适用于迭代型去模糊算法粗精检测相结合的自适应终止机制

由于缺乏合适的去模糊图像质量度量方法,迭代型去模糊算法通常将其迭代次数简单地设置为固定值,无法在执行效率和去模糊质量之间获得最优的平衡点。为此,提出一种粗精检测相结合的迭代终止机制并将其应用到迭代型去模糊算法中以自适应地确定它们最佳的迭代次数。具体地,在每一步迭代过程中利用伪PSNR值细粒度地判断去模糊图像质量是否趋于稳定,另一方面每隔若干步利用从反向卷积残差图像中提取的统计特征值粗粒度准确地判定图像质量是否达到最佳,将两种去模糊图像质量度量方法有机结合以实现一种效率高且准确的迭代终止判定机制。评估结果显示,将所提出的粗精相结合的终止机制应用于NCSR、GSR和ADMM共三种主流去模糊算法后,执行效率可提高50%左右,而去模糊图像质量也得到了最佳保证。实验结果表明,提出的检测机制能够有效地解决各种迭代型去模糊算法因采用固定迭代次数而存在的无益迭代和过迭代问题,非常具有普适性。     

多层感知分解的全参考图像质量评估

目的 图像质量评估是计算机视觉、图像处理等领域的基础研究课题之一,传统评估方法常基于图像低层视觉特征而忽略了高层语义信息,这也在一定程度上影响了客观指标和主观视觉质量的一致性。近年来,感知损失被广泛应用于图像风格化、图像复原等研究中,通过使用预训练的深度网络对图像进行多层语义分解,在相关问题上取得了较好的效果。受感知损失启发,提出一种多层感知分解的全参考图像质量评估方法。方法 首先使用预训练的深度网络对图像进行多层语义分解,获取多层特征图,再计算失真图像与参考图像之间的相似度,以及它们的不同层级特征图之间的相似度,最终得出兼顾了高层语义信息的图像质量分数。结果 针对传统方法PSNR（peak signal-to-noise ratio）、SSIM（structure similarity）、MS-SSIM（multi-scale structure similarity）及FSIM（feature similarity）进行实验,结果表明,本文方法能够有效提升传统图像质量评估方法的性能,在SRCC（Spearman rank order correlation coefficient）、KRCC（Kendall rank order correlation coefficient）、PLCC（Pearson linear correlation coefficient）和RMSE（root mean squared error）客观指标上均有相应提升。通过使用本文框架,PSNR、SSIM、MS-SSIM、FSIM方法在TID2013数据库上SRCC指标分别获得0.02、0.07、0.06和0.04的提升。结论 本文提出的一种多层感知分解的全参考图像质量评估方法,结合传统方法与深度学习方法,兼顾了图像低层视觉特征和高层语义信息,从而有效地提升了传统方法的评估性能,使客观评估结果更加符合主观视觉感受,同时,本文提出的评估框架能够适用于多种传统方法的性能提升。     

From separability/identifiability properties of bilinear and linear-quadratic mixture matrix factorization to factorization algorithms

Blind source separation (BSS) and Blind Mixture Identification (BMI) methods typically concern unknown source signals, transferred through a given class of functions with unknown parameter values, which yields mixed observations. Using only these observations, BSS/BMI aims at estimating the source signals and/or mixing parameters. Most investigations concern linear instantaneous mixing functions. They contain two aspects. The first one consists in proposing general BSS/BMI principles, e.g. Independent Component Analysis, Sparse Component Analysis or Nonnegative Matrix Factorization (NMF), and/or deriving associated practical algorithms. The second aspect consists in analyzing the properties resulting from these principles. This is of utmost importance, to determine if the proposed BSS/BMI principles are guaranteed to separate the source signals and to identify the considered mixing model up to acceptable indeterminacies. These separability/identifiability analyses are even more important for nonlinear mixtures, that were shown to potentially yield higher indeterminacies. Among them, bilinear and linear-quadratic mixtures are receiving increasing attention, e.g. due to their application to remote sensing. Especially, extensions of NMF were recently proposed for them, but the resulting separability/identifiability properties were not analyzed. We here address this topic, moreover proceeding further by investigating Bilinear and Linear-Quadratic Mixture Matrix Factorization (BMMF and LQMMF) approaches without nonnegativity constraints. We especially show that, whereas nonlinearity is often considered to be a burden, it yields an essentially unique decomposition under mild conditions for BMMF. On the contrary, full LQMMF is shown to yield spurious solutions, which increases the usefulness of combining it with nonnegativity constraints in applications where data meet these constraints. Algorithms based on this framework are also defined in this paper and their performance is reported.     

基于密集连接空洞卷积神经网络的青藏地区云雪图像分类

为了提高高纬度地区云雪卫星图像的识别准确率,提出了密集连接空洞卷积神经网络与空洞卷积相结合的方法进行云雪卫星图像识别研究。该方法首先采用常规卷积层对图像进行处理得到特征图,然后采用多个密集块和过渡层对特征图进行处理。其中,密集块中采用跨层连接的方式实现了网络中所用层的特征传递,使得大量云雪特征得到重用,同时减轻了训练过程中的梯度消失问题。密集块中的卷积核采用空洞卷积,在减少参数量的同时扩大局部感受野,对云雪的光谱信息进行特征提取。最后,该方法采用平均全局池化层与全连接层得到云雪图像的预测结果。实验结果表明,与其他机器学习方法相比,该方法能够提高卫星云雪图像的识别准确率,具有良好的泛化能力。     

基于跳跃连接金字塔模型的小目标检测

随着深度学习的发展,目标检测已经获得了较高的精度和效率。但是小目标的检测仍然是一个挑战。小目标检测准确率较低的重要原因是没有充分利用高层特征的语义信息和低层特征的细节信息之间的关系。针对上述问题,本文提出一种基于跳跃连接金字塔模型的小目标检测方法。与其他的目标检测方法不同,本文提出利用跳跃连接金字塔结构来融合多层高层语义特征信息和低层特征图的细节信息。而且为了更好地提取不同尺度物体对应的特征信息,在网络模型中采用不同大小的卷积核和不同步长的空洞卷积来提取全局特征信息。在PASCAL VOC和MS COCO数据集上进行了实验,验证了算法的有效性。     

基于体素特征重组网络的三维物体识别

三维物体识别是计算机视觉领域近年来的研究热点,其在自动驾驶、医学影像处 理等方面具有重要的应用前景。针对三维物体的体素表达形式,特征重组卷积神经网络 VFRN 使用了直接连接同一单元中不相邻的卷积层的短连接结构。网络通过独特的特征重组方式,复 用并融合多维特征,提高特征表达能力,以充分提取物体结构特征。同时,网络的短连接结构 有利于梯度信息的传播,加之小卷积核和全局均值池化的使用,进一步提高了网络的泛化能力, 降低了网络模型的参数量和训练难度。ModelNet 数据集上的实验表明,VFRN 克服了体素数据 分辨率低和纹理缺失的问题,使用较少的参数取得了优于现有方法的识别准确率。     

可监管的比特币隐私保护混淆服务

随着比特币隐私保护研究的深入,比特币作为一种新型“数字货币”变得更加难以监管。针对该问题,提出了一种可监管的比特币隐私保护混淆方案RBmix。RBmix模型使用公平盲签名算法,并引入可信第三方,具有可监管性、匿名性、可扩展性、比特币兼容性以及抗DoS攻击性。实验结果表明RBmix协议具有良好的扩展性和执行效率。     

基于陶器刻划符号的智能特征图形设计

目的 为了充分挖掘陶器刻划符号所蕴含的文化价值和美学价值,通过提取陶器刻划符号的图像特征并将其应用于智能终端产品的图形界面设计,来推动传统刻划图形在智能信息环境下的应用、传承与发展.方法 在陶器刻划符号图像亮度特征处理的基础之上,提出了基于卷积运算的图像亮度特征提取模型,以及动态特征图形的创建方法,并以双墩刻划符号为例,开展了基于亮度特征提取模型的智能特征的图形设计与应用实践.结果 研究与实践结果表明,图像亮度特征处理大大简化了图像特征的提取过程,而卷积运算提升了图像特征的提取精度,因此在此基础之上进行的智能特征图形设计精准而高效.结论 该方法实现了传统刻划图形的图像特征的有效提取与智能特征的图形设计,可应用于智慧博物、智慧旅游等智能终端产品的图形界面设计与展示.通过智能图形技术和产品应用形式来有效传达传统刻划图形的图像特征、文化内涵和美学价值.     

R²N: A Novel Deep Learning Architecture for Rain Removal from Single Image

Visual degradation of captured images caused by rainy streaks under rainy weather can adversely affect the performance of many open-air vision systems. Hence, it is necessary to address the problem of eliminating rain streaks from the individual rainy image. In this work, a deep convolution neural network (CNN) based method is introduced, called Rain-Removal Net (R²N), to solve the single image de-raining issue. Firstly, we decomposed the rainy image into its high-frequency detail layer and low-frequency base layer. Then, we used the high-frequency detail layer to input the carefully designed CNN architecture to learn the mapping between it and its corresponding de-rained high-frequency detail layer. The CNN architecture consists of four convolution layers and four deconvolution layers, as well as three skip connections. The experiments on synthetic and real-world rainy images show that the performance of our architecture outperforms the compared state-of-the-art de-raining models with respects to the quality of de-rained images and computing efficiency.     

适用于地铁空间内的盲人导识设计

目的从盲人的认知出发,以盲人的感知设计为导向,提出以多感官代偿为核心的研究思路,解决盲人在乘坐地铁时遇到的系列识别问题。方法通过分析视觉以外的各种感官的识别代偿方法,以及盲人乘车遇到的问题,将地铁空间的盲人导识系统划分为"识别无障碍"和"行为无障碍"两部分。从识别的内容入手,又将"识别无障碍"划分为"方向识别无障碍"和"信息识别无障碍",并通过分析各个部分的结果,最后提出设计建议。分析地铁空间的"地标知识"、"路径知识"和"场景知识",从而为"行为无障碍"的设计提出理论依据。结论从"导视"到"行为"是一个连续的识别过程,不能只设计"识别无障碍"和"行为无障碍",只有将两者结合起来,才能有效地提升盲人的导识系统。