多尺度对称压缩伪影去除神经网络

图像压缩给图像带来极其复杂的压缩伪影,不仅影响人类的视觉感知,还会给目标检测等重要领域带来极大的负面影响。为了解决这一问题,提出了一个多尺度对称网络(MSSNN)来去除压缩伪影,进行压缩后图像的质量恢复,在获取基础映射的同时,得到更多不同尺度的映射特征,利用残差结构更快更好地提取和整合特征信息,并且使用一种混合损失函数控制模型训练。实验表明,所提网络可以以更少的参数代价更好地恢复图像,并且经过实验验证可以提升目标检测的效果。     

基于对抗式多任务学习的医学CT图像金属伪影去除方法

人体中的金属植入物会导致X射线计算机断层扫描(Computed Tomography,CT)图像中存在金属伪影,使图像质量大幅降低,目前已有许多利用深度学习(Deep Learning,DL)的方法一次针对一帧CT图像来去除金属伪影(Metal Artifact Reduction,MAR),但患者经CT扫描后得到的大...     

一种基于通道域自注意力的特征图剪枝方法

同时保证网络剪枝方法的准确率和稳定性,提出一种基于通道域自注意力的特征图剪枝方法。该方法采用主成分分析（principle component analysis, PCA）算法降低噪声干扰,引入通道域注意力为特征图自动分配不同权重,移除低权重通道的滤波器,并对网络进行重训练和精调,以减少网络精度损失。在公开数据集上对VGG 16网络模型展开的实验表明,当剪枝率为60%时,达到视觉几何组模型Top 5的准确率为8923%;当剪枝率逐渐增加到80%时,仍保持73%准确率。相较于同类方法,本文提出的方法更能保证剪枝时模型的准确率和稳定性。     

基于注意力机制U-Net的低剂量CT图像去噪方法

计算机断层扫描(CT)产生的辐射风险已成为公众关注的问题.降低剂量将影响CT图像的质量以及医生的诊断结果.传统的基于深度网络算法中,同一层中的特征通道间的地位是平等的,影响信息的提取.为此,提出了一种具有注意力机制的U-Net残差网络.在U-Net中引入通道注意力模块驱使网络将更多的注意力集中于含有噪声和伪影信息的通道...     

基于通道域注意力机制的特征融合方式

针对在基于卷积神经网络的图像处理领域内,大部分特征融合只是通过A dd或者Concat操作进行特征叠加或特征拼接而不能很好地将有效特征进行融合的问题,对Add和Concat特征融合引入通道域的注意力机制,设计了4种可学习的特征融合方式:A-Cat、B-Cat、A-Add和B-Add.为了验证方法的有效性,选择YOLOv...     

基于卷积神经网络的能谱CT射束硬化伪影抑制方法

X射线能谱CT探测器可以通过一次扫描,对两个不同的能量区间进行图像重建,由于重建算法基于单色X 射线源的假设,低能量重建图像会存在明显的射束硬化伪影. 为此提出了一种用于校正射束硬化伪影的卷积神经网络结构,使用大规模的体模样本进行训练:利用低能和高能重建图像共同作为网络输入以提取伪影特征,通过最小化输出和无伪影图像之间的均方误差来对低能图像进行校正.在两种不同能谱组合中的测试结果证明了该方法可以在保留物质结构特征的基础上抑制射束硬化伪影,校正后低能图像的峰值信噪比大约提高了20 dB.     

一种基于HLCC的CT图像刚性平移运动伪影校正算法

为消除CT检查过程中病人运动引起的伪影,提高图像质量,提出一种基于HLCC多约束运动参数估计的校正算法.首先用贝塞尔曲线模型描述病人的刚性平移运动,基于HLCC构造一个包含运动信息的目标函数,再引入运动幅度的有限性和图像零阶几何动量为常量作为约束条件,通过二次规划的方法估计运动参数;重建过程中改进滤波反投影算法,加入运动参数进行补偿,以消除运动伪影.实验结果表明,该算法能够准确地估计出物体的运动参数,有效消除运动伪影,具有较强的鲁棒性.     

基于通道注意力机制的高光谱目标跟踪方法

传统目标跟踪算法根据彩色图像中目标的颜色、纹理等视觉信息进行目标跟踪.当目标发生形变或被遮挡时,彩色图像中目标的视觉信息容易发生改变,导致传统目标跟踪器失效.高光谱图像(HSI)中包含连续的波段光谱信息,在上述场景下具有更强的稳定性,有助于提高目标跟踪算法的鲁棒性.提出一种基于通道注意力机制的目标跟踪算法(CAM).该方法将HSI不同通道的全局光谱信息和图像通道间的相关信息融合表征为权重向量;然后,通过加权重新校准HSI中的光谱响应值,增强图像中目标波段光谱信息的有效性,抑制冗杂的背景光谱信息的干扰,使得HSI中目标和背景之间的可分离性增强;最后将加权后的图像输入到跟踪网络中得到预测结果.在高光谱视频数据集上的实验结果表明,该算法具有良好的跟踪性能,优于多数现有的目标跟踪算法.     

基于小波变换和对块零树编码压缩方法

提出基于小波零树的对块零树压缩编码方法。该方法既具有小波零树压缩编码高压缩比、宜于实时实现的特点，同时具有编码／解码速度快，易于实时传输等优点，可广泛地应用于各种低码率传输应用中。     

基于投影的CT图像金属伪影非线性权重校正

为抑制计算机层析造影(CT)系统重建图像中出现的金属伪影,提高图像的质量,采用一种基于金属投影非线性权重衰减的方法进行校正。对原始的投影直接重建,在得到的图像中利用阈值分离出金属区域,并重新对该金属区域进行投影,便得到原始的投影中金属投影的区间。只对该金属投影进行合适的非线性衰减。再用传统的滤波反投影方法重建图像。数值模拟表明,该方法不但能基本消除由射线硬化和射线剧烈衰减而引起的金属伪影,而且能保留金属信息,同时能增强金属区域不同部分之间的对比度,使得重建图像的质量得到很大的提高。该算法计算复杂度较小,实现简单,具有较高的实用价值。     

基于小波变换的混合图像编码方法

提出了一种新的静止图像压缩算法--基于小波变换的混合图像编码方法.该算法综合了多种编码方法的优点.经实验表明在高压缩比的情况下,本算法仍能获得满意的图像质量,优于目前已有的其它算法.     

基于三维小波变换和上下文量化的高光谱图像压缩

提出了一种基于三维小波变换和上下文量化的高光谱图像压缩算法.该算法先利用三维小波变换去除高光谱图像在谱内和谱间的冗余信息,然后建立了一个高维时、频域的上下文预测模型以分析小波系数之间的相关性,并通过对增加条件熵的理论分析,合理地对该模型中的上下文进行量化,得到合适的编码上下文用于自适应的算术编码.试验结果表明,该算法不仅明显优于基于二维小波变换的JPEG2000标准,而且相对于同样基于三维小波变换的三维分层树集合分裂算法也有较大的提高.     

基于数学形态学的去方块效应法

为了减少多分辨奇异值分解(MSVD)图像融合后的图像出现明显可见的方块效应,提出一种基于数学形态学的边缘检测去方块效应的方法.首先通过形态学梯度算子求出两幅原图像的边缘,将边缘融合后的图像作为有方块效应图像的边缘,然后根据形态学梯度逆变换得到结果图像.最后,采用客观性能指标对结果图像进行评价.实验结果表明本文中的方法不仅简单易行,而且图像可以达到较均匀的成像效果;方块效应去除后,图像表现出良好的视觉效果,清晰度和空间频率都有很大提高,且具有较好的保持边缘的性能.     

基于ASAM注意力机制的光场图像压缩方法

为了研究光场图像的空间信息和相似角度信息之间的差异性,提高光场图像的传输效率,提出了一种基于端到端网络的角度空间注意力模型（ASAM）注意力机制的光场图像压缩方法 .以卷积块注意力模型（CBAM）的注意力机制为基础,增强了相对角度特征,提高了压缩编码效率.稀疏图像采用H.266/VVC视频编解码器进行压缩,通过子孔径图像（SAI）网络恢复编码后的图像.结果表明,与现有的光场图像压缩方法相比,所提出的光场图像压缩方法具有较高的图像压缩性能,Bj?ntegaard-Delta比特率（BD-BR）降低了52.30%,Bj?ntegaard-Delta峰值信噪比（BD-PSNR）提高了3.33 dB.     

基于学习者能力的注意力机制知识追踪方法

基于学习者能力,针对基于循环神经网络（RNN）和长短期记忆（LSTM）网络的深度知识追踪（DKT）算法对早期知识点关注的不足,提出一种加入注意力机制的DKT算法,并用时隙聚类的方法对不同能力学习者动态分组并赋予不同的注意力权值,以建立更平衡、更客观的知识记忆程度权重分布模型.常用公开数据集上的实验结果表明：该模型优于2种基准模型和2种消融实验模型,说明所提出的模型能更好地表现学习者的知识状态.     

基于Retinex理论的JPEG压缩方法研究

现有JPEG压缩标准推荐的色度与亮度量化表,是通过对自然光照下图像色彩数据的统计和实验获得的,不具备偏色校正功能.为此以Retinex理论为基本计算框架,探究并提出一种新的具有色彩恒常性的JPEG压缩方法.该方法通过构建合适的DC系数矩阵来迭代计算DCT系数的局部空间均值,由此估计出照度分量;然后,对照度分量影响信息和边界方向信息进行综合计算来调整亮度量化表,以达到同时实现偏色校正和图像压缩的效果.实验结果表明,与现有的JPEG方法相比,该方法在保持同等压缩比的情况下,具有更好的偏色校正效果.     

变分自编码器和注意力机制的异常入侵检测方法

针对传统的机器学习算法在检测未知攻击方面表现不佳的问题,提出了一种基于变分自动编码器和注意力机制的异常入侵检测方法,通过将变分自编码器和注意力机制相结合,实现使用深度学习方法从基于流量的数据中检测异常网络流量的目标。所提方法利用独热编码和归一化技术对输入数据进行预处理;将数据输入到基于注意力机制的变分编码器中,采集训练样本中隐含特征信息,并将其融入最终潜变量中;计算原始数据与重建数据之间的重建误差,进而基于适当的阈值判断流量的异常情况。实验结果表明,与其他入侵检测方法相比,所提方法明显改善了入侵检测的精度,不仅可以检测已知和未知攻击,而且还可以提高低频次攻击的检测率。     

一种基于注意力机制的绝缘子状态反馈认知方法

针对已有绝缘子状态识别模型,以及细节识别深层网络开环认知模式和损失函数泛化能力不足的缺陷,模仿人工巡检模式,即实时评估认知结果可信度自寻优调节多尺度图像知识空间决策,提出一种基于注意力机制的绝缘子状态反馈认知方法。首先,针对预处理后的绝缘子图像,设计自适应尺度堆叠的卷积神经网络架构,使得网络输入由整体图像缩放至细节局部区域,每个尺度的网络共享相同的架构具有不同的参数,确保不同分辨率输入的可区分能力并为下一尺度生成一个细节注意区域。其次,随机配置网络面向多个尺度特征,建立具有强泛化能力的绝缘子状态分类准则。再次,构建类间分类和类内尺度间排序损失函数优化注意力网络,较前次预测生成更高置信度得分排名。最后,借鉴闭环控制思想,定义广义误差熵性能指标实时评测绝缘子不确定状态认知结果可信度,动态调节网络尺度等级,实现不确定认知结果约束下的特征空间自优化调节和分类准则重构,反馈再认知绝缘子状态。实验结果表明了本文方法与其他网络架构相比,增强了模型的泛化能力,提升了模型的认知精度。     

基于张量Tucker分解的彩色图像压缩

传统图像压缩方法基于向量数据进行压缩处理,破坏了高维数据的空间本征结构。为了克服传统方法的不足,本文提出了将彩色图像表示成高维数据张量( )形式,利用张量Tucker分解,取分解后的最大子张量及其对应的特征向量,并将其进行量化编码实现图像压缩。大量实验结果表明,在相同压缩比下,本文压缩后重构图像的峰值信噪比（PSNR）与传统JPEG压缩方法相比具有较大优势,并且在视觉上本文方法重构图像的颜色信息损失量较小。     

基于神经网络的小波变换矢量量化图像压缩

根据神经网络的特性，提出了一种基于小波变换的矢量量化图像数据压缩方法，基本思路是利用小 变换实现图像的多分辨率分解，用矢量量化（VQ）对分解后的图像进行编码，利用神经网络做矢量量化编码器，从而实现通过神经网络的鲁棒性来加强对某些非典型矢量的容错能力，结果表明，该方法提高了整个系统的性能，最终提高了重构图像的质量。