针对当前智能驾驶领域场景理解中的语义分割算法无法同时满足高精度和高效率要求的问题,提出了精确高效的语义分割算法。基于可分离残差模块和降采样模块,设计了充分利用其学习能力和学习效率的高效精确语义分割网络结构。利用Cityscapes数据集,在图像处理效率12 frame/s的基础上达到分割精度67.86%。研究结果表明,所提方法在精度和效率上均能达到较好的效果,实现了精度和效率的平衡。

目前,基于统计先验的图像去模糊方法对噪声敏感,细节恢复能力有限,而基于先验学习的算法对图像及其模糊类型、噪声水平等适应性较差。针对上述问题,基于图像模糊前后像素直方图统计,首先提出一种简单有效的低值像素先验。然后针对现有方法对图像去模糊后出现大量噪声或伪影等问题,设计深度卷积神经网络学习图像深度去噪先验,并联合低值像素先验、梯度稀疏先验提出新的去模糊模型。同时,在模糊核估计过程中,利用图像分解方法分离出图像的结构层,并在结构层估计模糊核,获得更为准确的估计结果。大量实验结果表明,本文算法不仅具有很好的细节恢复能力,且对图像及其模糊类型、噪声水平等更具稳健性。与现有主流算法相比,本文方法优势明显。

传统全变差(TV)正则化图像复原仅考虑图像的一阶梯度特征,具有图像噪声敏感、平坦区域阶梯效应明显等缺点。针对此类问题,将广义全变差(TGV)应用于图像去模糊领域,提出自适应加权的TGV图像去模糊模型,该模型能够根据图像局部结构自适应调整权值,在去模糊的同时避免阶梯效应,有效保持图像边缘并抑制噪声。提出基于原始-对偶的自适应加权TGV去模糊模型的迭代求解算法,实验结果表明,利用本文算法可获得高质量复原图像,且时间复杂度低,求解速度快。

针对传统的局部保持投影算法(LPP)直接使用数据的原始空间信息导致选取近邻不准确,以及LPP算法投影时忽略数据类别信息的问题,提出一种基于自适应近邻局部保持投影的人脸识别方法。该方法在特征提取时利用可变的相似度、近邻信息以及数据类别信息构建目标函数,使得在投影子空间中同类样本尽量紧凑,异类样本尽量远离。通过最小化目标函数自适应优化邻接矩阵与投影矩阵,用优化后的投影矩阵对高维数据进行降维,采用降维后的数据进行人脸分类识别。将该方法应用于扩展Yale人脸数据库、CMU-PIE人脸数据库、MSRA人脸数据库和CAS-PEAL人脸数据库中进行人脸识别,实验结果验证了其有效性。

深度卷积神经网络在图像分类任务中取得了极大的成功。现有的基于简化卷积的卷积神经网络结构能够减少网络参数,但会丢失部分特征信息,降低网络性能。为了提高图像分类正确率,提出一种二分支卷积单元。该卷积单元包含两种类型的滤波器,分别用于提取包含特征通道内与通道间信息的特征。以此卷积单元代替传统的滤波器,构建深度卷积神经网络,称为CTsNet。将该网络应用于图像分类任务,在CIFAR10、CIFAR100数据库上进行验证实验。结果表明,二分支卷积单元能够有效提取包含不同信息的特征,增加特征的多样性,减少信息损失,基于二分支卷积单元的CTsNet结构能有效提升图像分类性能。