基于深度注意力机制的多尺度红外行人检测

针对多尺度目标检测问题,提出一种基于深度注意力机制的多尺度红外行人检测方法。首先,选取较为轻量级的Darknet53作为深度卷积特征提取的主干网络,设计四尺度的特征金字塔网络负责目标的定位和分类,通过引入更低层高分辨率的特征图来改善对小尺度行人目标的检测性能。其次,利用注意力模块替代特征金字塔网络中传统的上采样模块,生成基于卷积特征的局部显著图,可以有效抑制不相关区域的特征响应,突出图像局部特性。最后,利用Caltech行人数据集和U-FOV红外行人数据集进行两次迁移训练,以提高模型的泛化能力,丰富行人的样本特征。实验结果表明,所提方法在U-FOV数据集上的识别平均准确率达到了93.45%,比YOLOv3高26.74个百分点,能检测到的最小行人像素为6×13。在LTIR数据集上的定性实验结果验证,所提模型具有良好的泛化能力,适用于多尺度红外行人的检测。     

基于GANs网络的条纹图正交化方法

提出一种利用深度学习强大的隐式建模能力解决单帧条纹图正交化存在的欠采样问题,结合条纹图降噪归一化技术,利用对抗生成网络的特征先验,构造了一种条纹图轮廓项数字方式的π/2相移网路,实现了单帧条纹图的正交化,放松了应用解析模型法实现条纹图正交化时的严格要求。通过标签图像对训练后,该网络成功地实现了归一化后的条纹图的正交化,进而高精度地实现了单帧条纹图的相位解调。仿真和实验分析证明,与基于Riesz变换的数字相移方法相比,所提方法求解更可靠,能有效地恢复测量相位。以现有的多帧高精度相移算法的解调结果作为参考值,实验结果表明所提方法的相位误差分布在0.05 rad以内,为瞬变场和物体三维轮廓测量提供了一种途径。     

基于改进关系网络的小样本红外空中目标分类方法

针对地对空红外空中目标识别任务中数据量严重不足的问题,提出一种基于改进关系网络的小样本红外空中目标分类方法。该方法将关系网络模型、多尺度特征融合方法及元学习训练策略相结合,首先构造多尺度特征提取模块提取输入图像的特征向量,然后将支撑样本和预测样本的特征向量输入到关系模块中,根据关系值得到预测样本的类别标签。mini-ImageNet数据集上的实验结果表明:所提模型的分类精度显著高于其他经典的小样本学习模型。Infra-aircraft dataset上的实验结果表明:所提方法在仅有个位数样本的情况下,可完成多种机型的地对空红外图像分类任务。     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

基于MCRASN的遥感影像变化检测

为了提升经配准高分辨率遥感影像对变化检测的精度,基于ChangeFormer提出了一种将移动卷积与相对注意力相结合的孪生网络(mobile convolution and relative attention Siamese network,MCRASN)。该网络以垂直布局结合移动卷积和相对注意力,构建多阶段组合编码器替换原网络编码器,高效地捕捉所需的多尺度细节特征和像素间相互关系信息,改进差异模块为1个可学习的距离度量模块进行距离计算,同时通过引入EFL(equalized focal loss)损失函数解决数据集正负样本失衡的问题以实现精确的变化检测。实验结果表明,所提出的MCRASN算法在LEVIRCD数据集上具有更好的变化检测性能,其精确率、召回率、F1得分和总体精度分别为93.94%、89.26%、91.54%和99.18%,优于先前的多种检测方法。     

基于残差注意力网络的波前畸变复原方法

针对自由空间光通信中大气湍流造成涡旋光束相位畸变,导致通信系统性能下降的问题,提出一种基于残差注意力网络的自适应光学波前复原方法。为防止神经网络的退化现象,首先采用残差网络作为主干网络,并在此基础上构建多尺度残差混合注意力网络结构,用卷积操作将光强图像转换为特征图向后传播;其次通过不同尺度的卷积核来分布式提取特征,利用注意力机制提高网络对破损光斑特征的识别率,以增强网络表达光强图像特征的能力;最后设计结合现实评价指标的网络损失函数,从而得到符合实际波前像差的Zernike系数。在不同大气湍流强度条件下开展仿真,结果表明,残差注意力网络能快速准确地重构湍流相位,复原的残余像差的波峰波谷在0.05～0.3 rad之间,均方根在0.01～0.07 rad之间。     

数字全息显微术中三种相位展开算法的比较研究

为了解决数字全息显微术相位重建中的欠采样问题,引用一种基于横向剪切干涉术的改进型最小二乘法相位展开算法,并与基于离散余弦变换的原始最小二乘法算法以及质量图导向路径算法进行比较。采用欠采样高斯函数进行计算机模拟,并进行了实验验证,结果表明了横向剪切干涉术方法的有效性。上述改进型最小二乘法相位展开算法在解决包裹相位图中的欠采样问题更有效,从而能够更精准地重建物体的相位信息。     

一种新的基于线性载波延拓的相位展开方法

提出了一种利用线性载波对不连续相位图进行延拓后相位展开的方法。首先,通过傅里叶变换法确定载波频率;然后,用最小二乘法确定与相位图相匹配的线性载波对背景、遮拦区域进行延拓;最后,采用经典的相位展开算法对延拓后的相位图进行展开。实验结果表明,对于包含较大线性载波的不连续干涉图,延拓后相位展开结果避免了各区域间的全局误差;计算机模拟结果表明,对于包含较小线性载波或不含载波的不连续干涉图,经过线性载波调制后,使用该方法得到相位展开结果与真实波面均方根差仅为0.0021 rad,不存在全局误差。     

基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R²)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于...     

结合MGCC特征与多尺度通道注意力的环境声深度学习分类方法*

环境声分类技术在家居安全监测、人机语音交互等领域具有关键作用。然而,声源的多样性与混合性给环境声分类方法设计带来了重大挑战。为提高分类准确率与节约计算资源,本文提出一种基于多尺度通道注意力机制下的深度学习分类模型。所提模型由特征提取模块、多尺度卷积模块、高效通道注意力模块、输出层四部分组成。首先,通过引入加权型梅尔Gammatone频率倒谱系数挖掘环境声频谱幅值与相位结构信息;其次,融合多尺度卷积核与高效通道注意力机制优选出音频关键局部细节和通道特征;最后,在全连接层采用softmax函数映射特征并输出环境声类型的概率值。所提模型在6种环境声的iFLYTEK、10种环境声的Urbansound8k数据集上开展测试验证,分别取得了94%、76.52%、79.24%（iFLYTEK+Urbansound8k）的分类准确率。消融实验结果进一步表明：引入的多尺度卷积模块、通道注意力机制模块对分类准确率的提升贡献率分别接近于3.77%和1.89%。实验还详细对比了7种现有的深度学习分类方法,所提算法在分类准确率上排名第二;另外, 在同级别算法中如ResNet18、GoogLeNet,所提算法在模型参数量和计算复杂度方面上实现了进一步的约减。     

基于支撑先验与深度图像先验的无预训练磁共振图像重建方法

基于深度学习的磁共振成像(magnetic resonance imaging, MRI)方法需要大规模、高质量的病患数据样本集进行预训练.然而,由于病患隐私及设备等因素限制,获取大规模、高质量的磁共振数据集在实际临床应用中面临挑战.本文提出一种新的基于深度学习的欠采样磁共振图像重建方法,该方法无需预训练、不依赖训练数据集,而是充分利用待重建的目标MR图像的结构先验和支撑先验,并将其引入深度图像先验(deep image prior, DIP)框架,从而削减对训练数据集的依赖,提升学习效率.基于参考图像与目标图像的相似性,采用高分辨率参考图像作为深度网络输入,将结构先验信息引入网络;将参考图像在小波域中幅值大的系数索引集作为目标图像的已知支撑集,构造正则化约束项,将网络训练转化为网络参数的最优化求解过程.实验结果表明,本文方法可由欠采样k空间数据重建得到更精确的磁共振图像,且在保留组织特征、细节纹理方面具有明显优势.     

融合多尺度局部特征与深度特征的双目立体匹配

针对立体匹配中不适定区域难以找到精确匹配点的问题,提出一种融合多尺度局部特征与深度特征的立体匹配方法。特征融合阶段包括两部分,其一是融合不同尺度下Log-Gabor特征和局部二值模式特征组合的浅层次特征,其二是将多尺度浅层融合特征和卷积神经网络提取的深度特征进行级联,形成既包含语义信息又包含结构化信息的特征图像。通过在极线垂直方向添加不同强度的噪声来构造正负样本,减小图像中极线对齐欠准带来的误差。将该方法与两种变体方法(改变或舍弃部分模块)在KITTI数据集进行对比实验,结果表明各模块设置具有合理性;与一些经典方法相比,所提方法取得了有竞争力的匹配性能。     

基于深度可分离卷积的轻量化残差网络高光谱影像分类

针对传统深度残差网络在对高光谱图像进行特征提取和分类过程中因参数量大导致的训练时间长的问题,提出一种基于深度可分离卷积的轻量化残差网络模型（DSC-Res14）。该模型首先基于一层三维卷积层对经主成分分析方法降维后的高光谱影像进行光谱特征和空间特征初提取;其次,引入3个不同尺度的三维深度可分离卷积残差层对影像的深层语义特征进行提取,减少了网络训练参数量,增强了网络对高维、多尺度空间特征信息的表达能力。经在公开的Indian Pines和Pavia University标准数据集上进行实验验证,结果表明：所提模型在两个数据集上的分类精度分别为99.46%和99.65%;对比同类模型,所提模型在保证较高分类精度的同时,参数量和计算量小,训练时间短,并具有良好的鲁棒性。     

面向嵌入式平台的轻量级光学遥感图像舰船检测

针对现有基于深度学习的轻量级目标检测算法对复杂遥感场景图像中舰船目标检测精度低、检测速度慢的问题,提出了一种面向嵌入式平台的轻量级光学遥感图像舰船实时检测算法（STYOLO）。首先,针对主干网络内存访问成本较高的问题,利用高效网络架构ShuffleNet v2作为主干网络对图像进行特征提取,降低内存访问成本,提高网络并行度;其次,利用Slim-neck特征融合结构作为特征增强网络,以融合较低层级特征图中的细节信息,增强对小目标的特征响应,在多尺度信息融合区域施加坐标注意力机制,强化目标关注以提高较难样本检测以及抗背景干扰能力;最后,提出一种跨域迁移和域内迁移相结合的学习策略,减少源域与目标域的差异性,提升迁移学习效果。实验结果表明：基于光学遥感图像舰船检测公开数据集HRSC2016,与同类型快速检测算法YOLOv5s相比,所提算法的检测精度提高了2.7个百分点,参数量减少了61.77%,在嵌入式平台Jetson Nano上检测速度达到102.8 frame/s,能够有效实现对光学遥感图像中舰船目标的实时、准确检测。     

相位测量轮廓术中时空结合的三频相位展开

提出了一种时空结合的三频时间相位展开方法,提高了三频时间相位展开方法的抑噪能力和相位展开的可靠度。在所提方法中,用灵敏度大于1的条纹代替传统三频时间相位展开法中灵敏度为1的条纹。通过计算这些条纹的截断相位,对其进行空间相位展开,并利用这些展开相位来指导其他两帧高灵敏度截断相位图的展开。与传统三频时间相位展开方法相比,在最高灵敏度条纹空间频率相同的情况下,所提方法缩小了三套条纹之间的频率倍数差,进而减小了噪声对相位展开的影响,提高了三频时间相位展开的可靠度和精度。     

多尺度特征融合的目标检测算法研究

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题,提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合;在训练阶段,采用在线难例样本挖掘算法维护难例样本分类池,加速神经网络模型迭代收敛,解决训练样本不均衡、训练效率低下的问题;计算并统计待检测目标的尺度大小,合理控制用于生成候选区域的锚框尺寸,提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证,实验结果表明,相比Faster R-CNN算法,本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。     

基于特征融合的遥感图像舰船目标检测方法

针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.     

傅里叶变换光谱相位特性及处理方法研究

相位校正是傅里叶光谱仪的关键处理步骤,校正精度受仪器特性和不受控环境因素等的影响,如干涉仪温度变化、机械振动等。针对干扰因素引入的相位不确定性及由此带来的校正难题,在对傅里叶光谱仪相位特性进行量化分析的基础上,将测量光谱相位分解为干涉仪温度相关的仪器相位和零光程点采样误差相关的线性相位。其中,仪器相位主要由傅里叶光谱仪自身特性决定,受到干涉仪温度波动影响,干涉仪温度稳定时的仪器相位大致为常数;零光程差点采样误差是线性相位的主要来源,并且每次测量时的采样零光程差点位置都有所不同,这会导致每个获取干涉数据的光谱相位不同。假设干涉仪稳定在温度限内的仪器相位大致为常数,就可将相位处理简化为对线性相位的校正,而包含仪器相位的剩余相位则可在后续的辐射定标过程中予以剔除。相位处理的具体流程如下,获取反演光谱相位数据后,考虑仪器相位的温度相关性,首先采用最小二乘拟合方法提取线性相位项,然后基于提取的线性相位对干涉数据进行对称化处理,对称化处理后的干涉数据相位足够稳定,允许通过光谱均值降低振动等物理效应的干扰,最后在辐射定标过程中,使用复数辐射定标流程,并取定标结果实部作为目标场景的标定光谱辐射数据,即可移除大部分仪器相位,从而完成了相位校正。实验验证环节,首先采用最小拟合方法得到并移除测量光谱的线性相位项后,分析了不同阶次拟合多项式对仪器相位提取精度的影响,结果表明, 5次多项式即可满足需求,此时的均方误差为0.13 rad,更高阶次不会继续改善提取精度。然后基于5次多项式,获取了干涉仪温度为283, 290和300 K时的仪器相位。测量光谱数据移除线性相位和仪器相位后,残余相位误差为幅值在零点处分布的随机噪声,结果表明仪器相位具有温度相关性,与理论假设相符。最后,实验验证了相位处理方案的可行性,结果表明校正相位残差优于±0.04 rad,辐射不确定度优于0.8 K。     

连续振动悬臂梁的瞬时三维形貌测量

提出一种连续振动悬臂梁瞬时三维形貌的测量方法。利用影栅云纹法在连续振动悬臂梁表面产生包含有三维形貌信息的云纹,采用准直双光源提高亮度,通过高速摄相机获取随时间变化的一系列变形条纹,利用傅里叶变换方法对序列图像进行处理,采用补零延拓法对数据进行处理,以减小频谱泄漏所引起的相位计算误差。将相位解包裹方法用于动态过程瞬时三维相位场的相位展开中,重建了悬臂梁的瞬时三维形貌,再现了悬臂梁的连续振动过程。     

欠采样包裹相位图的恢复方法

针对非球面光学元件面形检测中的欠采样问题,提出了一种欠采样包裹相位图的恢复方法.首先,将原始欠采样包裹相位图在水平和竖直两个方向进行一个像素的错位相减,得到两个包裹相位差图.其次,对这两个包裹相位差图进行解包裹运算,得到两个解包裹相位差图.最后,应用傅里叶变换和最小二乘法恢复出连续的相位分布.模拟结果表明该方法可以高精...