基于稀疏神经网络的图像超分辨率重建算法

部分基于深度学习的图像超分辨率重建算法通过扩展网络层的深度来提高网络模型的整体特征表达能力。然而,一味过度地扩展网络的深度会造成网络模型过参数化和复杂化,并且冗余的网络参数会增加特征表达的不稳定性。在LTH剪枝算法基础上改变权重参数并使用均衡学习策略,提出一种适用于图像超分辨率重建任务的神经网络非结构化剪枝算法RLTH。在不改变网络结构和不增加计算复杂度的前提下,通过搜索原始网络模型的最优稀疏子网络排除冗余参数带来的影响,在有限的参数资源中捕获更细粒度和丰富的图像特征,进而提高网络模型的整体特征表达能力。基于Set5、Set14和BSD100测试集的实验结果表明,与原始网络模型和应用LTH剪枝算法相比,应用RLTH算法获得的重建图像PSNR和SSIM均得到提升,且具有更丰富的细节特征,整体和局部轮廓更清晰。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点，因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征，具有良好的三维点云特征学习能力，在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响，从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题，本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT，具体地，GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节，利用减法关系和邻域位置编码对三维点云邻域求取注意力特征，同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题，进而提升网络的分类准确率。实验结果表明，与PCT三维点云分类和分割网络相比，所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%，而在ScanObjectNN数据集上的分类精度提升了1.9%，在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化，充分验证了改进方法的有效性。