1 中国矿业大学 计算机科学与技术学院,江苏徐州226
2 中国矿业大学 信息与控制工程学院,江苏徐州1116
针对全局和局部高低频空间信息利用不足而导致重建图像纹理细节模糊的问题,提出一种基于注意力和宽激活密集残差网络的图像超分辨率重建模型。首先,四个不同尺度且平行的卷积核被用来充分提取图像低频特征作为空间特征转换的先验信息。在深层特征映射模块中构建融合注意力的宽激活残差块,并利用低频先验信息来引导高频特征的提取。该宽激活残差块通过扩大激活函数前的特征通道数来提取更深层次的特征图,且所构造的全局和局部残差连接在加强残差块和网络特征前向传播的同时,在不增加参数情况下使得所提取特征的多样性更加丰富。最后,对得到的特征图进行上采样和重建以得到清晰的高分辨率图像。实验表明,所提算法在BSD100数据集上4倍超分辨率时,相比LatticeNet模型的PSNR指标提升了0.14 dB,SSIM提升了0.001,在主观视觉方面,重建出的图像局部纹理细节也更加清晰。
残差网络 超分辨率 宽激活 注意力机制 密集连接 residual network super-resolution wide activation attention mechanism dense connectivity 光学 精密工程
2023, 31(15): 2273
光学 精密工程
2022, 30(20): 2489
中国矿业大学信息与控制工程学院, 江苏 徐州 221008
目前, 基于卷积神经网络的超分辨率重建方法具有参数数量大, 时效性偏低, 边缘细节信息丢失的缺陷。针对该问题, 提出基于边缘修正的多尺度卷积神经网络超分辨率重建算法。首先在训练阶段, 利用低频信息的冗余性设置参数共享层, 将同一组滤波器应用到不同放大倍数的训练网络中, 构建多任务学习框架; 然后在重建阶段, 从样本训练库中学习可以高分辨率图像边缘修正系数, 采用邻域像素差值线性运算将边缘系数与重建的高分辨率图像进行融合, 矫正边缘信息的偏差, 弥补丢失细节; 最后根据随机梯度下降法和反向传播法, 利用梯度不断更新权重参数使网络达到最优化。实验结果表明, 该算法的重建效果较为显著, 边缘锐度较高, 消除了模糊和锯齿现象, 并且通过参数共享大幅减少参数量, 满足实时性的要求。
图像处理 超分辨率重建 边缘修正 多尺度 梯度信息 激光与光电子学进展
2018, 55(9): 091003
1 光电控制技术重点实验室, 河南 洛阳 471009
2 海军装备部, 北京 100841
为减少激光制导**攻击过程中激光指示器的照射总时间, 研究了一种新的目标跟踪算法。激光制导**充分使用自身INS/GPS组合导航, 由卡尔曼滤波中的协方差判断**目标矢量的误差信息。算法应在任何时刻确保**能够在误差范围内命中目标。因此, 在飞行的每一时刻存在无法命中目标的最大误差极限。当误差即将超过极限时, **可以要求一个简短的目标激光照射。目标的激光量测方位信息可以改进**目标矢量估计, 也可以反馈到卡尔曼滤波中来改进惯性状态估计。仿真试验表明, 该算法能够在保证火力打击精度的前提下有效缩短激光照射时间, 降低照射单元风险。
目标跟踪 激光制导** 卡尔曼滤波 target tracking laser guided weapon Kalman filtering