基于BSRGAN的集气站仪表读数识别

为解决集气站的巡检机器人采集到的仪表图像分辨率低、常伴有噪点和仪表图像畸变、不便于读数算法直接应用等问题,提出了一种基于盲超分辨率生成对抗网络(BSRGAN)的仪表读数算法。首先,利用BSRGAN提高输入仪表图像的分辨率,较传统方法能够显著增强仪表图像的视觉感知水平。自然图像质量评估(NIQE)在测试集中表现较好,结构相似性指数(SSIM)值均大于0.85。利用尺度不变特征变换(SIFT)算法对重建图像进行特征提取。特征点数量在重建后显著增加,有助于表盘图像的校正。然后,采用连通域划分和指针细化等形态学操作提取指针中心线。最后,利用角度法识别表盘读数。试验读数结果与真实值的平均相对误差为0.625%。试验结果表明,所提算法可行、有效、精准,能够提高仪表图像清晰度和视觉感知,适用于集气站及其他复杂环境的仪表读数。     

基于空洞卷积的医学图像超分辨率重建算法

为解决现有医学图像超分辨率重建中存在的图像细节模糊、全局信息利用不充分等问题,提出一种基于空洞卷积与改进的混合注意力机制的医学图像超分辨率重建算法。首先,将深度可分离卷积与空洞卷积相结合,使用不同大小的感受野对图像进行不同尺度的特征提取,从而增强特征表达能力;其次,引入边缘通道注意力机制,在提取图像高频特征的同时融合边缘信息,从而提高模型的重建精度;再次,混合L1损失与感知损失函数作为整体损失函数,使重建后的图像效果更符合人类视觉感观。实验结果表明,在放大因子为3时,与基于卷积神经网络的图像超分辨率（SRCNN）算法、VDSR(Very Deep convolutional networks Super-Resolution)相比,所提算法的峰值信噪比（PSNR）平均提高了11.29%与7.85%;结构相似性（SSIM）平均提高了5.25%和2.44%。可见,所提算法能增强医学图像的效果与纹理特征,且对图像整体结构还原更加完整。     

高阶条件随机场引导的多分支极化SAR图像分类

目的 针对极化合成孔径雷达（polarimetric synthetic aperture radar,PolSAR）小样本分类问题,基于充分挖掘有限样本的极化、空间特征考虑,提出一种由高阶条件随机场（conditional random field,CRF）引导的多分支分类网络模型。方法 利用Yamaguchi非相干目标分解方法,构建每个像素的极化特征向量。设计了由高阶CRF能量函数引导的多卷积分支特征提取网络,将像素点极化特征向量作为输入,分别提取像素点的像素特征、邻域特征和位置特征信息。将以上特征进行加和融合,并输入到softmax分类器中得到预分类结果。利用超像素方法对预分类结果图进行进一步修正和调优,平滑相邻像素之间的特异性和相似性。结果 采用1%的采样率对两组真实的极化SAR数据进行测试。同时,为了更好地模拟实际应用中训练样本位置分布不均匀的情况,考虑了空间不相交采样方法作为对比实验。综合两种采样策略的实验结果表明,相较于只利用像素级特征或简单利用空间特征的方法,本文方法总分类精度平均提升7%～10%,不同地物类别的分类精准度均在90%以上,运行速度相比于支持向量机（support vector machine,SVM）提高了2.5倍以上。结论 通过构建高阶CRF引导的卷积神经网络,将像素特征信息、同质区域特征和地理位置信息进行融合,有效建立了像素级和对象级数据之间的尺度关联,进一步扩充了像素点之间的空间依赖性,提取到了更强大更准确的表征特征,显著提高了标记样本数量较少情况下的卷积网络模型的分类性能,进一步保证了地物目标散射机制表征的全面性和可靠性。     

身份保持约束下的面部图像超分辨率重建方法

低分辨率是影响人脸识别精度的重要因素。一种有效方法是使用图像超分辨率技术对低分辨率图像重建,生成超分辨率图像后再对其作人脸识别,从而克服低分辨率面部图像对人脸识别的限制。但是,现有超分辨率方法在重建过程中往往忽略了保持其原始身份信息,这直接影响生成图像的人脸识别结果。针对上述问题,提出了一种身份保持约束下的面部超分辨率重建方法IPNet,在提高低分辨率面部图像质量的同时,能保持重建后的面部图像身份。IPNet方法将语义分割网络和面部生成器相结合,通过语义分割网络提取低维隐码和多分辨率空间特征,进而指导面部生成器输出接近于原图的真实面部图像。在此基础上引入人脸识别网络,将身份信息整合到超分辨率方法中,从而约束重建前后的面部图像身份保持一致。实验结果表明,IPNet方法在超分辨率图像质量和身份保持上均优于其他对比方法。     

小目标检测研究综述

随着计算机视觉和人工智能技术的快速发展,目标检测受到了更加广泛的关注。由于小目标像素占比小、语义信息少、易受复杂场景干扰以及易聚集遮挡等问题,导致小目标检测一直是目标检测领域中的一大难点。目前,视觉的小目标检测在生活的各个领域中日益重要。为了进一步促进小目标检测的发展,提高小目标检测的精度与速度,优化其算法模型,本文针对小目标检测中存在的问题,梳理了国内外研究现状及成果。首先,分别从小目标可视化特征、目标分布情况和检测环境等角度对小目标检测的难点进行了分析,同时从数据增强、超分辨率、多尺度特征融合、上下文语义信息、锚框机制、注意力机制以及特定的检测场景等方面系统总结了小目标检测方法,并整理了在框架结构、损失函数、预测和匹配机制等方面发展的较为成熟的单阶段小目标检测方法。其次,本文对小目标检测的评价指标以及可用于小目标检测的各类数据集进行了详细介绍,并针对部分经典的小目标检测方法在MSCOCO(Microsoft common objects in context)、VisDrone2021(vision meets drones2021)和Tsinghua-Tencent100K等数据...     

圆柱壳弹性波超材料分级排列的带隙拓宽方法研究

圆柱壳弹性波超材料的弯曲波带隙拓宽问题限制其满足实际工程中的宽频隔振要求,针对该问题,本文首先研究了基于局域共振机理的圆柱壳弹性波超材料弯曲波带隙特点,研究局域谐振器质量和弹簧劲度系数的关系,然后将周期分级排列的组合方式应用于圆柱壳类弹性波超材料的带隙拓宽中,并利用有限元法进行能带结构和振动传输特性计算.研究结果显示：该方法可实现弯曲波带隙的拓宽;利用组合法构建的轴向周期分级排列圆柱壳弹性波超材料可实现705-1226Hz频率范围内弯曲波的高效衰减,带隙拓宽至分别为单一谐振器的2.55倍,这表明该方法在宽频减振方面具有明显优势,应用前景广阔.     

基于改进ResNet-50的图像特征提取网络

为了提高图像的特征质量,保证最后提取到的特征高度精炼,提出了一种新的方法;该方法首先将低分辨率图像经过小波变换分解成高频分量和低频分量,并结合插值法进行插值,最后通过小波逆变换得到高分辨率图像来为后续的特征提取提供高质量的图片输入;接着,选取ResNet-50网络作为基础网络,将Efficient Channel Attention(ECA)模块与ResNet残差结构结合形成一个全新的ECA-ResNet50模块,ECA模块具有的通道级的注意力机制,可以让整个网络更加专注于提取显著特征;经实验测试,该方法对于图像特征提取的质量有着明显的提升,均方误差下降可达6.65;结果表明,该方法可行有效,具有良好的工程应用前景;     

WSN中基于超椭圆判决边界的异常检测的动态建模

为了实现无线传感器网络的动态数据流环境中的异常检测,本文提出了一种迭代超椭圆判决边界方法。首先建立起异常检测超椭圆模型,然后每个节点基于到当前时间为止的测量值来调整其超椭圆模型,最终收敛到覆盖正常和异常测量值的超椭圆边界;为了提高模型对监测环境中数据变化的跟踪能力,提出了一种采用遗忘因子并结合滑动窗口的基准估计和有效N跟踪的方法,从而实现对数据真实流属性的捕捉;仿真实验结果表明,本文提出的动态建模方法相比于目前先进的静态建模方法,不仅具有更高的准确性和异常检测能力,而且具有更强的数据变化的跟踪能力和检测能力。     

基于压缩感知和超混沌系统的多图像加密算法

为了有效改善传输速率并降低带宽负担, 提出一种基于压缩感知和超混沌系统的多图像加密方案. 首先将多幅原始图像拼接成新的明文图像, 并将部分明文信息与随机正整数结合产生混沌系统初始值, 利用超混沌系统产生的伪随机序列生成加密过程所需的测量矩阵、置乱序列及扩散序列. 其次通过离散小波变换、阈值处理以及并行测量对明文图像进行压缩处理, 有效减少运算数据量, 大大加快运行速率. 最后通过无重复置乱操作和双向加模扩散得到最终的密文图像. 经多个层面的仿真模拟实验, 验证了所提算法能有效抵御剪切攻击, 且具有比较高的安全性.     

基于超像素随机擦除的长时行人重识别

现有的行人重识别往往依赖于一个假设,即行人不会更换他的服装。不幸的是,这种假设可能不适用于长时行人重识别。在长时间捕获的行人数据集中,行人的服装经常发生变化。目前主流的行人重识别方法在长时行人重识别中往往会失效,其识别精度会大幅度下降。针对长时行人重识别中的服装变化的情况,提出了一种超像素随机擦除算法。该算法首先选取可能为服装区域的超像素,再用随机值擦除其中像素,并且擦除前后的图像都会被输入至骨干网络进行训练。还对擦除前后模型输出特征用深度均方差损失进行约束,从而强制模型学习与服装无关的特征。实验表明,该方法能够有效地应对长时行人重识别中行人换装问题,与之前的方法相比,识别精度有较大提升。