摘要：针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext,M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation,CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达99.18%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。

摘要：针对传统盲信号分离算法中信号概率密度函数计算速度慢、计算效果一般等问题,提出一种广义高斯混合模型的自适应盲信号分离算法。该算法根据信号拖尾特性的不同,自适应地选取t分布与广义高斯模型,分别估计重拖尾信号和轻拖尾信号的概率密度函数,通过建立峭度和形状因子的查找表得到不同信号评价函数的估计值,并对亚高斯信号和超高斯信号的混合信号进行有效分离。实验结果表明,该算法能对传统算法难以分离的重拖尾与轻拖尾混合信号进行快速有效的分离,具有较好的分离效果。

摘要：现有超分辨率网络存在模型参数量较大、未能充分利用分层特征以及上采样像素损失等问题。针对该问题,提出一种基于像素补偿的轻量级图像超分辨率重建网络。设计了一种残差嵌套注意力网络,该网络通过构建像素坐标注意力机制来自适应的调节像素位置感知,减少网络参数量并提升高频信息的重建性能;考虑到不同层次特征所包含信息的差异性,提出了一种多分支融合网络,通过融合不同层次的信息来获得更具有表征意义的特征;利用像素补偿网络对上采样的特征图进行特征补偿,恢复丢失的纹理细节;通过与SRCNN、FSRCNN、VDSR、IMDN、PAN等算法进行对比实验。实验结果表明,在2,3,4倍超分算法中较千万参数量CARN算法PSNR提高了0.38,0.13和0.02 dB,SSIM提高了0.0808,0.0012和0.0017。同时对比相同参数量级VDSR,MemNet,IMDN等算法模型,在不同放大倍数下论文所提出方法也有所提升。

摘要：针对现有超分辨率(super-resolution)重建算法重建出的图像存在高频细节丢失、结构化失真的问题,结合多尺度混合注意力网络,给出一种新的重建算法。首先,设计了一种多尺度残差模块(multi-scale residual module,MRM),提取不同尺度信息的特征并进行融合来获取包含更多信息的浅层特征;其次,采用残差混合注意力模块(residual hybrid attention module,RHAM),依次沿着通道和空间2个不同的维度增强网络特征提取能力,进行自适应的特征优化,提高高频特征的复用;最后,通过重建模块对提取的特征进行增强,获取相应的高分辨率图像。在基准数据集上进行测试,实验结果表明:文中提出的算法相较主流图像SR算法,在放大尺度为2、3、4倍时峰值信噪比(peak signal to noise ratio,PSNR)平均提高了0.104、0.224、0.146 dB,结构相似性(structural similarity index measure,SSIM)平均提高了0.0349、0.0276、0.0181。该算法能更有效地利用原始图像信息,重建出的图像在边缘和纹理细节等方面有一定的提高。