检索结果-内蒙古大学图书馆

中国图象图形学报 2020年第12期25卷 2505-2516页

作者：孙劲光杨忠伟黄胜辽宁工程技术大学电子与信息工程学院葫芦岛125105

目的图像修复是计算机视觉领域的研究热点之一。基于深度学习的图像修复方法取得了一定成绩,但在处理全局与局部属性联系密切的图像时难以获得理想效果,尤其在修复较大面积图像缺损时,结果的语义合理性、结构连贯性和细节准确性均有待... 详细信息

目的图像修复是计算机视觉领域的研究热点之一。基于深度学习的图像修复方法取得了一定成绩,但在处理全局与局部属性联系密切的图像时难以获得理想效果,尤其在修复较大面积图像缺损时,结果的语义合理性、结构连贯性和细节准确性均有待提高。针对上述问题,提出一种基于全卷积网络,结合生成式对抗网络思想的图像修复模型。方法基于全卷积神经网络,结合跳跃连接、扩张卷积等方法,提出一种新颖的图像修复网络作为生成器修复缺损图像;引入结构相似性(structural similarity,SSIM)作为图像修复的重构损失,从人眼视觉系统的角度监督指导模型学习,提高图像修复效果;使用改进后的全局和局部上下文判别网络作为双路判别器,对修复结果进行真伪判别,同时,结合对抗式损失,提出一种联合损失用于监督模型的训练,使修复区域内容真实自然且与整幅图像具有属性一致性。结果为验证本文图像修复模型的有效性,在Celeb A-HQ数据集上,以主观感受和客观指标为依据,与目前主流的图像修复算法进行图像修复效果对比。结果表明,本文方法在修复结果的语义合理性、结构连贯性以及细节准确性等方面均取得了进步,峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性的均值分别达到31.30 dB和90.58%。结论本文提出的图像修复模型对图像高级语义有更好的理解,对上下文信息和细节信息把握更精准,能取得更符合人眼视觉感受的图像修复结果。

关键词：图像修复全卷积神经网络扩张卷积跳跃连接对抗式损失

来源：评论

学校读者我要写书评

暂无评论

生成对抗网络的单图像超分辨率重建方法

引用

计算机科学与探索 2020年第9期14卷 1612-1620页

作者：彭晏飞高艺杜婷婷桑雨訾玲玲辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

基于深度卷积神经网络的超分辨率重建方法虽然有较高的峰值信噪比(PSNR),但重建结果在大尺度因子下存在缺乏高频信息和纹理细节,视觉感知效果差的问题。针对这一问题,提出了一种基于生成对抗网络的单图像超分辨率重建方法。首先迁移支... 详细信息

基于深度卷积神经网络的超分辨率重建方法虽然有较高的峰值信噪比(PSNR),但重建结果在大尺度因子下存在缺乏高频信息和纹理细节,视觉感知效果差的问题。针对这一问题,提出了一种基于生成对抗网络的单图像超分辨率重建方法。首先迁移支持向量机中的hinge损失作为目标函数,其次使用更加稳定、抗噪性更强的Charbonnier损失代替L2损失函数,最后去掉了残差块和判别器中对图像超分辨率不利的批规范化层,并在生成器和判别器中使用谱归一化来减小计算开销,稳定模型训练。实验结果表明,在4倍放大尺度因子下,相较其他对比方法,该方法重建图像的PSNR值最高提升4.6 dB,SSIM值最高提升0.1,测试时间较短。实验数据和效果图均表明该方法重建的超分辨率图像视觉效果较好,且有更高的PSNR和SSIM值。

关键词：超分辨率重建生成对抗网络(GAN) 深度学习卷积神经网络(CNN) 损失函数

来源：评论

学校读者我要写书评

暂无评论

面向图像检索的热力特征描述子构造与匹配

引用

计算机科学与探索 2023年第1期17卷 166-178页

作者：刘天宇贾迪骆顺利王凯辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

基于深度学习的图像匹配技术已成为图像检索任务的研究热点,受不同局部区域高相似性描述子影响,误匹配问题降低了现有方法的检索精度,为此提出一种面向图像检索的热力特征描述子构造与匹配方法。首先,通过语义分割网络获得每个卷积层的... 详细信息

基于深度学习的图像匹配技术已成为图像检索任务的研究热点,受不同局部区域高相似性描述子影响,误匹配问题降低了现有方法的检索精度,为此提出一种面向图像检索的热力特征描述子构造与匹配方法。首先,通过语义分割网络获得每个卷积层的可视化特征图,针对最后一个卷积层具有更强空间信息和语义信息的特点,利用梯度得分获得特征图中每个通道的权重,通过线性融合的方式,在通道维度上加权求和并归一化,利用双线性插值获得最终的热力图。其次,采用深度学习方法(DELF)获得图像深度特征描述子,利用语义分割网络所获得的类别信息和热力值信息构造多维度复合热力特征描述子,给出针对这类特征描述子的KD树结构。最后,基于该结构结合BBF和随机抽样一致算法实现特征匹配。在Oxford5K和Paris6K数据集上进行实验,实验结果表明,与DELF和D2-Net算法相比,该方法在查准率及时间效率上都有所提高,与Fine-tuning CNN、DAME WEB等方法相比检索精度提高近2个百分点。该方法能够更好地提高图像检索效率和精度,实验结果验证了该方法的有效性。

关键词：图像检索语义分割网络深度特征描述子热力图 KD树

来源：评论

学校读者我要写书评

暂无评论

基于LRC与多样本扩充的指静脉识别方法

引用

光电子．激光 2022年第6期33卷 660-666页

作者：陶志勇许稚雪辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

针对目前手指静脉识别由于训练样本不足引起图像识别率低的问题,提出基于线性回归分类(linear regression classification,LRC)与多样本扩充的指静脉识别方法。首先,利用矩阵变换生成原始图像的镜像,训练原始图像与镜像,增加指静脉图像... 详细信息

针对目前手指静脉识别由于训练样本不足引起图像识别率低的问题,提出基于线性回归分类(linear regression classification,LRC)与多样本扩充的指静脉识别方法。首先,利用矩阵变换生成原始图像的镜像,训练原始图像与镜像,增加指静脉图像中包含的有用信息;然后,基于LRC对测试和训练样本进行分类;最后,通过计算偏差得到最终分类结果,求出识别率。此外,设计了一种指静脉采集装置收集得到自建指静脉数据库。实验结果表明:所提算法在自建指静脉数据库、山东大学指静脉数据库、马来西亚理工大学指静脉数据库上的识别率分别达到98.93%、98.89%、99.67%,最低等误率为2.3888%。实验结果与其他传统和流行算法相比具有明显优势,拥有良好的实际应用价值。

关键词：模式识别图像处理指静脉识别多样本扩充线性回归分类

来源：评论

学校读者我要写书评

暂无评论

融合多尺度特征的复杂手势姿态估计网络

引用

中国图象图形学报 2023年第9期28卷 2887-2898页

作者：贾迪李宇扬安彤赵金源辽宁工程技术大学电子与信息工程学院葫芦岛125105 辽宁工程技术大学电气与控制工程学院葫芦岛125105

目的基于单幅RGB图像的手势姿态估计受手势复杂性、手指特征局部自相似性及遮挡问题的影响,导致手势姿态估计准确率低。为此,提出一种面向单目视觉手势姿态估计的多尺度特征融合网络。方法1)采用ResNet50(50-layer residual network)模... 详细信息

目的基于单幅RGB图像的手势姿态估计受手势复杂性、手指特征局部自相似性及遮挡问题的影响,导致手势姿态估计准确率低。为此,提出一种面向单目视觉手势姿态估计的多尺度特征融合网络。方法1)采用ResNet50(50-layer residual network)模块从RGB图像提取不同分辨率特征图,通过通道变换模块显式地学习特征通道间的依赖关系,增强重要的特征通道信息,弱化次要的特征通道信息。2)在全局回归模块中,通过设计节点间的连接方式融合不同分辨率特征图,以便充分利用图像的细节与整体信息。采用局部优化模块继续提取更深层的特征信息,获得手部关节点的高斯热图,以此修正遮挡等原因造成部分关节点回归不准确的问题。3)计算经通道变换模块处理后的最小特征图,通过全局池化和多层感知机处理该特征图以获得手势类别和右手相对于左手的深度。4)综合以上结果获得最终的手势姿态。结果采用InterHand2.6M和RHD(rendered handpose dataset)数据集训练多尺度特征融合网络,评估指标中根节点的平均误差和关节点的平均误差,均低于同类方法,且在一些复杂和遮挡的场景下鲁棒性更高。在InterHand2.6M数据集上,与InterNet方法相比,本文方法的交互手关节点的平均误差降低5.8%,单手关节点的平均误差降低8.3%,根节点的平均误差降低5.1%。从RHD数据集的测试结果看,与同类方法相比,本文方法在手部关节点的平均误差上获得最小值。结论本文提出的多尺度特征融合网络能够更准确地预测手部关节点位置,适用于复杂手势或遮挡条件下的手势姿态估计(本文方法代码网址:https://***/cornersInHeart/***)。

关键词：手势估计深度学习注意力机制多尺度特征图像处理

来源：评论

学校读者我要写书评

暂无评论

结合背景图的高分辨率视频人像实时抠图网络

引用

中国图象图形学报 2024年第2期29卷 478-490页

作者：彭泓张家宝贾迪安彤蔡鹏赵金源辽宁工程技术大学电子与信息工程学院葫芦岛125105 辽宁工程技术大学电气与控制工程学院葫芦岛125105

目的近年来,采用神经网络完成人像实时抠图已成为计算机视觉领域的研究热点,现有相关网络在处理高分辨率视频时还无法满足实时性要求,为此本文提出一种结合背景图的高分辨率视频人像实时抠图网络。方法给出一种由基准网络和精细化网... 详细信息

目的近年来,采用神经网络完成人像实时抠图已成为计算机视觉领域的研究热点,现有相关网络在处理高分辨率视频时还无法满足实时性要求,为此本文提出一种结合背景图的高分辨率视频人像实时抠图网络。方法给出一种由基准网络和精细化网络构成的双层网络,在基准网络中,视频帧通过编码器模块提取图像的多尺度特征,采用金字塔池化模块融合这些特征作为循环解码器网络的输入;在循环解码器中,通过残差门控循环单元聚合连续视频帧间的时间信息,以此生成蒙版图、前景残差图和隐藏特征图,采用残差结构降低模型参数量并提高网络的实时性。为提高高分辨率图像实时抠图性能,在精细化网络中,设计高分辨率信息指导模块,通过高分辨率图像信息指导低分辨率图像的方式生成高质量人像抠图结果。结果与近年来的相关网络模型进行实验对比,实验结果表明,本文方法在高分辨率数据集Human2K上优于现有相关方法,在评价指标(绝对误差、均方误差、梯度、连通性)上分别提升了18.8%、39.2%、40.7%、20.9%。在NVIDIA GTX 1080Ti GPU上处理4 K分辨率影像运行速率可达26帧/s,处理HD(high definition)分辨率影像运行速率可达43帧/s。结论本文模型能够更好地完成高分辨率人像实时抠图任务,可以为影视、短视频社交以及网络会议等高级应用提供更好的支持。

关键词：人像实时抠图神经网络多尺度特征时间信息高分辨率

来源：评论

学校读者我要写书评

暂无评论

结合LiDAR与RGB数据构建稠密深度图的多阶段指导网络

引用

中国图象图形学报 2022年第2期27卷 435-446页

作者：贾迪王子滔李宇扬金志楊刘泽洋吴思辽宁工程技术大学电子与信息工程学院葫芦岛125105 辽宁工程技术大学电器与控制工程学院葫芦岛125105

目的使用单幅RGB图像引导稀疏激光雷达(light detection and ranging,LiDAR)点云构建稠密深度图已逐渐成为研究热点,然而现有方法在构建场景深度信息时,目标边缘处的深度依然存在模糊的问题,影响3维重建与摄影测量的准确性。为此,本文... 详细信息

目的使用单幅RGB图像引导稀疏激光雷达(light detection and ranging,LiDAR)点云构建稠密深度图已逐渐成为研究热点,然而现有方法在构建场景深度信息时,目标边缘处的深度依然存在模糊的问题,影响3维重建与摄影测量的准确性。为此,本文提出一种基于多阶段指导网络的稠密深度图构建方法。方法多阶段指导网络由指导信息引导路径和RGB信息引导路径构成。在指导信息引导路径上,通过ERF(efficient residual factorized)网络融合稀疏激光雷达点云和RGB数据提取前期指导信息,采用指导信息处理模块融合稀疏深度和前期指导信息,并将融合后的信息通过双线性插值的方式构建出表面法线,将多模态信息融合指导模块提取的中期指导信息和表面法线信息输入到ERF网络中,提取可用于引导稀疏深度稠密化的后期指导信息,以此构建该路径上的稠密深度图;在RGB信息引导路径上,通过前期指导信息引导融合稀疏深度与RGB信息,通过多模态信息融合指导模块获得该路径上的稠密深度图,采用精细化模块减少该稠密深度图中的误差信息。融合上述两条路径得到的结果,获得最终稠密深度图。结果通过KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute at Chicago)深度估计数据集训练多阶段指导网络,将测试数据结果提交到KITTI官方评估服务器,评估指标中,均方根误差值和反演深度的均方根误差分别为768.35和2.40,均低于对比方法,且本文方法在物体边缘和细节处的构建精度更高。结论本文给出的多阶段指导网络可以更好地提高稠密深度图构建准确率,弥补激光雷达点云稀疏的缺陷,实验结果验证了本文方法的有效性。

关键词：深度估计深度学习 LiDAR 多模态数据融合图像处理

来源：评论

学校读者我要写书评

暂无评论

结合深度学习与相关反馈的遥感图像检索

引用

中国图象图形学报 2019年第3期24卷 420-434页

作者：彭晏飞宋晓男武宏訾玲玲辽宁工程技术大学电子与信息工程学院葫芦岛125105

目的针对基于内容的图像检索存在低层视觉特征与用户对图像理解的高层语义不一致、图像检索的精度较低以及传统的分类方法准确度低等问题,提出一种基于卷积神经网络和相关反馈支持向量机的遥感图像检索方法。方法通过对比度受限直方图... 详细信息

目的针对基于内容的图像检索存在低层视觉特征与用户对图像理解的高层语义不一致、图像检索的精度较低以及传统的分类方法准确度低等问题,提出一种基于卷积神经网络和相关反馈支持向量机的遥感图像检索方法。方法通过对比度受限直方图均衡化算法对遥感图像进行预处理,限制遥感图像噪声的放大,采用自学习能力良好的卷积神经网络对遥感图像进行多层神经网络的监督学习提取丰富的图像特征,并将支持向量机作为基分类器,根据测试样本数据到分类超平面的距离进行排序得到检索结果,最后采用相关反馈策略对检索结果进行重新调整。结果在UC Merced Land-Use遥感图像数据集上进行图像检索实验,在mAP(mean average precision)精度指标上,当检索返回图像数为100时,本文方法比LSH(locality sensitive Hashing)方法提高了29. 4%,比DSH(density sensitive Hashing)方法提高了37. 2%,比EMR(efficient manifold ranking)方法提高了68. 8%,比未添加反馈和训练集筛选的SVM(support vector machine)方法提高了3. 5%,对于平均检索速度,本文方法比对比方法中m AP精度最高的方法提高了4倍,针对复杂的遥感图像数据,本文方法的检索效果较其他方法表现出色。结论本文提出了一种以距离评价标准为核心的反馈策略,以提高检索精度,并采用多距离结合的Top-k排序方法合理筛选训练集,以提高检索速度,本文方法可以广泛应用于人脸识别和目标跟踪等领域,对提升检索性能具有重要意义。

关键词：遥感图像检索卷积神经网络反馈支持向量机对比度受限直方图均衡化 Top-k排序

来源：评论

学校读者我要写书评

暂无评论

应用SRR/CSRR去耦的毫米波MIMO天线

引用

电子测量与仪器学报 2024年第9期38卷 195-202页

作者：南敬昌苏东蕊高明明王艺扉辽宁工程技术大学电子与信息工程学院葫芦岛125105

根据目前无线通信系统的发展趋势,为了大幅度地提高通信效率,针对Ka波段,设计了一款基于开口谐振环和互补开口谐振环的低耦合多输入多输出天线。天线整体尺寸为40 mm×25 mm×1.2 mm。首先,该天线正面由带有空心圆的椭圆形辐射... 详细信息

根据目前无线通信系统的发展趋势,为了大幅度地提高通信效率,针对Ka波段,设计了一款基于开口谐振环和互补开口谐振环的低耦合多输入多输出天线。天线整体尺寸为40 mm×25 mm×1.2 mm。首先,该天线正面由带有空心圆的椭圆形辐射贴片、梯形微带馈线及开口谐振环组成,保证天线工作在Ka波段(26~40 GHz)。其次,该天线背面为刻蚀互补开口谐振环结构的矩形接地板,可以有效地达到去耦的目的,从而实现低耦合的效果。仿真与实测结果表明:工作带宽为26~40 GHz(相对带宽达到50%),回波损耗小于-10 dB,耦合度均小于-26 dB,包络相关系数小于0.001,辐射方向图良好,增益稳定,辐射效率较高。由此,所设计的天线不仅结构简单、尺寸紧凑、频率覆盖范围广,且各项性能占优,可广泛应用于5G毫米波相关领域。综上,应用SRR/CSRR的技术使毫米波MIMO天线的互耦度得到了降低,验证了SRR/CSRR技术作为一种新型去耦技术的可行性和有效性。

关键词： SRR CSRR 高隔离毫米波 MIMO

来源：评论

学校读者我要写书评

暂无评论

可重构连续型F类超宽带功率放大器

引用

电子测量与仪器学报 2022年第5期36卷 67-77页

作者：南敬昌李政南星伊辽宁工程技术大学电子与信息工程学院葫芦岛125105

带宽与效率是功放设计中的两项重要指标,如何使功放同时满足宽频带、高效率的设计要求一直是功放研究的热点和难点之一。本文基于硬件智能化技术和连续理论提出了连续型F类超宽带功率放大器,以连续理论扩大阻抗匹配空间,将传统F类功放... 详细信息

带宽与效率是功放设计中的两项重要指标,如何使功放同时满足宽频带、高效率的设计要求一直是功放研究的热点和难点之一。本文基于硬件智能化技术和连续理论提出了连续型F类超宽带功率放大器,以连续理论扩大阻抗匹配空间,将传统F类功放推广至连续型F类功放,有效拓宽其工作带宽,并以可重构技术将分散的频段整合为整体。通过测试,该功放在0.9~4 GHz范围内,功率附加效率(power added efficiency,PAE)大于72%,增益约为12.5 dB,饱和输出功率为41 dBm。本设计将可重构技术和连续理论二者优势结合,具有宽频带、高效率、智能性等优点,能够很好地适应5G无线通信系统的需求。

关键词：连续理论超宽带阻抗匹配空间硬件智能化可重构

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：