在低光环境下,人脸图像增强是许多任务的重要恢复方法。然而,现有的低光环境下人脸超分辨率方法通常依赖于低光增强和超分算法的序列建模。遗憾的是,由于优化目标之间的差异,使用这种方法来增强人脸图像很容易导致伪影或噪声。为了应对这一挑战,本文提出了一个端到端的低光人脸图像超分辨率网络(low-light face super resolution network,LFSRNet)。该网络由浅层特征提取、深层特征提取和特征过滤上采样3个模块组成。首先浅层特征模块将输入的低光、低分辨率人脸图像映射到特征空间。随后,深度特征提取模块对其进行亮度校正并细化结构。最后,特征过滤上采样模块处理提取到的特征并重建人脸图像。此外,为了更好地重建丢失的面部细节本文还设计了一个损失函数faceMaskLoss。大量实验证明了所提模型的有效性。
【目的】针对极限学习机(ELM)神经网络在室内可见光定位(VLP)中收敛不稳定,易陷入局部最优状态,导致定位精度降低的问题,文章引入了麻雀搜索算法(SSA)确定ELM神经网络的初始权值和阈值,提出了SSA-ELM神经网络算法。【方法】首先,采集定位区域内接收信号强度(RSS)与位置信息作为指纹数据;然后,训练SSA-ELM神经网络并得到预测模型,将测试集数据输入预测模型得到待测位置的定位结果;最后,设计了仿真实验和测试平台。【结果】仿真表明,在立体空间模型中0、0.3、0.6和0.9 m 4个接收高度,平均误差分别为1.73、1.86、2.18和3.47 cm,与反向传播(BP)、SSA-BP和ELM定位算法相比,SSA-ELM神经网络算法定位精度分别提高了83.55%、45.71%和26.26%,定位时间分别降低了36.48%、17.69%和6.61%。实验测试表明,文章所提SSA-ELM神经网络算法的平均定位误差为3.75 cm,比未优化的ELM神经网络定位精度提高了16.38%。【结论】SSA对ELM神经网络具有明显的优化作用,能够显著降低定位误差,减少定位时间。
暂无评论