强激光与粒子束
2024, 36(4): 043016
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
武汉第二船舶设计研究所, 湖北 武汉 430000
在复杂海域场景下如何综合利用舰船监测的多模态数据进行高效特征提取和特征融合, 以此来综合提升舰船识别精度仍存在巨大挑战。针对海域环境中舰船单一数据源识别准确率问题, 提出一种有效的多模态数据特征提取和特征融合的舰船识别算法, 然后基于深度残差网络模型进行特征融合以提升舰船识别准确率。通过实验结果对比, 相比于其他算法基于多模态数据的舰船识别算法平均准确率提升约18%, 有效地提升了舰船识别准确率, 对相关船舶领域的研发工作具有借鉴意义。
舰船识别 舰船轨迹 合成孔径雷达图像 多模态特征 深度残差网络 ship identification ship trajectory SAR image multi-modal features deep residual network
光子学报
2023, 52(12): 1210002
1 福州大学电气工程与自动化学院,福建福州 350108
2 国网福建电力有限公司电力科学研究院,福建福州 350007
复合绝缘子在不同缺陷类型下表现出不同的发热特征,基于复合绝缘子中心轴温度数据,提出了一种基于一维残差网络的复合绝缘子发热缺陷检测方法。首先,统计分析复合绝缘子不同缺陷类型下的异常温升范围及位置信息,得到各缺陷类型下的复合绝缘子中心轴温度数据样本集;然后,建立一维残差网络模型,在残差块中引入空洞卷积来扩大感受野,并加入有效通道注意力机制模块(efficient channel attention network, ECA_Net),提升与缺陷类别相关性较高的特征权重;最后,进行了算例验证及模型对比,同时采用 t分布随机紧邻嵌入(t-distributed stochastic neighbor embedding, t-SNE)可视化方法,反映模型特征提取的效果。结果表明:该模型能够有效捕捉中心轴线温度数据的空间维度信息,自适应提取类别区分度较大的特征,相较于普通卷积、自编码器(auto encoder, AE)和支持向量机(support vector machine, SVM),其识别准确率得到了提升,具有较好的鲁棒性和泛化能力,实现了端到端的复合绝缘子发热缺陷检测。
复合绝缘子 热成像 一维残差网络 空洞卷积 注意力机制 缺陷检测 composite insulator, thermography, one-dimensional
兰州交通大学电子与信息工程学院,甘肃兰州 730070
目前,红外与可见光图像融合算法依然存在着对复杂场景适用性低、融合图像细节纹理信息大量丢失、对比度与清晰度不高等问题,针对上述存在的问题,本文结合非下采样剪切波变换( Non-Subsampled Shearlet Transform, NSST)、残差网络( Residual Network, ResNet)与生成对抗网络(Generative Adversarial Network, GAN)提出一种 N-RGAN模型。通过 NSST变换将红外与可见光图像分解为高频子带和低频子带;对高频子带进行拼接并输入由残差模块改进过的生成器,并将源红外图像作为判决标准,以此提升网络融合性能与融合图像细节刻画以及目标凸显能力;对红外图像与可见光图像进行显著性特征提取,通过自适应加权对低频子带进行融合,提升图像对比度与清晰度;对高频子带的融合结果与低频子带的融合结果进行 NSST逆变换,从而得到红外与可见光图像的融合结果。通过与各类算法的融合结果进行对比,本文所提方法在峰值信噪比( Peak Signal to Noise Ratio, PSNR)、平均梯度( Average Gradient, AVG)、图像熵( Image Entropy, IE)、空间频率( Spatial Frequency, SF)、边缘强度( Edge Strength, ES)、图像清晰度( Image Clarity, IC)等多个客观指标上均有提高,可提升复杂场景下的红外与可见光图像融合效果,改善图像细节纹理信息损失严重的问题,同时提升图像对比度与清晰度。
图像融合 红外与可见光图像 显著性特征提取 非下采样剪切波变换 残差网络 生成对抗网络 image fusion, infrared and visible images, salient
山东师范大学物理与电子科学学院山东省光场调控工程技术研究中心,山东 济南 250358
利用分数涡旋光束进行信息传输,可以大大提高通信系统的容量。但在接收端准确测定分数涡旋光束的模态,尤其在信道中存在湍流的情况下,存在一定的困难。本文提出了改进的残差网络(I-ResNet)以提高模态检测的正确率。实验结果表明,本文构建的网络能够准确地识别光束模态,且具有较好的泛化性。在传输距离为1500 m、弱湍流()、模态分辨率时,准确率可以达到100%;强湍流()、时,准确率可以达到96.5%。随着湍流强度或传输距离的增加,正确识别率下降。这些结果对自由空间光通信系统设计具有一定的指导意义。
分数阶涡旋光束 模态分辨率 改进的残差网络 大气湍流 光学学报
2023, 43(23): 2326001
1 信息工程学院
2 通信与网络重点实验室,辽宁 大连 116000
针对复杂电磁环境下干扰信号样本量少而难以识别的问题, 提出基于元学习的干扰识别方法。首先计算干扰信号频率响应的Holder系数;然后将干扰信号的时频图经残差网络输出的特征向量与上述Holder系数进行多模态融合组合成新的多维特征向量;最后利用元学习将输出的多维特征向量拆分为编码向量和干扰信号时频图相关的协方差矩阵, 计算干扰信号的预测值, 通过计算实际值与预测值之间的最短欧氏距离进行干扰信号的识别分类。仿真结果表明, 该干扰识别方法能够有效提高在小样本数据集1-shot和5-shot上的识别率。
干扰识别 小样本信号 Holder系数 残差网络 元学习 jamming recognition small-sample-size signal Holder coefficient residual network meta-learning
1 昆明理工大学 信息工程与自动化学院,云南昆明650500
2 云南警官学院 云南警用无人系统创新研究院, 云南昆明6503
针对图像超分辨率重建过程中提取低分辨率特征效果较差,大量高频信息丢失导致的边缘模糊和伪影问题,提出了融合多维注意力机制与选择性特征融合作为图像特征提取模块的图像超分辨率重建方法。网络由若干个基本块和残差操作构建模型的特征提取结构,其核心是一种提取图像特征的异构组卷积块,该模块的对称组卷积块以并行的方式进行卷积提取不同通道间的内部信息特征并进行选择性特征融合,互补卷积块通过全维度动态卷积从空域、输入输出维度和核维度捕捉遗漏的上下文信息,对称组卷积块和互补卷积块连接后的特征采用特征增强残差块去除冗余造成干扰的无用信息。模型通过5种消融实验证明其设计的合理性,在Set5,Set14,BSDS100和Urban100测试集上与其他主流的超分辨率重建方法进行对比,峰值信噪比(PSNR)和结构相似性(SSIM)定量数据均有提升,尤其在放大因子为3的Set5数据集上比次优算法CARN-M均提升0.06 dB,结果表明提出模型具有更优的性能指标和更好的视觉效果。
超分辨率重建 多维注意力机制 特征融合 残差网络 super-resolution reconstruction multidimensional attention mechanism feature fusion residual network 光学 精密工程
2023, 31(17): 2584
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