强激光与粒子束
2024, 36(4): 043016
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
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
暨南大学信息科学技术学院电子工程系，广东 广州 510623
提出了基于新阈值函数的深度残差收缩网络（DRSN-NTF），用于解决分布式光纤声传感（DAS）信号噪声强、识别难的问题。DRSN-NTF基于深度残差收缩网络（DRSN），使用新阈值函数代替软阈值函数，使其更能发挥信号噪声处理和分类识别能力。使用DAS系统采集周界入侵事件的实验数据，并通过添加高斯白噪声的形式，设计了6组不同信噪比（0 dB~5 dB）的实验。对比了4个模型的实验结果，由此考察DRSN-NTF的识别效果。结果发现：在强噪声的情况下，DRSN-NTF取得的平均测试准确率比DRSN高1.05%；随着信噪比的降低，DRSN-NTF的测试准确率高于DRSN的差值增大，表明DRSN-NTF在信号噪声处理和分类识别能力方面更强，能获得相对更高的识别准确率。因此，DRSN-NTF更加适用于DAS信号识别。
光纤光学 光纤传感器 模式识别 深度残差收缩网络 新阈值函数 周界安防 激光与光电子学进展
2024, 61(5): 0506002
南京林业大学土木工程学院，江苏 南京 210037
针对PointNet++在特征提取阶段未能深层挖掘Lidar点云的语义特征及其在特征聚合阶段采用最大池化聚合导致特征丢失，进而导致点云分割精度下降的问题，通过改进PointNet++的特征提取及特征聚合模块，提出一种基于特征偏差值和注意力机制的点云分割模型。首先，利用球形采样获取不同的局部邻域，并采用K最近邻（KNN）算法筛选邻域点，计算不同邻域的特征偏差值，获取点云的深层语义信息，增强模型对不同局部邻域的识别能力；其次，利用基于注意力机制的特征聚合模块代替PointNet++中的最大池化模块，在聚合特征阶段学习不同特征的权重，从而提高模型对不同结构信息的筛选能力，增强模型的分割性能；最后，为了进一步优化模型架构，在全连接层中加入残差模块，共享权重，避免参数冗余，提升模型性能。基于ISPRS提供的Vaihingen数据集与斯坦福的S3DIS数据集进行实验验证，实验结果表明，所提模型总体精度达到86.69%，较PointNet++提高了5.49个百分点，同时平均F1得分达到了73.97%，较PointNet++提高了8.30个百分点。在S3DIS数据集上的实验结果表明，与PointNet++、RandLA-Net和ConvPoint等主流模型相比，所提模型结果较PointNet++也有提升，即相较于PointNet++的分割结果，改进后的模型能够充分提取点云的语义特征，有效提高模型分割精度。
点云分割 PointNet++ Lidar 特征偏差值 注意力机制 特征融合 残差结构 激光与光电子学进展
2024, 61(4): 0411001
光学 精密工程
2023, 31(19): 2910
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
图像压缩感知是一种在欠采样条件下尽可能重构原始图像的技术。为解决大部分基于卷积神经网络(CNN)框架的图像压缩感知方法容易受到卷积感受野的限制、对全局信息的关注较少的问题, 提出了基于Swin Transformer的图像压缩感知重构网络。网络使用卷积层对图像进行采样, 然后使用自注意力机制和残差结构结合的残差Swin Transformer组(RSTG)结构来关注图像的细节。实验结果表明, 基于Swin Transformer的图像压缩感知重构网络可以充分利用图像的先验信息, 进一步提高图像压缩感知的重构精度, 并获得比其他压缩感知方法更好的重构性能和视觉效果。
压缩感知 图像重构 自注意力机制 残差 compressive sensing image reconstruction self-attention mechanism residual
1 西南石油大学计算机科学学院，四川成都 610500
2 四川省人民医院 a.心血管超声及心功能科
3 b.超声心脏电生理学与生物力学四川省重点实验室，四川成都 610072
针对医学超声图像的分辨率低而导致视觉效果差的问题，使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法，通过减少 2个输入通道和删除 1个残差块对该网络的结构进行更改，并且改进网络损失函数，新增模糊处理数据集，使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点，从而重建出放大 4倍的边缘清晰没有伪影的医学超声图像。将改进 SRGAN与原始 SRGAN的结果相比，峰值信噪比(PSNR)和结构相似性(SSIM)分别有 1.792 dB和 3.907%的提升; 与传统双立方插值的结果相比，PSNR和 SSIM分别有 2.172 dB和 8.732%的提升。
超分辨率重建 生成对抗网络 乳腺超声图像 残差块 亚像素卷积层 super-resolution reconstruction Generative Adversarial Network breast ultrasound image residual block sub-pixel convolution layer 太赫兹科学与电子信息学报
2023, 21(5): 677
