针对当前基于深度学习的遥感图像超分辨率重建模型部署时对硬件要求较高,本文设计了一种轻量级基于重参数化的残差特征遥感图像超分辨率重建网络。首先,采用重参数化方法设计了一种残差局部特征模块,以有效地提取图像局部特征;同时考虑到图像内部出现的相似特征,设计了一个轻量级的全局上下文模块对图像的相似特征进行关联以提升网络的特征表达能力,并通过调整该模块的通道压缩倍数来减少模型的参数量和改善模型的性能;最后,在上采样模块前使用多层特征融合模块聚合所有的深度特征,以产生更全面的特征表示。在UC Merced遥感数据集上进行测试,该算法在遥感图像3倍超分辨率下的参数量为539 K,峰值信噪比为30.01 dB,结构相似性为0.844 9,模型的推理时间为0.010 s;而HSENet算法的参数量为5 470 K,峰值信噪比为30.00 dB,结构相似性为0.842 0,模型的推理时间为0.059 s。实验结果表明,该算法相比HSENet算法,参数量更少,运行速度较快,且峰值信噪比与结构相似性也有一定的提高。在DIV2K自然图像数据集上进行测试,该算法的峰值信噪比和结构相似性相比其他算法也有一定的优势,表明该算法的泛化能力较强。
超分辨率 遥感图像 全局上下文 重参数化 残差网络 super resolution remote sensing images global context re-parameterization residual network
北京信息科技大学应用数学研究所,北京 100101
从频谱支集对称程度及夹角两个结构特点出发,分析频谱支集结构变化对于去噪效果的影响,提出光场频谱支集集中程度的概念,并设计相应的度量函数。通过极小化集中程度度量函数,计算合适的光场双平面间距,按照此间距在去噪前对光场数据进行重参数化可以提高滤波去噪效果。HCI模拟光场数据和斯坦福实测光场数据实验结果表明,引入重参数化的光场滤波去噪方法能够优化去噪结果。从视觉上看,在滤除更多噪点的同时保留场景更多的结构和纹理信息;从定量评价上看,峰值信噪比和结构相似度指标也有所提高。
物理光学 光场 重参数化 频谱结构 去噪 光学学报
2023, 43(20): 2026001
1 福州大学 先进制造学院, 福建 泉州 362200
2 中国福建光电信息科学与技术实验室, 福州 350116
3 福州大学 物理与信息工程学院, 福州 350116
针对图像目标检测任务中采用的深度学习网络复杂的计算和规模庞大的计算参数, 导致基于ARM架构的嵌入式系统上, 目标检测任务存在着高延时和处理速度慢的问题, 文章提出并设计实现了一种新型完整嵌入式道路车辆检测方案。该方案在基于YOLOv3-Tiny的特征提取网络中采用结构重参数化的方法提升模型检测精度, 并通过Vitis-AI在Zynq嵌入式平台上部署DPUCZDX8G架构的加速核对卷积神经网络的并行加速, 最后将改进的YOLOv3-Tiny网络模型经过量化、编译, 以动态链接库的方式部署。实验结果表明, 在VOC2007上测试最终实现均值平均精度(MAP)为0.597, 实时处理速度为27.7FPS, 同时帧率功耗比为1.49, 适合边缘计算设备的低功耗要求。
目标检测 量化 结构重参数化 target detection Vitis-AI Vitis-AI quantification structural re-parameterization Zynq Zynq
针对四旋翼无人机在输入受限情况下的姿态跟踪控制问题, 提出了一种参数化控制方法。首先建立了四旋翼姿态误差二阶全驱模型, 采用一种参数化控制器, 使姿态误差系统等价于一阶定常闭环系统, 从而实现姿态角收敛至跟踪信号。考虑四旋翼输入受限及更好的跟踪性能, 采用智能优化的方法, 利用粒子群算法优化控制律中的参数矩阵。仿真实验表明: 与反步法相比, 提出的参数化控制器能够在输入受限情况下更快速地跟踪姿态指令, 具有更好的暂态性能, 实现了四旋翼高精度姿态跟踪控制。
四旋翼无人机 输入受限 参数化控制 quad-rotor UAV input constraints parametric control
光子学报
2022, 51(12): 1211002
1 上海应用技术大学计算机科学与信息工程学院,上海 201418
2 上海应用技术大学理学院,上海 201418
2D-3D医学图像配准在解决放射治疗的摆位验证问题上发挥着至关重要的作用。针对现有配准方法精度不高、耗时较长等问题,提出一种基于训练-推理解耦架构的2D-3D医学图像配准方法。该方法在训练阶段采用多分支结构,利用多尺度卷积增强特征多样性,提高配准精度;在推理阶段,利用重参数化将多分支结构转换为单路结构,加快配准速度;另外,引入自适应激活函数Meta-ACON,提高网络的非线性表达能力。在胸部和骨盆两个数据集上进行训练和测试,实验结果表明,所提方法预测结果的位移误差约为0.08 mm,角度误差约为0.05°,配准时间仅需26 ms。所提方法有效解决了摆位验证中的医学图像配准问题,不仅提高了精度,还满足了临床实时性要求。
图像处理 2D-3D配准 卷积神经网络 重参数化 激活函数 激光与光电子学进展
2022, 59(16): 1610015