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创新实验室，福州350116
提出一种多层特征图信息融合的海滩小目标检测方法，从上下文信息与强化特征图信息融合的角度提升小目标游客的检出率。首先，透过更全面、有效的GAM注意力机制思想结合CSP结构提出GCSAM结构，用于增强检测YOLOv5模型中主干网络跨纬度感受区，聚焦小目标特征学习；其次，在颈部融合端使用BIFPN结构优化YOLOv5网络中PANet结构，补全跨层特征信息之间的传递，使得特征图包含更多的上下文信息；最后，采用幂变换改进YOLOv5网络中CIOU_Loss为Alpha‑CIOU_Loss，有效提升预测框的回归精度。实验证明，在满足实时性要求的前提下，相比于原始YOLOv5网络，文中方法在海滩小目标游客检测上查准率提升2.00%，查全率提升5.33%，平均精度均值提升4.36%。文中方法在海滩小目标游客密集、遮挡、目标更小的情况下具有更好的鲁棒性。
深度学习 小目标检测 注意力机制 特征图 deep learning small object detection attention mechanism feature map
1 桂林理工大学测绘地理信息学院，广西 桂林 541004
2 广西空间信息与测绘重点实验室，广西 桂林 541004
3 广西壮族自治区自然资源信息中心，广西 南宁 510023
针对普通卷积神经网络在遥感图像分割中小目标识别度不高、分割精度低的问题，提出了一种结合特征图切分模块和注意力机制模块的遥感影像分割网络AFSM-Net。首先在编码阶段引入特征图切分模块，对每个切分的特征图进行放大，通过参数共享的方式进行特征提取；然后，将提取的特征与网络原输出图像进行融合；最后，在网络模型中引入注意力机制模块，使其更关注图像中有效的特征信息，忽略无关的背景信息，从而提高模型对小目标物体的特征提取能力。实验结果表明，所提方法的平均交并比达到86.42%，相比于DeepLabV3+模型提升了3.94个百分点。所提方法充分考虑图像分割中小目标的关注度，提升了遥感图像的分割精度。
遥感 遥感图像 DeepLabV3+ 特征图切分 注意力机制 语义分割 激光与光电子学进展
2023, 60(6): 0628003
红外与激光工程
2022, 51(7): 20210586
1 华南师范大学物理与电信工程学院, 广东 广州 510006
2 广东省量子调控工程与材料重点实验室, 广东 广州 510006
运动伪影是光学相干层析造影成像(OCTA)俯视图中的一个重要问题。提出一种补偿特征图像滤波(CEF)算法去除光学相干层析造影成像俯视图的运动伪影。首先,利用奇异值分解(SVD)将光学相干层析造影成像俯视图展开为一系列的特征图像;然后,利用高通特征图像和从第一特征图像中抽取得到的正交补偿积这两部分来重建恢复图像。实验结果表明,CEF算法能较好地去除条纹噪声,经CEF算法复原得到的图像有着较传统特征图滤波算法更好的图像质量。该算法为其他扫描成像系统去除类似的条纹噪声提供了新的参考。
图像处理 光学相干层析造影成像 运动伪影 条纹噪声 奇异值分解 特征图滤波 激光与光电子学进展
2021, 58(22): 2210004
天津大学电气自动化与信息工程学院, 天津 300072
直接使用原始微表情序列对微表情进行识别的效果一般,且已有的算法往往利用单一的特征图而没有对多种特征图进行融合来识别微表情。针对这些问题,提出一种新的微表情识别算法,该算法对多种运动特征图进行特征提取之后再进行融合,以获得更准确的识别结果。所提算法利用卷积神经网络(CNN)和长短期记忆(LSTM)网络结合的深度学习框架。在CASMEII微表情数据库上对不同算法进行测试。实验结果表明,与其他识别算法相比,所提算法取得了更加优良的效果。
机器视觉 微表情识别 运动特征图 人脸关键点 光流 光学应变 激光与光电子学进展
2020, 57(14): 141504
广西师范大学电子工程学院, 广西 桂林 541004
传统的卷积神经网络通常采用单一的网络结构进行特征提取, 但是单一网络结构提取的特征不够充分, 导致图片分类的精度不高。针对这个问题提出了采用两种网络同时进行特征提取, 再将两种网络级联在一起, 得到两种网络的融合特征, 使提取的特征更具有辨别性。双网络级联是采用两条支路进行特征提取, 一条支路为传统的CNN, 另一条支路为在传统的CNN基础上加上残差操作, 在下一次特征图降维前通过级联操作将两条不同的网络支路结合在一起。本网络实验采用101_food和caltech256数据集进行测试, 将级联后的网络和两条支路网络进行对比, 实验最后表现出较好的结果。
图片识别 卷积神经网络 网络级联 特征图 image recognition Convolutional Neural Network(CNN) network cascade feature map
战略支援部队信息工程大学 地理空间信息学院, 河南 郑州 450001
为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题, 提出了一种利用迁移学习的机载激光雷达点云分类方法。首先, 计算点云的归一化高程、强度和法向量三个特征, 通过设置不同邻域大小, 利用所提出的点云特征图生成策略生成多尺度点云特征图; 然后, 利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征; 最后, 为了实现快速地训练, 构建仅包含两层全连接神经网络模型, 再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明: 提出的方法所需训练时间少, 分类结果的整体精度为89.6%, 较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。
迁移学习 特征图 分类 机载激光雷达点云 transfer learning feature image classification airborne LiDAR point cloud
中北大学信息与通信工程学院, 山西太原 030051
现有差异特征驱动的红外光强与偏振图像融合方法中, 特征的选择上数量多, 存在信息冗余, 通过提取图像特征再求差来获取差异特征不能充分表征图像间的差异。本文提出一种基于余弦值的红外光强与偏振图像特征差异度的度量方法。通过对源图像提取特征图, 将亮度、纹理、边缘三类特征进行分离, 避免了图像特征选择的困难; 定义了特征差异度, 从特征图提取得到特征向量, 再计算其差异度, 对图像的差异进行了量化; 最后, 通过实验验证了所提方法的合理性和有效性。
红外偏振图像 特征图 特征差异度 余弦相似度 infrared polarization image feature image feature difference cosine similarity
1 四川大学电子信息学院, 四川 成都 610065
2 东莞前沿技术研究院, 广东 东莞 523000
针对目标检测与识别在精度和实时性方面的要求, 提出了一种基于改进多尺度特征图的目标快速检测与识别算法。算法在原始SSD模型的基础上, 利用卷积神经网络自动提取多尺度特征图, 构建了一种有效的卷积特征图融合模块, 同时引入轻量级的压缩型双线性融合方法, 丰富上下文信息。进一步结合通道注意机制, 自适应地学习特征图各通道之间的相互关系, 强调有用信息, 抑制冗余信息, 提高了特征图的判别能力, 将增强后的多尺度特征图用于检测模型。实验结果表明, 与同类算法相比, 所提算法的效率更高, 明显提升了识别精度, 同时速度达到63 frame·s-1, 较好地平衡了识别精度与速度之间的关系。
图像处理 目标检测与识别 多尺度特征图 卷积神经网络 激光与光电子学进展
2019, 56(2): 021002
1 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
2 中国科学院大学，北京 100049
3 中国科学院 苏州生物医学工程技术研究所，江苏 苏州 215163
不同的图像处理过程，会对图像引入各种各样的失真，如何对图像的质量进行评价成为一个热点问题。针对传统的基于像素差值统计的峰值信噪比方法及结构相似度方法与人眼主观评价不够符合的情况，本文提出了一种基于Riesz变换的结构相似度图像质量评价方法。该方法先将参考图像和失真图像进行一阶Riesz变换和二阶Riesz变换，并利用得到的5组对应特征图计算出5幅相似度图和5幅权重图，利用平均法进行融合得到最终的相似度图和权重图，然后加入原参考图像和失真图像的亮度比较项，得到最终的图像质量评价指标。在LIVE图像数据库上的实验表明，本文方法对于5种失真的质量预测准确性和一致性都很高，在交叉失真实验中，本文方法也优于结构相似度方法，PLCC和SROCC值达到了0.9482和0.9532。与几种公认较好的方法相比，本文方法能够更好地预测图像质量，更加符合人眼的主观感知。
图像质量 结构相似度 Riesz变换 特征图 image quality structural similarity Riesz-Transform feature map
