基于注意力特征增强的投影图像光度补偿方法

目前,投影补偿算法已经取得了良好的研究成果,但大部分的投影图像色彩补偿研究,忽略了色彩传递函数建模过程中的光学部分,导致对色彩传递函数的建模精确度不高。同时,针对投影图像色彩补偿过程中,出现的加深网络导致提取特征信息丢失的现象,大多数的深度学习网络优化设计较少。基于以上问题,本文提出了一种基于注意力特征增强的投影图像光度补偿方法。该方法通过增加网络深度来提取带有彩色纹理投影表面的特征信息,同时采用深度学习来拟合复杂的复合辐射传递函数,以解决传统光度补偿方法存在的问题,提高了投影图像的质量和色彩,进一步消除了对高质量投影幕的依赖。本文所提方法的投影图像光度补偿结果,在峰值信噪比(PSNR)、均方根误差(RMSE)和结构相似性(SSIM)三项评价指标上,均好于其他对比算法,与CompenNet系列方法相比,本文所提方法在PSNR评价指标上最高提升5717、在RMSE评价指标上最高减少14968,在SSIM评价指标上最高提升2893。     

基于卷积神经网络的双离合变速器(DCT)换挡品质评价技术研究

在双离合变速器换挡品质评价技术基础上,提出一种基于卷积神经网络的换挡品质评价预测模型,并对模型进行训练。经过训练的神经网络能够自主学习数据图像中的特征,并且针对每一张图像中的特征进行快速提取和分类,最终达到减少阈值确定时间以及减少误判和漏判的目的。