基于注意力和卷积特征重排的图像修复

近年来,基于UNet与GAN（生成对抗网络）的深度学习网络模型在图像修复领域展现出了独特的优势,但是修复结果中仍然存在伪影、模糊、纹理细节退化、对于大面积破损难以修复、修复后的孔洞与背景图像不相容等现象。为了解决现有模型对大面积破损图像修复不友好以及修复后的图像存在退化现象等问题,通过对现有方法进行研究,改进了Shift-UNet（移位网络）模型：在UNet与GAN的基础上,在每一层编码器和解码器之间增加了改进之后的注意力机制Attention-UNet并融入shift-UNet,形成Attention-Shift-UNet;并且通过研究,将原来下采样部分的激活函数由Leaky_ReLU改为了SiLU函数。改进模型不仅在64×64的中心遮罩上取得了较好的效果,还实现了随机遮罩,遮罩面积由20%增加到80%。通过实验结果证明,该模型的修复效果更优,特别是针对大面积破损图像的修复。在CelebA、ParisArchitecture以及Paris Streetview数据集上经过测试,各评价指标都有明显的提高,其中结构相似性（SSIM）由原来的0.944 5提高到0.947 1,峰值信噪比（PSNR）由原来的27.992 7提高到28.553 6,L2损失由原来的0.001 7降低到0.001 5。     

基于态势利导的同步逆变器负序电流抑制方法

电网电压不平衡时,同步逆变器并网运行输出负序电流导致三相并网电流严重不平衡,进而使电网不稳定加剧,制约了其在新能源并网中的应用。针对此问题,对电网电压与逆变器输出电压未能同步而产生的不平衡电流进行机理分析,提出了一种抑制负序电流的新方法。该方法首先对逆变器输出电流进行态势预测,提前预知电流态势信息,然后将预测所得电流变化量转化为相应电压变化量作为前馈信息输入同步控制系统进行实时补偿,可实现同步逆变器态势利导下的快速预防控制。仿真结果表明,所提方法有效抑制了电网电压不平衡时的负序电流,降低了电流不平衡度,并提高了控制系统的动态性能。     

曲面电视的现状与发展

近几年来,曲面电视越来越引起人们的关注,首先从曲面电视的实现原理出发介绍了OLED显示技术,并将OLED显示技术与目前市场上主流的LCD,LED显示进行了对比;接着从几大电视机产业巨头的研发生产进度和产品市场投放情况分析了曲面电视的发展现状;最后针对曲面电视发展中需要克服的障碍,从降低成本、提高稳定性、完善功能等方面阐述了曲面电视的发展方向.     

重力感应技术在智能手机中的应用分析

主要从专利角度对重力感应技术在智能手机中的应用进行探讨.首先对重力感应技术的原理进行阐述;然后,对其在手机中的应用进行了探析;最后,通过列举专利典型案例介绍了4种检测感应功能的应用,并提出发展趋势.     

基于稀疏自编码特征聚类算法的图像窜改检测

同图复制窜改是图像窜改较为常见的一类,基于块匹配检测方法往往存在准确率低、时间复杂度高等问题,为提高准确率并大幅度降低时间复杂度,应用深度学习特征和聚类算法进行检测。首先用稀疏自编码器训练大量样本集找出同图复制图像的内部规律并得到降维的隐藏层权值矩阵,通过权值矩阵获得检测图像的隐藏层特征,即定义的稀疏自编码特征;用K-means算法一次聚类自编码特征去除图像平滑区域,二次聚类纹理特征获得检测结果,若检测结果中含有少量异常块,通过欧氏距离判断和RANSAC（random sample consensus）算法将异常块去除,从而实现窜改区域的检测。实验结果表明,该算法与其他算法比较综合准确率提升14.3%,时间效率提升72%。将深度学习特征与聚类算法结合使用,使得同图复制窜改在时间效率和准确率上皆有所提升。     

多点触控手势识别技术发展综述

从专利的角度探究了多点触控手势识别技术在移动终端领域的发展趋势,通过一些典型的专利文献介绍了专利中的技术发展情况,并分析了多点触控手势技术在移动终端领域的技术特点,由此对今后的专利发展趋势进行了展望.     

基于多残差马尔科夫模型的图像拼接检测

针对传统马尔科夫特征计算差值矩阵的方式单一、拼接检测鲁棒性不强的问题,提出彩色多残差马尔科夫特征拼接检测模型。该模型引入隐写检测模型(Rich Models for Steganalysis,SRM)中的多种残差类型来改进传统马尔科夫特征,从R,G,B 3个通道分别提取10种不同类型的马尔科夫特征,训练30个独立的SVM分类器,最后通过决策判断进行分类预测。该方法在哥伦比亚大学彩色拼接检测库上达到了95.40%的准确率。