长春理工大学 电子信息工程学院，吉林长春130000
卷积神经网络（Convolutional Neural Network， CNN）可用于工业生产环境下的纺织品疵点的鉴别与分类。针对实际场景下的纺织品瑕疵存在瑕疵类型视觉区分度小和实际数据样本采集时的瑕疵类别不平衡问题，本文提出了基于标签嵌入方法的纺织品瑕疵识别网络（Textile Defect Recognition Network Based on Label Embedding， TDRNet）。首先，算法调整了基础骨干网络的结构，从而提高模型的分类精度；接着算法还设计了标签嵌入模块（Label Embedded Module， LEM），并使用该模块来生成模型的类别权重偏移；然后，本文提出了分布感知损失函数（Distribution Perception Loss， DP Loss）调整算法的类别分布，从而减小同类瑕疵特征的类内距并增大异类瑕疵特征的类间距；最后，本文引入了Seesaw Loss损失函数，通过抑制少数类别的负样本梯度并提高对误分类时的样本损失来动态平衡模型训练过程中在不同样本下的更新梯度，以缓解少数类别的误分类率。在自制的“广东智能制造”布匹瑕疵分类数据集中，本文提出的框架在粗粒度分类和细粒度分类两个任务上的top1错误率可达16.35%和17.12%，而top5错误率在细粒度分类任务上低至5.20%。与其他分类模型相比，TDRNet在对比实验中取得了最优的结果。此外，TDRNet与近5年经典的细粒度分类模型进行了比较，并取得了SOTA结果，这充分表明了TDRNet的先进性。
卷积神经网络 纺织品瑕疵识别 标签嵌入 分布感知损失 Seesaw损失 convolutional neural network textile defect recognition label embedding distribution perception loss Seesaw Loss 光学 精密工程
2023, 31(10): 1563
针对当前低剂量计算机断层扫描（LDCT）重建图像中存在复杂噪声与条纹伪影的问题，提出了一种基于双注意力机制和复合损失的LDCT去噪方法。该方法通过引入空间注意力机制与通道注意力机制，获取了全局特征信息，并对特征权重进行重标定，使重要的结构细节能够得以保留，从而提升网络的去噪性能；同时加入感知损失度量函数，使对人眼而言敏感的纹理信息得到保留。实验结果表明：在视觉效果上，所提方法不仅去除了LDCT图像中的噪声和伪影，同时也保留了更多的纹理特征与结构细节；峰值信噪比（PSNR）等客观指标均高于其他对比方法。
图像处理 低剂量计算机断层扫描 注意力机制 感知损失 激光与光电子学进展
2022, 59(2): 0210008
1 深圳供电局有限公司福田供电局, 深圳 518001
2 西安电子科技大学电子工程学院, 陕西 西安 710071
3 中国科学院上海技术物理研究所中国科学院智能红外感知重点实验室, 上海 200083
针对现有图像超分辨重建方法难以充分重建图像的细节信息且易出现重建的图像缺乏层次的问题,提出一种基于自注意力深度网络的图像超分辨重建方法。以深度神经网络为基础,通过提取低分辨率图像特征,建立低分辨率图像特征到高分辨率图像特征的非线性映射,重建高分辨率图像。在进行非线性映射时,引入自注意力机制,获取图像中全部像素间的依赖关系,利用图像的全局特征指导图像重建,增强图像层次。在训练深度神经网络时,使用图像像素级损失和感知损失作为损失函数,以强化网络对图像细节信息的重建能力。在3类数据集上的对比测试结果表明,所提方法能够提升图像超分辨重建结果的细节信息,且重建图像的视觉效果更好。
图像处理 图像超分辨 自注意力机制 感知损失 深度网络 卷积神经网络 激光与光电子学进展
2021, 58(4): 0410013
华中光电技术研究所-武汉光电国家研究中心， 湖北 武汉 430223
神经网络已被大量应用于图像去雾领域，并取得了较好的效果。但是一般用于去雾的神经网络的深度较深且结构复杂，不利于其在嵌入式平台上的部署。提出了一种基于基础块堆叠的架构，BP-Net(Block Piled Network)。并分别尝试用残差块与信息蒸馏网络(IDN)的信息蒸馏块作为网络中的基础块。此外，采用感知损失函数进行网络训练。训练结果在SOTS测试集上的平均PSNR与SSIM值分别达到了33.15 dB与0.977 2。此外，在大幅缩减基础块数量后，网络去雾效果也有良好表现。
神经网络 去雾 残差网络 信息蒸馏 感知损失 neural network dehazing ResNet information distillation perceptual loss
1 中国人民解放军第四八零八工厂军械修理厂，山东青岛266000
2 哈尔滨理工大学测控技术与通信工程学院，黑龙江哈尔滨150080
生成对抗网络模型可以用来生成服从原始真实图像分布规律的高频细节信息。为了进一步提高重建图像的视觉质量，对生成对抗网络的生成网络、判别网络及感知损失三个方面进行了改进。首先移除了生成网络中的BN 层，同时在残差块中采用密集连接的方式，增加网络模型的容量，降低了计算复杂性，增强了网络训练的稳定性。然后采用迁移学习技术来促进深度模型的训练，解决了遥感数据不足的问题。实验结果表明提出的算法通过对遥感图像超分辨率重建算法进行改进，可以获得更好的主观视觉效果，PSNR 和SSIM 均有显著提高。
生成对抗网络 遥感图像超分辨率重建 残差密集块 迁移学习 感知损失 generative adversarial network remote sensing image superresolution reconstructio residual dense block transfer learning perceptual loss
南京工业大学计算机科学与技术学院, 江苏 南京 211816
为改善低剂量CT图像的质量, 提出一种基于改进型Wasserstein生成对抗网络(WGAN-gp)的低剂量CT图像去噪方法。WGAN-gp在WGAN网络的基础上加入梯度惩罚项, 解决了WGAN训练困难, 收敛速度慢的问题, 进一步提高网络的性能。同时加入新感知损失度量函数, 使对人眼而言敏感的纹理信息得到保留。实验结果表明, 与目前相关的方法相比, PSNR提高了1.83 dB, SSIM表达能力增加了约3.5%, 降低了时间复杂度, 显著改善了低剂量CT图像的可视质量。
Wasserstein距离度量的对抗生成网络 低剂量CT图像 图像去噪 感知损失 WGAN-gp low-dose CT images image denoise perceptual loss
西安电子科技大学智能设备实验室，陕西 西安 710071
利用深度学习进行超分辨重建已经获得了极大的成功，但是目前绝大多数网络结构依然存在训练以及重建速度较慢，一个模型仅能重建一个尺度以及重建图像过于平滑等问题。针对这些问题，本文设计了一种级联的网络结构(DCN)来逐级对图像进行重建。使用L2 和感知损失函数共同优化网络，在每一级的共同作用下得到了最终高质量的重建图像。此外，本文的方法可以同时重建多个尺度，比如4′的模型可以重建1.5′，2′，2.5′，3′，3.5′，4′。在几个常用数据集上的实验表明，该方法在准确性和视觉效果均优于现有的方法。
深度学习 超分辨 逐级 多尺度 感知损失函数 deep learning super-resolution step by step multi scale perception loss function
