江西理工大学 信息工程学院, 江西 赣州 341000
针对低分辨率图像到高分辨率图像的映射函数解空间极大, 导致超分辨率重建模型难以产生细致纹理的问题, 本文提出一种结合双注意力和结构相似度量的图像超分辨率重建网络。以改进的U-Net网络模型作为基本结构, 引入针对低级别视觉任务的数据增强方法, 增加样本多样性。编码器部分由卷积层和自适应参数线性整流激活函数(Dynamic ReLU)组成。同时引入了一种残差双注意力模块(Residual Dual Attention Module, RDAM)与像素重组(PixelShuffle)模块共同构成解码器, 通过上采样操作, 逐级放大图像。为了使生成图像更加符合人眼视觉特性, 采用了一种结合结构相似度量准则的损失函数, 增强网络约束。实验结果表明: 重建图像的质量对比SRCNN, 在Set5、Set14、BSD100和Urban100标准测试集上的平均PSNR提升约1.64 dB, SSIM提升约0.047。本文方法能够使重建的图像纹理细节更丰富, 有效地减少了映射函数可能的解空间。
超分辨率 U-Net网络 数据增强 双注意力 结构相似 super-resolution U-net network data augmentation dual attention structural similarity
1 中国农业大学工学院, 北京 100083
2 山东农业工程学院, 山东 济南 250100
高丹草中粗蛋白质以及碳水化合物的含量丰富, 适合青贮处理。 优质的高丹草种子是发展畜牧业十分重要的前提, 发芽率是检验种子质量最常规的指标之一, 播前种子发芽率检测与筛选十分必要。 现阶段采用发芽试验法进行种子发芽率的检测, 周期长、 成本高。 基于此, 提出利用近红外光谱对高丹草种子进行发芽率的快速、 无损检测。 选择适量的高丹草种子样品, 采集近红外漫反射光谱, 进行一阶导和二阶导预处理以及对比分析$R^{2}_{c},R^{2}_{p}$, RESEC和RMSEP。 采用支持向量机(SVM)建模, 使用MATLAB中调用的LIBSVM软件包来实现SVM训练和检测过程, 以检测不同发芽率的高丹草种子。 对来自不同省份的100组高丹草种子先剔除种子内的杂物、 破损以及不能满足试验条件的种子后, 用人工气候培养箱进行种子发芽试验, 获得100组种子样本的发芽率, 其发芽率分布在41%~64%的范围。 采用美国Unity Scientific 2600XT近红外光谱仪对样本进行光谱扫描。 随机分成校正集70份和检验集30份。 分别采用一阶导和二阶导进行了高丹草种子光谱的预处理, 将预处理之后的数据采用支持向量机的方法建模, 并对其参数进行了分析和讨论。 结果表明, 近红外光谱预测模型训练集相关系数($R^{2}_{c}$)和测试集相关系数($R^{2}_{p}$)分别为0.94和0.92, 校正均方根误差(RMSEC)、 预测均方根误差(RMSEP)分别为0.21和0.25, 两个产地的高丹草种子数据采用一阶导预处理时模型最优。 支持向量机的方法建模采用Rbf核函数, 当支持向量机惩罚因子c=2 896.309 4和核函数g=0.5时, 测试集种子发芽率的检测准确率为96.666 7%(29/30)。 该模型预测种子发芽率是可行的, 可以作为初步检测高丹草种子发芽率快速无损检测的手段之一, 能够有效的促进种子生产。
近红外光谱 高丹草种子 发芽率 导数法 支持向量机 Near infrared spectroscopy Sorghum-sudan grass seed Germination rate Derivative method Support vector machine
1 桂林电子科技大学信息与通信学院，广西 桂林 541004
2 桂林电子科技大学信息科技学院，广西 桂林 541004
针对micro electro mechanical system （MEMS）激光雷达与相机标定外参误差大的问题，提出了一种基于标定板关键点的外参标定方法。首先对多帧点云进行叠加预处理，然后基于Hough变换拟合标定板的边缘直线以确定关键点，最后设立关键点及法向量对应的约束条件，利用点面对应算法求出优化的标定外参。实验结果表明，所提方法可精确提取关键点，使得标定外参的平均误差相比现有的外参标定方法更低，提高了标定外参的精度。
遥感 激光雷达 Hough变换 关键点 外参标定 激光与光电子学进展
2022, 59(4): 0428001
江西理工大学信息工程学院, 江西 赣州 341000
研究基于场景描述文本生成对应图像的方法,针对生成图像常常出现的对象重叠和缺失问题,提出了一种结合场景描述的生成对抗网络模型。首先,利用掩模生成网络对数据集进行预处理,为数据集中的对象提供分割掩模向量。然后,将生成的对象分割掩模向量作为约束,通过描述文本训练布局预测网络,得到各个对象在场景布局中的具体位置和大小,并将结果送入到级联细化网络模型,完成图像的生成。最后,将场景布局与图像共同引入到布局鉴别器中,弥合场景布局与图像之间的差距,得到更加真实的场景布局。实验结果表明,所提模型能够生成与文本描述更匹配的图像,图像更加自然,同时有效地提高了生成图像的真实性和多样性。
图像处理 图像生成 生成对抗网络 场景描述 分割掩模 场景布局 激光与光电子学进展
2021, 58(4): 0410012
1 桂林电子科技大学信息与通信学院, 广西桂林 541004
2 中国电子科技集团第三十四研究所, 广西桂林 541004
3 桂林电子科技大学信息科技学院, 广西桂林 541004
针对车载应用对车辆与路侧单元 (V2R)的通信质量及系统吞吐量要求越来越高, 提出 V2R通信功率分配策略, 以提高通信链路质量及系统的吞吐量。该策略利用博弈论对功率分配过程进行分析并找出最优分配方案。当效用函数经过多次迭代而达到纳什均衡时, 表明系统已经获得最优的功率分配方案。仿真结果表明, 本文提出的车联网功率分配策略有利于减小各通信链路之间的干扰, 且达到了提升系统吞吐量的目的。
功率分配策略 系统吞吐量 博弈论 纳什均衡 车辆自组织网络 power allocation strategy systemthroughput game theory Nashequilibrium Vehicular Ad-hoc NETwork(VANET) 太赫兹科学与电子信息学报
2018, 16(3): 516
