和Transformer多头注意力机制的U型分割网络。文章首先设计了基于通道注意力和空间注意力的卷积模块,提高了模块对局部关键特征的提取能力;其次使用一种结构更精简的Transformer模块作为网络的瓶颈层,利用其多头注意力机制对全局特征进行充分感知;最后在BraTS 2021数据集上进行了实验。实验结果表明文章算法在增强肿瘤区域、肿瘤核心区域和整个肿瘤区域的Dice系数评分分别为87.51%,90.69%和93.47%,可以有效提高脑肿瘤分割精度。     

多尺度特征融合的安检图像危险品检测

现有的目标检测算法检测X光安检图像中较小尺寸的危险品精度较低,为此提出一种多尺度特征融合检测网络,即MFFNet(Multi-scale Feature Fusion Network),其以SSD检测模型为基础并采用更深的特征提取网络,即ResNet-101.通过跳跃连接的方式将网络的高层语义丰富特征与低层边缘细节特征...     

基于生成对抗网络的语义分割方法

在语义分割模型结构不变的前提下,为提升模型对图像分割的精确度,引入生成对抗网络结构用于训练语义分割模型(SS-GAN)。SS-GAN包含3个设计环节：构建全卷积网络(FCN)结构的生成模型,进行初步的图像分割;设计具备像素间高阶关系学习能力的对抗模型,提高生成模型的学习能力;加入对抗损失辅助生成模型学习,进一步促进生成网络自主学习像素间关系。在计算机视觉竞赛数据集(PASCAL VOC)和城市景观数据集(Cityscapes)上的实验结果表明,引入生成对抗网络后取得了更好的效果,2个数据集的交并比(IoU)指标分别提高了1.56%/1.17%和1.93%/1.55%。     

基于最大二维熵的被动式太赫兹安检目标分割

针对被动式太赫兹安检的检测需求,提出一种基于最大二维熵的隐蔽目标分割方法.该方法设计了一组适用于被动式太赫兹图像的滤波器组,实现噪声过滤和图像增强;设计了一种待检区域自生成的算法,实现对重点检测区域的自动覆盖;同时,引入二维熵的概念,实现对待检测区域内的隐蔽目标的轮廓分割.在0.2 THz频段的被动成像下开展了评估和对...     

主动太赫兹成像中的多目标分割与检测识别方法

针对主动太赫兹成像中存在的图像品质差以及藏匿物品类别多样、训练样本稀缺且类别不平衡等问题,提出了基于用条件生成对抗网络构建的Mask-CGANs模型的目标分割网络和基于RetinaNet的目标检测识别网络,实现了太赫兹图像中藏匿物品的多目标分割和检测识别。针对分割任务提出的约束损失函数和网络结构,使模型在召回率和虚警率之间达到平衡且降低了对训练样本规模的要求。针对检测任务采用的损失函数提高了训练样本不平衡条件下的检测精度。     

危险品实时检测定位的Faster RCNN算法研究

为了提升安检过程的检测效率以及检测精度,基于Faster-RCNN检测算法,结合VGG-16理论,构建了一种能够实时检测危险品的检测器,结合实际安检采集的影像数据样本,通过深度学习网络对图像数据进行训练,进行数据验证分析,结果表明该检测器具有较高的验证精度,检测算法的精度以及检测效率均高于传统的检测算法,能够较为精准的定位危险品,本文给出的方法为实际安检过程提供了理论支撑及借鉴。     

Semantic segmentation of 3D point cloud based on contextual attention CNN

Aiming at the under-segmentation of 3D point cloud semantic segmentation caused by the lack of contextual fine-grained information of the point cloud,an algorithm based on contextual attention CNN was proposed for 3D point cloud semantic segmentation.Firstly,the fine-grained features in local area of the point cloud were mined through the attention coding mechanism.Secondly,the contextual features between multi-scale local areas were captured by the contextual recurrent neural network coding mechanism and compensated with the fine-grained local features.Finally,the multi-head mechanism was used to enhance the generalization ability of the network.Experiments show that the mIoU of the proposed algorithm on the three standard datasets of ShapeNet Parts,S3DIS and vKITTI are 85.4%,56.7% and 38.1% respectively,which has good segmentation performance and good generalization ability.     

基于阈值分割和边缘检测的枪支THz图像识别

针对太赫兹(THz)图像的特点,采用阈值分割和边缘检测等数字图像处理技术将枪支分割出来,然后提取枪支的有效特征,并对人体携带枪支的THz图像进行自动识别和判断.若发现有危险品或可疑物品,则发出警报信号.实验结果表明,该方法能够有效地将人体隐蔽携带的枪支类危险品同钢笔、钥匙、挂饰等人体通常携带的其它物品区别开来,实现了安...     

改进的均值滤波算法在太赫兹成像中的应用

研究被动太赫兹图像的降噪算法,提出了一种改进的均值滤波算法,在原有均值滤波算法的基础上加入了阈值的概念,由被动太赫兹扫描成像的技术特点确定了滤波模块的形状,并根据图像评价参数信息熵确定了滤波模板的最佳尺寸。实验表明该算法对于被动太赫兹图像具有良好的降噪效果,可以在保留成像目标信息的基础上滤除图像背景中的噪声。该算法提高了图像质量,增加了对隐匿物的辨别能力,从而为被动太赫兹成像技术在安检工作中的应用提供了必要的保证。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测,提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合,构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力,采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品,并且目标检测的平均准确率约94%,检测速度约为6 frame/s,对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于GAN和CNN-ELM的监控图像智能修复及检测方法

针对目前石化危险品装车过程中海量监控视频图像人为处理效率低下、模糊图像识别率低等问题,提出一种基于生成式对抗网络(GAN)和卷积神经网络(CNN)与极限学习机(ELM)相结合的监控模糊图像智能修复及检测方法.首先,使用深度学习网络作为 目标检测框架,利用GAN网络中生成器与判别器间的零和博弈对模糊图像进行复原,得到清晰完整的作业图像;其次,利用CNN自适应学习图像特征的能力,对修复后的图像进行自主特征提取;最后,将提取的图像特征输入ELM分类器中进行目标识别与分类,判断作业过程是否存在违规行为.试验结果表明:所提方法图像修复速度快,视觉效果自然,且目标识别准确率高,具有很好的泛化能力.     

基于AW-Net的轮毂射线图像分割算法北大核心CSCD

针对传统方法下的汽车轮毂内部缺陷检测效率低、精度达不到工业标准的问题,本文提出了一种基于改进U-Net神经网络的轮毂X射线图像缺陷分割方法AW-Net。该方法通过三级跳跃连接的方式级联两个U型网络对图像特征进行深度提取。同时在跳跃连接的过程中融合注意力机制以解决小目标的变化情况容易被漏检的问题,并通过实验验证结合使用多种激活函数来实现更精准的轮毂X射线图像语义分割,增加网络的拟合能力,提高网络的鲁棒性。实验结果表明:改进后的算法在本文构建数据集的汽车轮毂内部缺陷的误判率为2.73%,漏判率为0,识别率达到93%以上,其分割精度高于传统图像分割网络全卷积网络(fully convolutional network, FCN)和U-Net,且本方法边缘分割更加平坦,满足现代轮毂内部缺陷无损检测的需要。     

Detection of GAN generated image using color gradient representation

With the development of generative adversarial network (GANs) technology, the technology of GAN generates images has evolved dramatically. Distinguishing these GAN generated images is challenging for the human eye. Moreover, the GAN generated fake images may cause some behaviors that endanger society and bring great security problems to society. Research on GAN generated image detection is still in the exploratory stage and many challenges remain. Motivated by the above problem, we propose a novel GAN image detection method based on color gradient analysis. We consider the difference in color information between real images and GAN generated images in multiple color spaces, and combined the gradient information and the directional texture information of the generated images to extract the gradient texture features for GAN generated images detection. Experimental results on PGGAN and StyleGAN2 datasets demonstrate that the proposed method achieves good performance, and is robust to other various perturbation attacks.