-
题名基于稠密残差块与通道像素注意力的图像去雾网络
被引量：4
- 1
-
-
作者
金炜东
张述礼
唐鹏
张曼
-
机构
西南交通大学电气工程学院
南宁学院中国-东盟综合交通国际联合实验室
-
出处
《系统仿真学报》
CAS
CSCD
北大核心
2022年第8期1663-1673,共11页
-
基金
国家重点研发计划(2016YFB1200401-102F)。
-
文摘
为解决复杂的室外图像进行去雾,依然会有雾气残留,甚至出现颜色失真和纹理丢失问题,提出一种基于稠密残差块与通道像素注意力的图像去雾网络,利用稠密残差块对有雾图像进行特征提取和融合,用带通道像素注意力机制的修复模块对特征图进行颜色和纹理上的修复。实验结果表明:该方法在客观评价指标和主观视觉质量上都有明显提升,有效避免了去雾过程中的颜色失真、纹理丢失和雾气残留问题。
-
关键词
图像去雾
稠密残差块
注意力机制
颜色失真
细节纹理
-
Keywords
image dehazing
densely connected residual block
attention mechanism
color distortion
detail texture
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名基于稠密残差网络的多序列卫星图像去云
- 2
-
-
作者
肖昌城
吴锡
何妍
-
机构
成都信息工程大学计算机学院
-
出处
《计算机应用研究》
CSCD
北大核心
2022年第1期303-307,共5页
-
基金
国家重点研发计划课题(2020YFA0608001,2017YFC1502203)
国家自然科学基金资助项目(42075142)
四川省科技计划项目(2019YFG0496,2020YFG0143,2020JDTD0020)。
-
文摘
遥感影像中最常见的问题是云层污染,它会导致图像信息缺失,降低遥感数据的可用性。针对该问题,提出了一种基于稠密残差网络的多序列卫星图像去云算法。首先,该网络使用多序列的有云卫星图像作为输入,能为网络提供更多的时序特征信息,提升去云效果;其次,在网络中段使用稠密残差层,以保证卷积层之间最大程度地传递和使用特征信息,让生成的修复图像整体结构合理、边缘细节更加清晰;最后,使用像素上采样来增强空间信息的利用,提升修复效果。该方法在欧洲“哨兵-2”遥感卫星图像数据集上进行验证,峰值信噪比和结构相似度指标为27.59和0.8540,两项指标均超过了该数据集的原处理方法STGAN,提升了遥感图像去云的效果。
-
关键词
图像去云
遥感影像
图像修复
稠密残差块
多时序图像
-
Keywords
image cloud removal
remote sensing image
image restoration
dense residual block
multi-sequence image
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于融合注意力机制深度网络的半色调图像分类
- 3
-
-
作者
李梅
许宝卉
刘琦
王新海
-
机构
运城学院机电工程系
运城学院大学生创新创业中心
-
出处
《运城学院学报》
2024年第3期55-60,共6页
-
基金
博士科研启动项目(YQ-2023039)
山西省高等学校科技创新项目(2022L484)
运城学院应用研究项目(CY-2021015)
-
文摘
现有的半色调图像分类方法存在着识别半色调图像类型较少、分类准确率较低等问题。为了进一步提高半色调图像的分类准确率,本文提出一种基于融合注意力机制深度网络的半色调图像分类方法。首先,应用稠密残差块深度提取半色调图像信息,并应用通道注意力机制提取不同通道间的半色调图像噪点分布特征;然后,应用空间注意力机制提取不同通道不同空间下半色调图像噪点之间的关系;最后,应用分类器对识别到的半色调图像噪点分布特征进行分类,从而实现对半色调图像的分类。实验结果表明,运用基于融合注意力机制深度网络的半色调分类方法可以以99.72%的准确率、0.9971的F1分数实现14类半色调图像的分类。与其他方法相比,本文提出的方法在半色调图像分类准确率上提高了0.14%~0.24%,在F1分数上提高了0.0014。该方法可以以最高的准确率实现最多类型的半色调图像的分类。
-
关键词
图像分类
半色调图像
稠密残差块
注意力机制
全卷积网络
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名融合多尺度密集块的低照度交通图像增强模型
- 4
-
-
作者
王炜昊
王夏黎
武历展
张倩
李超
-
机构
长安大学信息工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2023年第17期223-231,共9页
-
基金
国家自然科学基金(51678061)。
-
文摘
车辆检测与跟踪是智能交通领域的重要内容,复杂的光照强度与多变的交通场景使高速公路拍摄图像细节模糊、对比度低,图片信息提取干扰性强。提出一种基于注意力机制融合多尺度残差稠密块的生成对抗网络用于低照度交通图像增强。通过伽马校正、相机响应函数和手工调节方法合成不同照度图像作为数据集,涵盖更广泛亮度曲线,模拟真实夜晚场景;引入注意力机制通过表征不同通道与高频信息间关联性,同时采用最大池化和平均池化捕获纹理信息和背景信息间依赖关系增强图像整体完整性;搭建多尺度融合的残差稠密连接网络,深度提取图像复杂特征利用并行支路融合不同级别和层次的信息,提升网络对细节的整体感知力,保留图片信息一致性;采用双线性加卷积结构代替反卷积层消除伪影现象。实验结果表明与主流方法相比,该网络的增强效果评价指标PSNR和SSIM分别提升26.37%、14.14%,图片增强使细节纹理清晰、图像自然视觉效果提高,为交通领域的视觉任务提供技术支持。
-
关键词
低照度图像增强
交通图像
注意力机制
残差稠密块
多尺度融合
生成对抗网络
-
Keywords
low illumination image enhancement
traffic images
attention mechanism
residual dense blocks
multi-scale fusion
generative adversarial network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于多特征卷积神经网络的手写公式符号识别
被引量：8
- 5
-
-
作者
方定邦
冯桂
曹海燕
杨恒杰
韩雪
易银城
-
机构
华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室
-
出处
《激光与光电子学进展》
CSCD
北大核心
2019年第7期256-263,共8页
-
基金
福建省自然科学基金(2016J01306)
华侨大学研究生科研创新能力培育计划(17014082020)
-
文摘
提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。
-
关键词
光计算
稠密卷积神经网络
手写公式符号
稠密残差块
深度特征
细粒度特征
-
Keywords
optics in computing
dense convolutional neural network
handwritten formula symbols
dense residual blocks
deep features
fine-grained features
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
