行人重识别(ReID)任务在提取身份相关特征时可能会丢失一些信息,导致判别依据减少并影响模型性能。为此,提出了基于双分辨率特征及通道注意力机制的行人重识别方法。首先,在ResNet基础上增加了高分辨率特征分支,通过在不同分辨率的特征图上应用池化层,生成了对应着8种不同区域的特征向量。然后根据特征向量的情况设计了一个通道注意模块,增强了其中有效部分的表达能力。最后利用批归一化处理来协调分类损失和度量损失。消融实验中,算法内各步骤的运用都有效提升了模型的性能。在Market-1501、DUKEMTMC-REID、CUHK03等数据集上进行的对比实验中,该算法相比近几年具有代表性的其他算法,平均准确率和Rank-1都有所提升。实验结果表明,该方法能结合更丰富的特征,提高行人重识别准确度。

为实现多种类水稻病害的自动识别,采用卷积神经网络对水稻干尖线虫病、白叶枯病、细菌性条斑病等8种水稻叶部病害图像进行识别。将病害图像通过随机旋转以及亮度和对比度随机改变等方法进行样本扩充后,随机划分80%的图像作为卷积神经网络的训练样本,20%的图像作为测试数据。将训练样本直接输入AlexNet网络与LeNet5网络中进行训练,得到AlexNet_model和LeNet_model。在AlexNet网络上采用模糊C均值聚类(FCM)图像处理和在每层激活函数后添加批归一化层(BN)的两种方法对图像进行识别,得到模型FCM_model和BN_model。结合4种模型识别结果及性能评价指标的分析,可知 BN_model的识别效果最佳。BN_model模型的最终测试识别准确率达99.11%,比AlexNet_model、FCM_model和LeNet_model分别提高了0.23个百分点、0.59个百分点和4.43个百分点。该模型识别能力与泛化能力强,为基于卷积神经网络的水稻病害研究提供了参考。

针对低照度条件下图像降质严重的问题,提出了一种基于深度卷积神经网络(DCNN)的低照度图像增强算法。该算法根据Retinex模型合成训练样本,将原始低照度图像从RGB (Red Green Blue)空间转换到HSI (Hue Saturation Intensity)颜色空间,保持色度分量和饱和度分量不变,利用DCNN对亮度分量进行增强,最后将HSI颜色空间转换到RGB空间,得到最终的增强图像。实验结果表明,与现有主流的图像增强算法相比,所提算法不仅能够有效提升亮度和对比度,改善过增强现象,而且能够避免色彩失真,主观视觉和客观评价指标均得到了进一步提高。

现有交通标志识别技术, 存在高识别率高功耗或者低识别率低功耗的问题, 构建了新轻量级WACNN的识别算法。首先, 利用TensorFlow构建6层卷积神经网络, 其中前三层为卷积池化层, 四层为1×1卷积层, 五层为全连接层, 六层为输出层, 前四层再加入批量归一化方法。其次, 使用直方图均衡对交通图像预处理。最后, 模型在GTSRB上进行实验, 实验结果表明, 所提模型不仅极大缩短了训练时间, 且识别准确率也能达到了97％。

针对栈式稀疏去噪自编码器(SSDA)在图像去噪上训练难度大、收敛速度慢和普适性差等问题,提出了一种基于栈式修正降噪自编码器的自适应图像去噪模型。采用线性修正单元作为网络激活函数,以缓解梯度弥散现象;借助残差学习和批归一化进行联合训练,加快收敛速度;而为克服新模型对噪声普适性差等问题,需要对其进行多通道并行训练,充分利用网络挖掘出的潜在数据特征集计算出最优通道权重,并通过训练权重权重预测模型预测出各通道最优权重,从而实现自适应图像去噪。实验结果表明:与目前降噪较好的BM3D和SSDA方法相比,所提方法不仅在收敛效果上优于SSDA方法,而且能够自适应处理未参与训练的噪声,使其具有更好的普适性。