基于总分式密集连接网络的图像超分辨重建

深层卷积神经网络在图像超分辨重建任务中取得了良好效果,虽然更深的网络结构有助于学习图像丰富的细节信息,但同时也会因为参数过多和梯度消失/梯度爆炸等问题使网络变得难以训练.针对这些问题,提出一种不过分依赖网络深度,对各卷积层利用率极高的总分式密集连接网络结构,该网络在局部结构中以级联的方式提取并融合临近卷积层的图像特征,再以局部残差结构降低网络的训练难度,缓解梯度消失/爆炸的问题;在全局结构中,同样以密集连接的方式对已学习到的局部特征进行再融合,最大程度的整合全局图像特征,提升网络学习效率.实验表明,在对比同等深度下不同网络模型的图像重建效果,所提出的算法能重建出质量更好的图像,网络对各卷积层学习到的图像特征利用率更高.     

基于加权密集连接卷积网络的快速交通标志检测

为提高算法对交通标志快速定位的准确性,改善现有检测算法在复杂交通环境下检测效果不佳、实时性较差的问题,提出一种基于动态加权密集连接卷积网络的交通标志快速检测算法. 选用YOLOv2 作为基础网络,通过增加动态加权密集块对各层特征图的权重进行调节,实现深层高语义信息和浅层低语义信息的融合;使用MobileNet 轻量化网络结构,通过可分离卷积操作有效降低网络的计算成本;针对池化操作中图像特征丢失严重问题引入 CBAM模块,利用通道注意力和空间注意力信息增强关键特征的表达能力. 实验结果表明,本文算法在GTSDB数据集上分别达到了96.14%的检测精度和139 frame/s 的检测速度,在保证较高检测精度的同时,能够有效提高检测效率,满足实时检测要求.     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

双注意力引导的跨层优化交通场景语义分割

针对交通场景目标分割边缘不平滑以及小目标难以准确分割等问题，本文提出一种双注意力引导的跨层优化交通场景语义分割算法。首先，构建多分支特征提取编码网络，并利用串行非比例式空洞卷积实现空间上下文信息提取，进而改善小目标信息的丢失；其次，构建基于空间对齐的跨层特征融合解码网络，实现语义信息和细节信息的融合，增强不同尺度目标的表达能力；最后，提出通道和空间注意力机制，建模全局通道相关性和长距离位置相关性，增强网络对关键特征的学习能力。交通场景数据集Cityscapes和CamVid上的实验结果表明，所提特征提取编码网络、跨层特征融合解码网络以及注意力机制模块是有效的；所提语义分割算法获得了77.79%和78.66%的平均交并比，能够平滑目标分割边缘，尤其对细长条形目标具有鲁棒性。     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支...     

基于改进StyleGAN路面缺陷数据增强算法

针对复杂场景下路面缺陷数据样本少且图像质量差的问题,提出基于改进StyleGAN路面缺陷数据增强算法。在原有StyleGAN的基础上引入自注意力机制,以加强生成器对图像纹理细节信息的关注;引入SLE标签编码器以调节生成图像的纹理细节;增加噪声输入量,提升训练样本的复杂性和生成样本的多样性;采用WGANGP损失函数并调整模块分辨率来提高模型的收敛效率。通过消融实验、直观评价方法和量化评价方法分析评估模型图像生成质量,验证得出文中算法生成的路面缺陷图像质量较好,IS达到52.1,FID达到54.2;经4种经典目标检测算法测试,平均精度均值同原始数据集相比平均提升了30%左右,召回率提升了7%左右。     

基于金字塔多尺度融合的交通标志检测算法

为了解决传统交通标志检测算法针对小目标交通标志检测时存在误检与漏检的问题,提出了一个基于金字塔多尺度融合的交通标志检测算法;为了提高算法对交通标志的特征提取能力,引入ResNet残差结构搭建算法的主干网络,并增加网络浅层卷积层数,以提取较小尺度交通标志目标更准确的语义信息;基于特征金字塔结构的思想,在检测结构中引入4个不同预测尺度,增强深层和浅层特征融合;为了进一步提高算法检测精度,引入GIoU损失函数定位交通标志的锚点框,利用k-means算法对交通标志标签信息进行聚类分析并生成更精准的先验框;为了验证算法的泛化性与解决试验所用数据集TT100K的类间不平衡问题,增强与扩充了数据集。试验结果表明:本文算法的精确率、召回率与平均精度均值分别达到了86.7%、89.4%与87.9%,与传统目标检测算法相比有显著提高;多尺度融合检测机制、GIoU损失函数与k-means的引入能够不同程度提高算法的检测性能,使算法检测精确率分别提升4.7%、1.8%与1.2%;提出算法针对不同尺度交通标志检测时均有更优越的性能表现,在TT100K数据集中的(0, 32]、(32, 96]与(96, 400]尺度下的检测召回率分别达到90%、93%与88%;与YOLOv3相比,提出算法在不同天气、噪声与几何变换等干扰下均能实现对交通标志的正确定位与分类,证明了提出算法具有良好的鲁棒性与泛化性,适用于道路交通标志检测。      

融合PHOG和MSLBP特征的铁路扣件检测算法

为了提高铁路扣件检测的识别率和鲁棒性,以及扣件图像PHOG特征的有效性,提出了简单有效的枕肩定位算法,该算法首先在提取PHOG特征前,根据枕肩、扣件和背景间的位置关系去除冗余背景信息;然后,模拟人眼视觉注意机制,设计MSLBP特征采样方式,提取扣件图像的宏观纹理特征;最后,采用分层次加权融合的方法联立两类特征,并采用SVM分类器进行扣件分类识别,提出一种基于计算机视觉和PHOG-MSLBP融合特征的缺陷识别算法.将该算法应用于实验,结果表明:与使用PHOG、MSLBP单一特征相比,基于PHOG-MSLBP融合特征检测算法的平均识别率分别提高了6.3%、4.5%,且鲁棒性更强,可满足扣件缺陷自动化检测的需要.     

一种半自动的基于图像建模系统

针对目前各种类型航海模拟器的虚拟建模效率较低与真实感较差等问题,设计与实现了一种基于多幅图像及少量用户交互恢复物体三维几何模型的系统.本系统采用稳定性好的改进Har-ris算子进行角点检测,基于角点空间特征及交叉相关实现角点的初始匹配;采用基于极线约束的角点匹配快速算法完成角点的精匹配,同时引入迭代和人工辅助修正的方法解决匹配算法的退化情况.在角点匹配结果基础上进行仿射重建,通过升级矩阵实现度量重建,在OpenGL环境下绘制出物体的三维模型框架.从原图像中抽取纹理并采用多视角图像融合的方法进行纹理映射,得到"照片级"真实感的三维模型.     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

基于Hopfield神经网络的遥感图像超分辨率识别算法

提出基于Hopfield神经网络的遥感图像超分辨率目标识别算法，它是利用模糊分类技术进行模糊分类，然后用分类结果约束Hopfield神经网络的方法．通过实验，可知Hopfield神经网络在学习样本少时．也能够输出分辨率相对较高的地物目标信息．因此．基于Hopfield神经网络的遥感图像处理方法，能够提高遥感图像的目标分辨率．使其目标特征信息更清晰．     

基于Kohonen神经网络的图像超分辨率处理算法

提出一种小波变换、Bézier曲面插值和神经网络相结合的方法,并将该方法应用于图像处理中,对图像进行超分辨率处理,以提高图像质量.首先将原图像作为低通部分,然后对小波分解后的相应高频子带进行Bézier曲面插值,再对插值后的高频子带分别进行神经网络学习重建恢复各高频子带图像,以近似更高频的细节,最后通过小波逆变换获取比原图分辨率更高的图像.模拟实验结果表明与小波插值方法相比,所提出的算法能进一步提高图像的质量和分辨率.     

改进残差网络和迁移学习的齿轮箱故障诊断

针对齿轮箱故障诊断问题,提出一种基于多尺度特征提取与融合混合注意力机制的残差网络模型。该模型直接对原始振动信号进行特征提取,通过增加混合注意力机制来增加网络深度,提取关键信息,提高网络稳定性与故障识别准确率;串联首层多尺度特征提取模块,增加网络宽度,提取不同频率特征值的同时避免了梯度爆炸问题,最终故障诊断精度达到99.9%;通过噪声实验,验证网络具有较强鲁棒性。网络使用迁移学习的方式,解决了实际工业中数据量不足的问题,并验证了网络的泛化能力。所提网络具有公开性与实用性。     

基于多源异构信息融合的智能汽车目标检测算法

针对智能汽车单一传感器环境感知的局限性,提出一种基于GPS、双目深度相机、16线激光雷达等多源信息融合的环境感知算法,解决单一传感器环境感知的局限性问题.算法在GPS时间同步基础上,将单一传感器标定后的数据作为改进联合标定算法输入,求解多源传感器最优空间变换矩阵.使用SVM分割点云及欧式聚类提取点云信息的几何特征,获取障碍物的位置信息;利用空间变换矩阵将障碍物点云信息变换到图像坐标系,并将3D点云映射为2D点云信息;融合基于深度学习算法求解的图像中障碍物位置信息与类别信息,实现目标检测.经KITT1数据集及实车测试验证,该算法准确率在78.13％～85.56％之间,每帧数据检测平均耗时0.16～0.19 s,在光照变化、目标遮挡环境下均能有效的进行目标检测,具有较好的工程应用前景.     

复杂背景下多目标图像分割方法研究

真实路况中的运动车辆图像进行图像分割时,图像中往往存在多个车辆车牌信息,且这些车牌信息具有尺度不一,位置随机等特点,加之光照及复杂背景的影响,如何兼顾多个车辆车牌的分割效果是车辆检测和跟踪领域亟待解决的问题.为了解决这类工程应用中的问题,需要在尺度空间下对多目标图像进行分析.因本文在前期多尺度分割模型的基础上引入视觉注意机制,利用不变性特征实现多目标的定位及最优分割尺度的选取.经大量实验测试结果表明,该算法较好地实现了图像中多个车牌图像的分割并且具有较好的分割效果.     

基于时序融合的自动驾驶多任务感知算法

采用连续图像帧作为输入,挖掘连续图像帧之间的时序关联信息,构建一种融合时序信息的多任务联合驾驶环境视觉感知算法,通过多任务监督联合优化,实现交通参与目标的快速检测,同时获取可通行区域信息;采用ResNet50作为骨干网络,在骨干网络中构建级联特征融合模块,捕捉不同图像帧之间的非局部远程依赖关系,将高分辨率图像通过卷积下采样处理,加速不同图像帧的特征提取过程,平衡算法的精度和速度;在不同的图像帧中,为了消除由于物体运动产生的空间位移对特征融合的影响,且考虑不同图像帧的非局部关联信息,构建时序特征融合模块分别对不同图像帧对应的特征图进行时序对齐与匹配,形成融合全局特征;基于共享参数的骨干网络,利用生成关键点热图的方法对道路中的行人、车辆和交通信号灯的位置进行检测,并利用语义分割子网络为自动驾驶汽车提供道路可行驶区域信息。研究结果表明:提出的感知算法以多帧图像代替单一帧图像作为输入,利用了多帧图像的序列特性,级联特征融合模块通过下采样使得计算复杂度降低为原来的1/16,与CornerNet、ICNet等其他主流模型相比,算法检测精确率平均提升了6%,分割性能平均提升了5%,并保持了每秒12帧图像的处理速度,在检测与分割速度和精度上具有明显优势。      

低照度边缘增强的语义分割模型研究

为提高对低照度图像的语义分割精度,提出了一种基于RPN的边缘增强语义分割模型(EESN)。在该模型中,首先利用深度残差网络提取图像的高阶语义特征,并通过RPN快速生成待分割目标候选区域;然后,利用设计的融合算法对候选区域进行融合,并剔除重复的候选区域;最后,对融合的目标候选区域做低照度边缘搜索,并利用失真代价较小的局部增强算法对低照度边缘进行特征增强。将EESN用于Pascal VOC12和Cityscapes两个数据集的语义分割中,分别获得了81.2%和67.6%的mIoU,该结果证明了EESN对具有低照度边缘的图像具有较好的分割性能。     

多尺度特征增强的路面裂缝检测方法

针对路面裂缝检测不完整和分割出现断裂的问题，提出了一种多尺度特征增强的路面裂缝检测网络MFENet,实现端到端的路面裂缝图像检测、分类和分割处理；设计了多尺度注意力特征增强模块，建立了网络模型的上层多尺度特征通道与底层特征通道权重系数之间的映射关系，以提升有效通道的特征输出；基于路面裂缝的坐标信息和像素语义信息在物理位置上的相关性，设计了多语义特征关联模块，实现不同语义信息之间的特征融合增强，并通过特征维度转换实现对路面裂缝图像的前景特征过滤；提出了一种针对深度特征强度进行量化评估的方法，用于提升模型提取特征能力的可解释性。在自采集数据集上的研究结果表明：MFENet对路面裂缝图像检测的平均精准率和平均召回率相比Mask R-CNN分别提升了4.3%和5.4%,相比基线模型RDSNet分别提升了14.6%和14.3%;MFENet对路面裂缝图像分割的平均精准率和平均召回率相比Mask R-CNN分别提升了6.6%和8.8%,相比RDSNet分别提升了8.1%和9.7%;与Mask R-CNN等主流方法相比，MFENet对不同类型路面裂缝图像的检测、分割精度最高。在公开数据集(CFD、C...     

单幅图像的超分辨率重建方法

在分析单幅图像超分辨率重建问题的基础上，建立一种新的图像退化模型，并分析了提出的模型和经典图像恢复中模型的异同点，然后分析了算法实施步骤，针对提出的分层剥离算法，采用级联模板运算方法，从而简化了方程计算的复杂度．试验结果表明：提出的一种基于剥离方法的单幅图像超分辨率方法是有效可行的．     

多尺度注意力学习的Faster R-CNN口罩人脸检测模型

针对在佩戴口罩等有遮挡条件下的人脸检测问题，提出了多尺度注意力学习的Faster R-CNN （MSAF R-CNN）人脸检测模型. 首先，为充分考虑人脸目标多尺度信息，相较于原始Faster R-CNN框架，引入Res2Net分组残差结构，获取更细粒度的特征表征；其次，基于空间-通道注意力结构改进的Res2Net模块，结合注意力机制自适应学习目标不同尺度特征；最后，为学习目标的全局信息并减轻过拟合现象，在模型顶端嵌入加权空间金字塔池化网络，采用由粗到细的方式进行特征尺度划分. 在AIZOO和FMDD两个人脸数据集上的实验结果表明:所提出MSAF R-CNN模型对佩戴口罩的人脸检测准确率分别达到90.37%和90.11%，验证了模型的可行性和有效性.