检索结果-内蒙古大学图书馆

华南理工大学学报（自然科学版） 2020年第5期48卷 82-91页

作者：杨春玲裴翰奇华南理工大学电子与信息学院广东广州510640

在传统的图像压缩感知研究中存在两个主要问题:在采样端,传统的线性采样方式存在一定程度的局限性;在重构端,传统的优化重构算法有着高耗时的缺陷。新发展的图像压缩感知神经网络框架虽然很好地解决了重构速度问题,但重构效果一般。为... 详细信息

在传统的图像压缩感知研究中存在两个主要问题:在采样端,传统的线性采样方式存在一定程度的局限性;在重构端,传统的优化重构算法有着高耗时的缺陷。新发展的图像压缩感知神经网络框架虽然很好地解决了重构速度问题,但重构效果一般。为了解决上述问题,文中提出一种基于残差学习的多阶段图像压缩感知网络——MSResICS,其中具体包含3个子网络:采样子网络,初始重构子网络与图像增强子网络。在观测端,提出的非线性采样子网络,利用残差学习打破了传统采样方法的局限性,在采样值中保留了更加丰富的图像信息;在重构端,通过引入插值卷积,初始重构子网络从采样值中进行特征整合以获取质量优良的初始重构图像,最终利用残差学习与插值卷积,提出多阶段图像增强子网络以进一步细化重建图像,提升最终效果。大量仿真实验结果表明,与现有最优的图像压缩感知重构算法相比,MSResICS拥有更加优良的图像压缩感知重构精度。

关键词：图像压缩感知残差学习深度网络采样机制

来源：评论

学校读者我要写书评

暂无评论

基于残差学习的自适应无人机目标跟踪算法

引用

北京航空航天大学学报 2020年第10期46卷 1874-1882页

作者：刘芳孙亚楠王洪娟韩笑北京工业大学信息学部北京100124

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建... 详细信息

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。

关键词：无人机目标跟踪空洞卷积残差学习相关滤波自适应尺度

来源：评论

学校读者我要写书评

暂无评论

引入通道注意力和残差学习的目标检测器

引用

模式识别与人工智能 2020年第10期33卷 889-897页

作者：储珺朱晓阳冷璐缪君南昌航空大学江西省图像处理与模式识别重点实验室南昌330063

现有目标检测器特征金字塔无法充分利用不同尺度特征图的特征信息,不适用于低分辨率图像的目标和小目标的检测.针对此问题,文中提出引入通道注意力机制和残差学习块的目标检测器.首先引入通道全局注意力机制,通过网络学习特征图中不同... 详细信息

现有目标检测器特征金字塔无法充分利用不同尺度特征图的特征信息,不适用于低分辨率图像的目标和小目标的检测.针对此问题,文中提出引入通道注意力机制和残差学习块的目标检测器.首先引入通道全局注意力机制,通过网络学习特征图中不同通道特征的权重,增强有效的全局特征信息.然后采用轻量级的残差块,突出特征的微小变化,提高低分辨率图像中小目标的检测性能.最后在用于预测的浅层特征图中融合深层特征,提高小目标的检测精度.在标准测试数据集上的实验表明,文中目标检测器适用于低分辨率图像,对小目标的检测效果较优.

关键词：目标检测特征金字塔全局特征增强残差学习

来源：评论

学校读者我要写书评

暂无评论

基于残差学习的新型不可感知水印攻击方法

引用

软件学报 2023年第9期34卷 4351-4361页

作者：李琦王春鹏王晓雨李健夏之秋高锁马宾齐鲁工业大学(山东省科学院)网络空间安全学院山东济南250353 齐鲁工业大学(山东省科学院)山东省计算中心(国家超级计算济南中心) 山东济南250353 哈尔滨工业大学计算学部黑龙江哈尔滨150001

传统的水印攻击方法虽然能够干扰水印信息的正确提取,但同时会对含水印图像的视觉质量造成较大损失,为此提出了一种基于残差学习的新型不可感知水印攻击方法.首先,通过构建基于卷积神经网络的水印攻击模型,在含水印图像和无水印图像之... 详细信息

传统的水印攻击方法虽然能够干扰水印信息的正确提取,但同时会对含水印图像的视觉质量造成较大损失,为此提出了一种基于残差学习的新型不可感知水印攻击方法.首先,通过构建基于卷积神经网络的水印攻击模型,在含水印图像和无水印图像之间进行端到端非线性学习,完成含水印图像映射到无水印图像的任务,达到水印攻击的目的;其次,根据水印信息的嵌入区域选择合适数目的特征提取块以提取含水印信息的特征图.鉴于含水印图像和无水印图像之间的差异过小,水印攻击模型在训练过程中的可学习性受到限制,导致模型很难收敛.引入残差学习机制来提升水印攻击模型的收敛速度和学习能力,通过减少残差图像(含水印图像和提取的特征图像做差)与无水印图像之间的差异来提升被攻击图像的不可感知性.此外,还根据DIV2K2017超分辨率数据集以及所攻击的基于四元数指数矩的鲁棒彩色图像水印算法构建了训练水印攻击模型的数据集.实验结果表明该水印攻击模型能够在不破坏含水印图像视觉质量的前提下以高误码率实现对鲁棒水印算法的攻击.

关键词：残差学习不可感知卷积神经网络水印攻击模型鲁棒水印算法

来源：评论

学校读者我要写书评

暂无评论

残差学习与层注意力相结合的轻量级图像超分辨

引用

液晶与显示 2024年第10期39卷 1391-1401页

作者：吴笛凡张选德陕西科技大学电子信息与人工智能学院陕西西安710021

基于卷积神经网络(CNN)的方法在图像超分辨率问题中取得了良好的性能,然而,大多数超分辨率研究都采用复杂的层连接策略来提高特征利用率,这使得网络的深度不断加大,参数量持续上涨,很难部署在移动终端。针对该问题,本文提出一种残差学... 详细信息

基于卷积神经网络(CNN)的方法在图像超分辨率问题中取得了良好的性能,然而,大多数超分辨率研究都采用复杂的层连接策略来提高特征利用率,这使得网络的深度不断加大,参数量持续上涨,很难部署在移动终端。针对该问题,本文提出一种残差学习与层注意力结合的轻量级图像超分辨(RLAN)算法,更高效地提取并聚合重要特征。首先,采用3×3的卷积层进行浅层特征提取。然后,在非线性映射部分,通过堆叠改进的局部残差特征块(RLFB)进行局部特征学习,同时引入层注意力模块(LAM)来利用残差分支上的层次特征进一步提升特征聚合的效果。最后,采用像素注意力重建块(PARB)进行图像重建,以很小的参数成本提升重建质量。与NTIRE2022冠军RLFN相比,RLAN最终以仅373k的参数量取得了更优越的性能,在4个数据集上的平均PSNR与SSIM分别提升了0.35 dB与0.0014。实验结果表明,RLAN可以精准地恢复SR图像,有效地减少了边缘处的伪影。

关键词：图像超分辨率卷积神经网络残差学习注意力机制

来源：评论

学校读者我要写书评

暂无评论

引入残差学习与多尺度特征增强的目标检测器

引用

计算机科学与探索 2023年第5期17卷 1102-1111页

作者：贾天豪彭力戴菲菲物联网技术应用教育部工程研究中心(江南大学物联网工程学院) 江苏无锡214122 台州市质量安全检测研究院浙江台州318020

目前深度学习在计算机视觉领域中取得了巨大成功,但是小目标检测仍是目标检测领域中具有挑战性的难题。针对小物体分辨率低、图像模糊、携带信息少等问题,提出了引入残差学习与多尺度特征增强的目标检测器。首先在主干网络中引入基于残... 详细信息

目前深度学习在计算机视觉领域中取得了巨大成功,但是小目标检测仍是目标检测领域中具有挑战性的难题。针对小物体分辨率低、图像模糊、携带信息少等问题,提出了引入残差学习与多尺度特征增强的目标检测器。首先在主干网络中引入基于残差学习的增强特征映射块,通过通道平均和归一化处理使得模型更加专注于对象区域而不是背景,并在兼顾检测速度的同时为有效特征层提供额外的语义信息;然后特征映射对上下文信息敏感的特征融合块进一步增大有效特征图的感受野,并将用于预测的浅特征层与深特征层进行融合,提高低分辨率下的检测性能;最后通过双重注意力块抑制背景噪音,将关键特征嵌入到注意力中,在保留空间信息的同时加强通道间的信息关联,进而增强特征的表达能力。为了更好地检测小目标,还对浅层特征映射先验框数量进行了调整。实验结果表明,在PASCAL VOC2007的数据集上,该算法对于300×300输入尺度的检测精度(mAP)为79.9%,较SSD提高了2.7个百分点,对小目标bird、bottle、chair、plant检测精度分别提升了5.1个百分点、7.5个百分点、3.9个百分点、7.2个百分点。在OAP自制航拍数据集上的检测精度(mAP)为82.7%。

关键词：目标检测残差学习卷积神经网络(CNN) 注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于残差学习和视觉显著性映射的图像融合

引用

激光与光电子学进展 2020年第16期57卷 108-115页

作者：丁罗依段锦宋宇祝勇杨晓山长春理工大学电子信息工程学院吉林长春130022 长春理工大学空地激光通信技术国防重点科学实验室吉林长春130044 长春理工大学计算机科学技术学院吉林长春130022

为了提高可见光图像和红外图像的融合图像的细节信息以及保留对比度,提出了一种基于残差学习和视觉显著性映射的多尺度分解图像融合方法。首先,使用高斯滤波器和引导滤波器对图像进行多尺度分解,将其分解为基本层和细节层,其中细节层分... 详细信息

为了提高可见光图像和红外图像的融合图像的细节信息以及保留对比度,提出了一种基于残差学习和视觉显著性映射的多尺度分解图像融合方法。首先,使用高斯滤波器和引导滤波器对图像进行多尺度分解,将其分解为基本层和细节层,其中细节层分为小尺度纹理层和中尺度边缘层。然后,使用提出的改进视觉显著映射方法对基本层进行融合,对低光照图像基本层进行增强处理,使融合图像具有良好的对比度和总体外观。对于细节层,提出了对小尺度纹理层和中尺度边缘层分别进行最值化以及软最大化融合规则的残差网络深度学习融合模型。实验在TNO数据集上将所提算法与最新的6种方法针对离散余弦特征互信息、小波特征互信息、结构相似度和伪影噪声率这4个客观指标进行比较,所提算法在前3个客观指标上有所提升,在伪影噪声率上获得进一步的下降。该算法在保留图像显著特征的同时使融合图像获得了更多的细节纹理信息,具有良好的对比度,且有效地减小了伪影和噪声。

关键词：图像处理图像融合残差学习视觉显著性映射图像增强引导滤波

来源：评论

学校读者我要写书评

暂无评论

基于图像差分和残差学习的PCB图像去噪算法

引用

激光与光电子学进展 2022年第12期59卷 113-120页

作者：冉光再徐雷李大双郭战岭四川大学机械工程学院四川成都610065

现有的印刷电路板(PCB)图像去噪算法在去噪过程中容易导致边缘过度光滑和细节丢失,为了更好地提高PCB图像的去噪效果,提出了一种基于残差学习和图像差分的PCB图像去噪算法。此算法基于残差学习的思想,首先利用图像下采样方法对图像感受... 详细信息

现有的印刷电路板(PCB)图像去噪算法在去噪过程中容易导致边缘过度光滑和细节丢失,为了更好地提高PCB图像的去噪效果,提出了一种基于残差学习和图像差分的PCB图像去噪算法。此算法基于残差学习的思想,首先利用图像下采样方法对图像感受野进行扩大;然后设计残差块提取PCB图像噪声特征,并且在残差卷积神经网络元中加入批量归一化和ReLU激活函数,提高去噪效率;最后通过图像差分思想进行噪声去除。实验对比不同的噪声等级下各类算法的去噪性能,结果表明,所提算法在去噪评价指标峰值信噪比(PSNR)和结构相似度(SSIM)上相较于其他算法都有较好的表现。

关键词：图像处理 PCB图像去噪残差学习图像差分感受野下采样

来源：评论

学校读者我要写书评

暂无评论

残差学习与循环注意力下的SSD目标检测算法

引用

计算机科学 2023年第5期50卷 170-176页

作者：贾天豪彭力江南大学物联网工程学院物联网技术应用教育部工程研究中心江苏无锡214122

针对Single-Shot Detection的特征金字塔中生成的浅层特征语义信息不足,导致小目标检测性能较差的问题,提出了一种基于残差学习与循环注意力的SSD目标检测算法。首先主干网络采用学习能力更强的Resnet101来提取有效的特征信息;然后通过... 详细信息

针对Single-Shot Detection的特征金字塔中生成的浅层特征语义信息不足,导致小目标检测性能较差的问题,提出了一种基于残差学习与循环注意力的SSD目标检测算法。首先主干网络采用学习能力更强的Resnet101来提取有效的特征信息;然后通过构建轻量级的单向特征融合块对原特征金字塔中的深特征层与浅特征层特征进行融合,并生成新的特征金字塔,进而丰富用于预测的有效特征层的语义信息;最后提出一种新的空间池化策略,并与残差网络中的跳跃连接相结合构成循环注意力模块,从而引入全局的上下文信息,为局部特征建立全局信息关联。为了解决难易样本数量不平衡的问题,将Focalloss作为回归损失函数。实验结果表明,在PASCAL VOC公共数据集上,该算法的平均检测精度(mAP)为79.7%,较SSD提高了2.5%。在MS COCO公共数据集上的mAP为30.0%,较SSD提高了4.9%。

关键词：目标检测残差学习深度学习注意力机制特征融合

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积残差学习的图像超分辨

引用

郑州大学学报（理学版） 2020年第3期52卷 42-48页

作者：王知人谷昊晟任福全史紫腾王瑞燕山大学理学院河北秦皇岛066004

传统的超分辨率卷积神经网络难以获得丰富的细节和边缘信息。提出了一种多映射残差卷积神经网络(MMRCNN)来解决这些问题。具体来说,MMRCNN直接使用低分辨率图像作为网络的初始输入,然后使用卷积层提取特征。其次,通过残差学习构建多映... 详细信息

传统的超分辨率卷积神经网络难以获得丰富的细节和边缘信息。提出了一种多映射残差卷积神经网络(MMRCNN)来解决这些问题。具体来说,MMRCNN直接使用低分辨率图像作为网络的初始输入,然后使用卷积层提取特征。其次,通过残差学习构建多映射网络,添加批量归一化层优化网络,使聚合高分辨率图像时所需要的特征信息能够变得极为丰富。最后,使用反卷积层来完成图像上采样,输出高分辨率图像,因此不需要预处理,就能够直接完成低分辨率图像与高分辨率图像之间端到端的映射关系。在不同模型的基准数据集上的实验表明,MMRCNN在峰值信噪比、结构相似性和视觉效果方面均有所提升。

关键词：超分辨深度学习多层映射残差学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：