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
1 安徽大学 互联网学院，合肥 230039
2 安徽大学 农业生态大数据分析与应用技术国家地方联合工程研究中心，合肥 230601
3 陆军炮兵防空兵学院 偏振光成像探测技术安徽省重点实验室，合肥 230031
4 安徽文达信息工程学院 智能技术研究所，合肥 231201
在利用深度学习进行偏振图像计算成像过程中，图像映射函数的解空间极大、空间分辨率一般较低，难以生成清晰的纹理细节且存在高频信息缺失等问题。为解决该问题，提出一种结合双注意力机制的深度残差偏振图像超分辨率网络。该网络由一个具有全局跳跃连接的残差网络组成，包含10个残差组，每个残差组包含20个具有局部跳跃连接的双重注意力块级联的残差块；同时考虑通道间的相互依赖性，设计自适应通道特征调整机制；引入级联的空间注意力块，将残差的特征更集中于关键的空间内容。将所提方法与Bicubic、SRCNN、FSRCNN、EDSR等方法进行对照实验与成像系统对比校正实验，结果表明该方法重建图像纹理细节更加丰富，亮度均匀，较为接近成像系统的高清图像，同时峰值信噪比和结构相似性指标优于其他方法但参数量仅约为EDSR的2/5。
计算成像 超分辨率 深度残差网络 偏振图像 双重注意力块 Computational imaging Super-resolution Depth residual network Polarization images Dual attention block
鉴于深度学习在图像识别领域的重大进展，在无人直升机自主着舰的应用背景下，针对较为复杂的着舰环境和着舰标志设计，采用单级多区域检测(SSD)网络对着舰标志进行识别。针对SSD网络对小目标识别率低的缺点，基于深度残差网络和特征金字塔网络结构对SSD网络进行了改进，使用ResNet101代替VGG-16网络，并利用特征金字塔网络结构改进传统上采样结构，将检测网络的高层语义信息融入低层特征信息中，最后通过实验验证了改进网络的识别效果。
着舰标志识别 SSD网络 图像识别 深度残差网络 特征金字塔网络结构 identification of landing mark SSD network image recognition deep residual network feature pyramid network structure
由于高质量的对地观测需要时空连续的高分辨率遥感图像,故对时空融合的研究广泛开展,并且集中在Landsat和MODIS卫星之间。目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络较浅,故融合性能有限。针对应用最广泛的单对图像时空融合问题,建立了一种基于深度神经网络的新时空融合方法。首先,基本网络框架由两个级联的4倍上采样器构成以近似Landsat和MODIS卫星之间的空间差异和传感器差异。然后,利用卷积神经网络学习重建图像与真实图像之间的残差,使重建图像与真实图像更接近。接着,使用高通调制策略进行时间上的预测。最后,将所提方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多种时空融合算法进行了比较。实验结果表明,与现有融合算法相比,所提方法的重建效果更好,且处理速度更快。
遥感 卷积神经网络 深度残差网络 时空融合 Landsat 激光与光电子学进展
2021, 58(22): 2228006
红外与激光工程
2021, 50(8): 20200363
1 新疆师范大学计算机科学技术学院, 新疆 乌鲁木齐 830054
2 大连理工大学计算机科学与技术学院, 辽宁 大连 116024
为了提高工业带钢的质量和产量,针对传统人工识别难度大、效率低和客观性不够等问题,提出了一种基于软注意力机制的带钢表面缺陷识别方法,对传统深度残差网络ResNet模型进行了改进,使用伪彩色图像增强技术处理图片,得到了新的训练集。实验结果表明,在不同信噪比情况下,相比于传统的模型,改进模型A-ResNet50和A-ResNet101都能准确识别不同类型的带钢表面缺陷图像,在测试集上的准确率分别为98.61%和98.05%,单位推断时间达到了0.078 s和0.130 s,证实了A-ResNet50和A-ResNet101模型在带钢表面缺陷识别上的可行性以及可靠性。所提出的方法识别精度高,实现了带钢表面缺陷的智能识别,同时满足工业识别需求。
图像处理 注意力机制 伪彩色图像 深度残差网络 缺陷识别 激光与光电子学进展
2021, 58(14): 1410014
点云分类和分割是三维场景理解中的关键步骤。针对稀疏点云输入和遮挡不能有效识别点云的问题,提出一种改进型分类和分割网络Linked-DGCNN。在动态图卷积网络(DGCNN)的基础上增加EdgeConv卷积层数以提取深层次点云特征;去除DGCNN的转换网络以简化网络结构;引入深度残差网络的思想连接不同网络层的输出特征,形成点云特征,同时使网络训练更加稳定。基于ModelNet40和ShapeNet Parts数据集将该网络与其他点云网络进行对比实验,实验结果表明,该网络在稀疏点云输入和遮挡情况下,相比其他方法有较高的点云分类和分割精度,由此说明该网络具有较强的鲁棒性。
机器视觉 深度学习 点云分类与分割 图卷积神经网络 深度残差网络 激光与光电子学进展
2021, 58(12): 1215008
1 郑州经贸学院 计算机与人工智能学院, 河南 郑州 451191
2 河南理工大学 计算机科学与技术学院, 河南 焦作 454003
针对传统图像描述方法存在提取图像关键信息精度不高、描述不准确等问题, 提出了一种结合残差学习和双模态CAE的图像描述方法。提出一种新型双模态卷积自动编码器（CAE）结构, 包括图像和文本两个输入, 以及编码、隐藏层交互、解码等处理环节, 完成对输入图像的文本描述;在经典CAE中加入残差学习, 与CAE的卷积层构成深度残差网络(DRN), 增加了学习深度, 以提高方法的准确率;将文本和图像的隐藏层进行交叉重构, 以最小化损失函数为目的, 训练得到图像-文本的关系, 从而实现图像的描述。利用COCO和Flickr30k数据集对所提方法进行定性和定量的仿真实验, 其结果论证了所提方法的有效性, 与其他方法相比, 评价指标Med r最低, 且R@K（K=1,5,10）最高, 运算时间仅为0.183s, 能够更为精准地描述图像。
残差学习 双模态CAE 图像描述 深度残差网络 交叉重构 最小化损失函数 residual learning bimodal CAE image description deep residual network cross reconstruction minimizing loss function
基于Johoson等的图像风格转换网络模型,在保证网络性能的前提下,在原有的网络结构上,通过运用更高效的网络计算方法对原有残差网络进行优化。实验结果表明,改进后的方法在几乎不降低图像质量的前提下,一定程度上克服了图像风格迁移模型存储量大、计算代价高、计算资源消耗大、难以移植到移动端的问题。
图像处理 图像风格迁移 卷积神经网络 深度残差网络 模型压缩 激光与光电子学进展
2020, 57(6): 061021
南京工业大学 计算机科学与技术学院, 江苏 南京 211816
图像风格迁移是用风格图像对指定图像的内容进行重映射, 利用GAN自动进行图像风格迁移, 可减少工作量, 且结果丰富。特定情况下GAN方法所用的配对数据集很难获得。为了避免利用传统GAN进行图像风格迁移受到成对数据集的限制, 提高风格迁移效率, 本文利用改进的循环一致性对抗网络CycleGAN实现图像风格迁移, 用密集连接卷积网络DenseNet代替原来网络生成器的深度残差网络ResNet, 用同一映射损失和感知损失组成的损失函数度量风格迁移损失。所做改进使网络性能得到了提升, 取消了网络对成对样本的限制, 提高了风格迁移生成图像的质量。同时进一步提高了稳定性, 加快了网络收敛速度。论文所提方法对建筑图像进行了风格迁移, 实验结果表明, 生成图像的PSNR值平均提高了6.27%, SSIM值均提高了约10%。因此, 本文提出的改进的CycleGAN图像风格迁移方法生成的风格图像效果更优。
图像风格迁移 循环一致性对抗网络 密集连接卷积网络 深度残差网络 image style transfer CycleGAN DenseNet ResNet
