1 北方民族大学 计算机科学与工程学院，宁夏银川75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，宁夏银川75001
3 宁夏医科大学 医学信息与工程学院，宁夏银川750004
针对肺部X射线图像的病灶区域较小、形状复杂，与正常组织间的边界模糊，使得肺炎图像中的病灶特征提取不充分的问题，提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型，设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块（GADRM），采用双残差结构进行高效的特征融合，将双残差结构与通道混洗、通道注意力、空间注意力结合，增强模型对于病灶区域特征的提取能力；在网络的高层采用全局局部特征提取模块（GLFEM），结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征，获得高层语义信息的全局特征，进一步增强网络的语义特征提取能力；设计了跨层双注意力特征融合模块（CDAFFM），融合浅层网络的空间信息以及深层网络的通道信息，对网络提取到的跨层特征进行增强。为了验证本文模型的有效性，分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明，本文所提出网络的准确率、精确率、召回率，F1值和AUC值分别为98.41%，94.42%，94.20%，94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断，具有重要的临床作用。
肺炎识别 X射线图像 特征增强 双残差结构 Transformer pneumonia recognition X-ray image feature enhancement dual residual model Transformer
中国人民解放军63870部队，陕西渭南714299
在可见光红外跟踪（RGB and Thermal Infrared Tracking，RGB-T）的研究中，为了在常规跟踪算法的基础上实现两个模态的有效融合，基于注意力机制提出了一种基于注意力交互的RGB-T跟踪算法。该算法引入注意力机制对可见光和红外两种模态的图像特征进行增强和融合，设计了自特征增强编码器对单一模态的特征进行增强，设计了互特征解码器对两个模态增强后的特征进行交互融合。编码器和解码器均采用两层注意力模块。为了减小算法模型的复杂度，对传统注意力模块进行简化，将全连接层改为1
![]()
![]()
1卷积。此外，该算法对多个卷积层的特征均进行分层融合，以充分挖掘各层卷积特征中的细节和语义信息。在GTOT，RGBT234和LasHeR三个数据集上进行对比测试。实验结果表明，所提算法性能优异，特别是在RGBT234和LasHeR这两个大规模数据集上取得了最优的跟踪结果，验证了注意力机制在RGB-T跟踪中的有效性。
1 中国地质大学(武汉)数学与物理学院，湖北 武汉 430074
2 中国地质大学(武汉)地理与信息工程学院，湖北 武汉 430074
针对动态图卷积神经网络(dynamic graph convolutional neural network, DGCNN)聚合邻居点信息时的局限性，提出一种增强特征融合的动态图卷积神经网络模型EFF-DGCNN，并应用于机载LiDAR点云分类。该模型主要基于DGCNN提出特征增强模块和特征融合模块，对原始三维点云进行分类。首先，基于DGCNN对原始点云进行边缘卷积获取局部特征和全局特征；然后，将全局特征集成于各层的局部特征得到增强局部特征，据此凸显点云不同特征的重要性，使网络更加关注有利于分类的特征；最后，对不同增强局部特征进行特征融合得到深层次特征，从而实现点云的分类。为验证所提模型的分类性能，在GML_DataSetA数据集和ISPRS数据集分别进行了点云分类试验。试验结果表明：相比于DGCNN，所提EFF-DGCNN模型具有更好的分类能力，能更好地区分结构相似的点云。
机载激光雷达 点云分类 边缘卷积 特征增强 特征融合 airborne light detection and ranging point cloud classification edge convolution feature enhancement feature fusion
天津理工大学电气工程与自动化学院，天津300384
本研究旨在解决红外图像刑侦场景中目标边缘模糊和轮廓不完整等问题。提出了一种基于特征增强的模糊刑侦目标提取方法。首先，设计模糊刑侦目标边缘提取网络模型（Blurry Criminal Investigation Target Edge Extraction Network Combined with Spatial Channel Attention, BCES-Net），并利用空间通道关注模块(Spatial and Channel Attention Module, STCAM)获取具有强语义信息的特征图像。接着通过建模提取来获取包含语义类别信息的边缘特征和模糊刑侦目标特征。在训练过程中，基于特定损失函数和多种特征融合技术，通过反复监督学习和训练校正，提高了边缘和模糊刑侦目标分割性能。在手部热痕迹数据集上，与DeeplabV3+、U-Net、HRNet、PSPNet等模型相比，BCES-Net模型在均交并比（mean Intersection over Union, mIoU）、平均精度均值（mean Average Precision, mAP）、准确率等评价指标上显著优越，mIoU达到883%，mAP达到9435%，准确率达到955%。本研究创新性地提高了模糊红外刑侦目标提取的准确度，为实际应用提供了技术支持。
红外图像 特征增强 注意力模块 刑侦目标提取 infrared image feature enhancement attention module criminal investigation target extraction
辽宁工程技术大学软件学院，辽宁葫芦岛 125105
现有的基于深度学习图像融合算法无法同时满足融合效果与运算效率，且在建模过程中大部分采用基于单一尺度的融合策略，无法很好地提取源图像中上下文信息。为此本文提出了一种基于信息感知与多尺度特征结合的端到端图像融合网络。该网络由编码器、融合策略和解码器组成。具体来说，通过编码器提取红外与可见光图像的多尺度特征，并设计特征增强融合模块来融合多个尺度的不同模态特征，最后设计了一个轻量级的解码器将不同尺度的低级细节与高级语义信息结合起来。此外，利用源图像的信息熵构造一个信息感知损失函数来指导融合网络的训练，从而生成具有丰富信息的融合图像。在 TNO、MSRS数据集上对提出的融合框架进行了评估实验。结果表明：与现有的融合方法相比，该网络具有较高计算效率；同时在主观视觉评估和客观指标评价上都优于其它方法。
关键词：图像融合 多尺度特征 信息感知 特征增强 image fusion, multi-scale feature, information per
1 福州大学 先进制造学院，福建 泉州 362200
2 中国科学院 福建物质结构研究所，福建 福州 350002
3 中国福建光电信息科学与技术创新实验室（闽都创新实验室），福建 福州 350108
针对目前小样本学习方法易过拟合、跨域泛化能力不足等问题，受启发于储备池计算不依赖于训练而缓解过拟合的特性，提出了一种基于储备池计算的小样本学习方法（Reservoir Computing based Network for Few-shot Image Classification，RCFIC）。整个方法由特征提取模块、特征增强模块和分类器模块构成。特征增强模块由储备池模块和基于储备池的注意力机制构成，分别对特征提取网络的特征进行通道级增强和像素级增强，同时联合余弦分类器促使网络学习具有高类间方差、低类内方差特性的特征分布。实验结果表明，本文算法在Cifar-FS、FC100、Mini-ImageNet等数据集上的分类精度至少比现有方法高1.07%，在从Mini-ImageNet到CUB-200的跨域场景设置下的分类精度优于次优方法1.77%。同时，消融实验验证了RCFIC的有效性。所提方法泛化性强，能够有效缓解小样本图像分类中的过拟合问题并在一定程度上解决跨域问题。
小样本学习 储备池计算 注意力机制 特征增强 图像分类 few-shot learning reservoir computing attention mechanism feature enhancement image classification
1 天津工业大学生命科学学院，天津 300387
2 天津工业大学电子与信息工程学院，天津 300387
3 天津市光电检测技术与系统重点实验室，天津 300387
针对单幅电子散斑干涉条纹图的相位恢复问题，以U-Net为基础网络，融合子像素卷积模块和结构化特征增强模块，提出了USS-Net，实现对单幅条纹图端到端的相位恢复。首先改进上采样方式，采用子像素卷积使网络能学习到更多的条纹细节信息，同时降低反卷积零值填充对梯度计算的影响。其次在编码部分改进特征融合方式，采用结构化特征增强模块，充分融合不同尺度的特征信息，解决条纹疏密程度不均导致特征提取不佳的问题，进而提升对单个像素点的分割准确性。建立了ESPI条纹-相位仿真和实验数据集，对USS-Net模型进行测试与分析，验证所提方法的有效性。所提方法克服了传统相位恢复方法过程繁琐、容易受噪声干扰等缺点，有效提高了单幅条纹图相位恢复的准确率。
图像处理 条纹图 相位恢复 卷积神经网络 子像素卷积 结构化特征增强 激光与光电子学进展
2023, 60(16): 1610003
1 北方民族大学 计算机科学与工程学院，宁夏银川75002
2 北方民族大学 图像图形智能处理国家民委重点实验室，宁夏银川75001
3 宁夏医科大学 理学院，宁夏银川750004
基于残差神经网络的新冠肺炎（Corona Virus Disease 2019， COVID-19）辅助诊断是最近的研究热点，但是COVID-19胸部X-Ray图像病变区域多样化，其大小、形状、位置因患者而异，且与周围组织的边界模糊，对比度较低，导致难以充分提取病变区域的有效特征。本文针对上述问题，提出一种COVID-19辅助诊断模型REC-ResNet，该模型以ResNet50为主干网络，引入三种特征增强策略，用来提高模型的特征提取能力。首先，采用残差自适应特征融合模块以自适应加权的方式有效地融合模型每个Stage中来自不同残差块的分层特征，该模块不仅建模不同通道之间的相关性，还学习自适应地估计不同层次信息的相对重要性；然后，在模型主干中引入高效特征增强Transformer模块，采用特征增强多头自注意力提取胸部X-Ray图像中的全局信息以增强模型的表达能力，有效地弥补了CNN捕获全局特征表示能力较弱的不足；其次，为了获得更丰富的上下文信息，提出跨层注意力增强模块，分别采用通道注意力和空间注意力对深层和浅层特征进行增强，并在充分考虑长距离特征依赖的情况下有效地融合高级语义信息和低级空间细节实现跨层注意力特征增强，使模型提取更多有效特征以进一步提高模型分类准确率。最终，在COVID-19胸部X-Ray图像数据集上的实验结果表明：本文模型与其他先进的CNN分类模型相比能够实现优异的分类性能，Acc，Pre，Rec，F1 Score和Spe指标分别为97.58%，97.60%，97.58%，97.59%和97.46%，进一步通过Grad-CAM可视化技术对模型进行解释，以增强特征的直观性。本文方法有助于临床医生做出正确的医学判断和更好的患者预后，为COVID-19的辅助诊断提供有效的帮助。
新冠肺炎 胸部X-Ray图像 残差神经网络 注意力机制 特征增强 COVID-19 chest X-Ray image residual neural network attention mechanism feature enhancement 光学 精密工程
2023, 31(14): 2093
1 中国石油大学（华东）计算机科学与技术学院，山东 青岛 266580
2 国网山东省电力公司，山东 济南 250003
3 中央司法警官学院信息管理系，河北 保定 071000
针对如何在训练样本有限的情况下更加充分提取和利用高光谱图像的空间信息和光谱信息这一问题，提出一种基于双通道特征增强（DCFE）的高光谱图像分类方法。首先，设计两个通道分别捕获光谱特征和空间特征，在每个通道中使用三维卷积作为特征提取器。然后，将降维后的光谱通道中的特征图与空间通道的特征图进行融合。最后，将融合了光谱特征和空间特征的特征图输入注意力模块中，通过提升重要信息的关注度和降低无用信息的干扰来实现特征增强。实验结果表明，所提方法在Indian Pines（3%训练样本）、Pavia University（0.5%训练样本）、Salinas（0.5%训练样本）和Botswana（1.2%训练样本）等4个高光谱数据集上的总体分类精度分别为96.57%、98.15%、98.95%和96.83%，与其他5种高光谱分类方法相比，所提方法在分类性能上取得了明显提升。
图像处理 高光谱图像分类 双通道 特征增强 注意力机制 激光与光电子学进展
2023, 60(12): 1210012
1 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
2 哈尔滨理工大学黑龙江省激光光谱技术及应用重点实验室, 黑龙江 哈尔滨 150080
针对无人机在光伏组件巡检任务中红外故障图像识别准确率低、检测速度慢的问题, 提出一种特征增强的 YOLO v5s故障检测算法。首先对损失函数进行优化, 将原有的回归损失计算方法由 GIOU(generalized intersection over union)改为功能更加强大的 EIOU(efficient intersection over union)损失函数, 并自适应调节置信度损失平衡系数, 提升模型训练效果; 随后, 在每个检测层前分别添加 InRe特征增强模块, 通过丰富特征表达增强目标特征提取能力。最后, 用创建的红外光伏数据集进行对比验证。实验结果表明: 本文方法均值平均精度(mean average precision, mAP)为 92.76%, 检测速度(frame per second, FPS)达到 42.37 FPS, 其中热斑、组件脱落两种故障类型平均精度分别为 94.85%、90.67%, 完全能够满足无人机自动巡检的需求。
故障检测 特征增强模块 fault detection, YOLOv5s, EIOU, feature enhancemen YOLO v5s EIOU
