基于生成对抗网络的无监督图像风格迁移

无监督的图像风格迁移是计算机视觉领域中一个非常重要且具有挑战性的问题.无监督的图像风格迁移旨在通过给定类的图像映射到其他类的类似图像.一般情况下成对匹配的数据集很难获得,这极大限制了图像风格迁移的转换模型.因此,为了避免这种限制,对现有的无监督的图像风格迁移的方法进行改进,采用改进的循环一致性对抗网络进行无监督图像风格迁移.首先为了提升网络的训练速度,避免梯度消失的现象出现,在传统的循环一致性网络生成器部分引入DenseNet网络;在提高生成器的性能方面,生成器网络部分引入attention机制来输出效果更好的图像;为了减少网络的结构风险,在网络的每一个卷积层都使用谱归一化.为了验证本文方法的有效性,在monet2photo、vangogh2photo和facades数据集上进行了实验,实验结果表明,该方法在Inception score平均分数和FID距离评价指标上均有所提高.     

二次特征融合的YOLO目标检测算法

为解决YOLO目标检测算法精确度低的问题,提出一种二次特征融合的YOLO目标检测算法.使用改进的可分离卷积模块来对传统的卷积模块进行改进,从而减小网络的模型,保证目标检测的速度;将卷积块之间的残差连接改进为密集连接,从而增大感受野;对于输出的三个不同大小的特征图进行二次特征融合,将高层特征信息与下层特征信息结合,让下层信息充分融合上层信息,从而提高对图片特征提取的能力.在PASCAL VOC 2007、WiderFace数据集上实验的结果表明,该方法对于目标检测的精度有明显的提高.     

基于遗传算法的多峰函数优化

目前,对于整体优化问题已经进行了大量理论研究,并提出了许多基于导数的解析方法和其他非解析的数值优化技术。但是,在实际领域中存在着各种高度复杂的优化问题,其目标函数可能表现为非连续或非处处可微、非凸、多峰和带噪声等各种形式,这类复杂优化问题不适合于采用解析方法,同时用传统上的搜索技术求解也会遇到许多困难。针对上述问题,提出利用遗传算法求解多峰函数的优化方法,新方法利用遗传算法的鲁棒性,对多峰函数进行优化,并用Matlab进行仿真,实验结果表明,遗传算法可以快速稳定地搜索到多峰函数的最优解。     

基于单应性矩阵和内容保护变形的图像拼接

针对图像拼接技术进行全景图像融合时出现瑕疵、畸变且不能保护图像内容的现象,提出了一种基于单应性矩阵和内容保护变形的图像拼接算法。该算法首先选用单应性矩阵模型,给定种子特征点,递增地对其相邻特征点进行分组;然后使用较合适的阈值进行分组得到尽可能多的特征点;最后对于由单应性矩阵产生图像的内容发生变化的现象,通过内容保护变形算法来解决,使拼接后的图像不会出现物体畸变、瑕疵的现象。实验表明,本文算法解决了在光照条件下出现模糊、图像内容发生变化的现象,有效地提高图像配准的效率,能够达到无缝拼接、无视差的全景效果图。     

基于多尺度特征聚合的图像超分辨率重建

针对图像超分辨率重建过程中,存在提取特征信息单一、图像细节缺失的问题,提出了一种新的生成式对抗网络(DAMFA-GAN),以获得更加逼真和自然的重建图像。在生成器方面,设计融合动态注意力机制的多尺度特征聚合模块(DAMFA)以获取低分辨率图像中每个上采样特征的多尺度高频信息,提高重建图像的质量;在判别器方面,设计ConvTrans Encoder模块以增强特征信息提取能力,提高判别的准确率。在Set5、Set14、BSD100和Urban100数据集上的实验结果表明,DAMFA-GAN在峰值信噪比(PSNR)和结构相似性(SSIM)上较于SRGAN分别平均提高了0.50 dB、0.015 2。同时,超分辨率重建图像的高频细节和视觉效果也得到了明显改善。     

改进Faster R-CNN的多通道检测算法

鉴于目标检测中的物体外观会根据其基本形状及不同的姿势和视角而有很大的差异,对Faster R-CNN算法进行研究并提出一种多通道检测算法.根据图像宽高比给生成的Ro I分配由3个通道组成的网络进行训练和测试,通过最小化正则函数R(W)和3对损失函数之和L(W)来优化网络,3个通道共享fc6层来提高检测性能并节省内存空间.为验证算法的有效性,在多个数据集和自己拍摄的图像上进行实验验证,实验结果表明,在PASCALVOC2012数据集中改进算法平均精度为78.8％,相比其它相关算法在不同程度上有所提高.     

修改标记符梯度图像的分水岭变换

针对传统分水岭算法中存在的过分割现象,提出了一种修改标记符梯度图像的分水岭分割方法。该算法首先利用阈值分割法对图像中感兴趣的目标和背景进行标记;然后根据标记的二值图像,运用形态学极小值标定技术对原有梯度图像进行修正;最后,使用分水岭算法对修正的梯度图像进行分割。实验结果表明,该算法能有效地抑制过分割问题,并且使用标记符会为分割问题带来先验知识,这为人们解决模式识别等更高级的工作提供了一种有效方法。     

多先验形状的图割分割方法*

为了分割图像中的多个目标,提出多先验形状约束的多目标图割分割方法。首先,使用离散水平集框架的形状距离定义先验形状模型,并将这一模型合并到图割框架的区域项中,同时通过加入多类形状先验扩展形状先验能量。然后,通过自适应调节形状先验项的权重系数,实现自适应控制形状项在能量函数中所占的比重,克服人工选择参数的困难,提高分割效率。最后,为使方法对于形状仿射变换具有不变性,使用尺度不变特征变换和随机抽样一致结合的方法进行对准。实验表明,文中方法能够较好分割图像中的多个目标,且能较好克服图像的噪声污染、目标被遮挡等信息缺失问题。