磁共振成像具有出色的软组织对比度，在很多诊断中具有其他方式不可比拟的优势，是现代临床医学的重要观测手段之一。但磁共振成像扫描时间较长，严重制约了诊断效率，按照一定加速倍率通过部分扫描得到欠采样的K空间数据是减少扫描时间的重要途径。现有方法仅单独对K域或图像域进行重建，或者通过串行连接的图像域和K域卷积对两域进行交替处理，未能实现双域信息的融合，导致重建性能较差。为了实现对高加速倍率欠采样K空间数据的高质量重建，提出了一种同时处理图像域和K域数据的双域并行编解码结构。所提方法使用两个并行的编解码网络分别重建欠采样图像域和K域数据，并将K域分支的特征通过傅里叶逆变换融合到图像域，从而显著提高重建质量。实验结果表明，对于不同加速倍率的前采样数据，所提方法都优于其他基于U-Net的图像重建方法。所提方法有望成为一种高性能的高加速倍率磁共振欠采样数据重建方法，可应用于临床磁共振重建。

雨天是一种常见的恶劣天气,雨线会严重影响物体分类、检测和分割等算法的精度。在有雨图像中,不同尺度的雨线具有相似的形状特征,因此可以利用雨线间的互补信息来协同表达雨线特征。通过构建多尺度特征金字塔结构来利用不同雨线间的相似性特征,并设计初始模块、卷积长短期记忆网络(Conv-LSTM)模块、融合模块和重构模块。此外,在融合模块中通过引入轻量的非局部机制来引导雨线特征的精融合和提取。在合成和真实的数据集上进行大量实验,对比近年4种基于深度学习的图像去雨方法,所提方法的峰值信噪比(PSNR)和结构相似性(SSIM)均有提升。实验结果表明,所提方法在保持图像原有信息的同时,能够高效地去除雨线和避免图像模糊。

针对目标检测与图像分类任务的差别,以及大多数目标检测器过于依赖分类基础网络的问题,提出一种针对目标检测任务的基础网络。该网络包含初始模块、特征融合模块和混合下采样模块。初始模块能减少输入图片信息的丢失;特征融合模块通过拼接不同卷积层的输出,既能加强网络对不同尺寸目标检测的稳健性,又能对物体检测提供更多的上下文信息,有效提高了检测精确度;在网络的下采样部分引入混合下采样模块,平衡了基础网络对目标的分类和定位能力。实验结果表明,本网络模型在PASCAL VOC 2007和 PASCAL VOC 2012数据集上进行训练后,在PASCAL VOC 2007测试集上的平均精度均值可达81.0%,检测速度可达85 frame/s,本网络在精度和效率上都达到了很好的效果。

针对非约束环境下,受姿态、遮挡、尺度变化等因素的影响,密集、分辨率较低的人脸难以检测问题,提出了一种上下文敏感的多尺度人脸检测 (CSMS) 方法。该方法引入一种结合人脸上下文信息的提取模块,通过有效地融合多感受野特征来丰富目标的判别性信息。从模型结构设计的角度出发,利用多尺度特征提取尺度专门化的特征向量,使人脸检测中尺度变化具有很好的稳健性。在训练阶段采用端到端的学习方式,并引入专注于难分负例样本的训练方法来解决小尺度目标检测中的类间不平衡问题,提高了网络对难例样本的判别能力。实验结果表明,该方法对于非约束环境下的人脸检测具有很好的稳健性,在Wider Face数据集上实现了先进的检测效果。

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。

在自动驾驶这类多传感器融合任务中,每个子任务的不确定度对数据融合的策略和结果都有着至关重要的影响,为使整体系统能够在多工况下稳定运行,必须要求计算模型以较低的不确定度运行。现有方法仅能在神经网络预测过程中求得不确定度,很少有方法能够通过自学习的方式降低模型的不确定度。为解决上述问题,提出了不确定度学习层和不确定度损失项等概念,设计了一种能够通过自学习的方式降低不确定度的神经网络架构(ULNN),从而增强神经网络模型预测的稳健性。在CIFAR-10和CIFAR-100数据集上的实验表明,ULNN能够有效地降低模型不确定度,在两个数据集上分别降低了26倍和12倍的不确定度。进一步在CamVid数据集上的语义分割实验中证明了ULNN的通用性。