摘要：针对multiattention network(MANet)算法与图像语义信息关联不足、全局特征提取不充分和分割精度较低的问题,基于Transformer与注意力机制,提出一种增强浅层网络语义信息,具有融合局部和全局上下文的双分支解码器的网络结构,即Transformer multiattention network(TransMANet)。首先,引入局部注意力嵌入机制,增强上下文信息的嵌入,并将高级特征的语义信息嵌入低级特征;然后,设计基于Transformer与卷积神经网络的双分支解码器,分别提取全局上下文信息和不同尺度的细节信息,对全局与局部信息建模;最后,改进原有的损失函数,缓解遥感数据集类别不平衡的问题,提高分割准确度。实验结果表明,TransMANet在UAVid、LoveDA、Potsdam和Vaihingen数据集上均取得了较MANet及其他有竞争力的先进方法更优的交并比指标,有较好的泛化能力。

摘要：针对期望最大化注意(EMA)算法参数与图像的语义关联不足以及缺少对通道间信息关注的问题,本文提出一种双重注意力网络EMA+算法。该算法设计了2个模块:空间注意力模块和通道注意力模块。空间注意力模块以EMA算法为主体架构,在责任估计步骤采用特征图作为期望最大化(EM)算法的初始参数,增加参数与特征图语义上的关联。通道注意力模块使用高效通道注意力(ECA),通过使用一维卷积学习通道之间交互信息,避免由于降维操作导致的破坏通道与其权重之间的直接对应关系。EMA+通过融合空间注意力模块和通道注意力模块,显著提高了语义分割任务的性能。实验结果表明,EMA+在PASCAL VOC2012和一些更复杂的数据集上均取得了较EMANet等方法更优的交并比指标,有较好的泛化能力。

摘要：深度人脸表情识别是神经网络应用于模式识别上一项极具挑战性的任务。相对于身份认证和特征点识别等人脸识别任务,表情识别任务中存在着大量的冗余信息,要得到好的效果,需要更精确的分类。多数研究关注点在数据的泛化性和网络结构上,而忽视了数据的类间关系。提出了一种基于类间分析的深度残差表情识别网络RMRnet。首先,将数据通过骨干网络Resnet18得到混淆矩阵,进一步得到召回率矩阵分析类间关系;然后,凭借类间关系设计网络结构分支,进一步区分强联系类,设计补充支路平衡弱联系类;最后,将分支添加到骨干网络的相应位置,得到RMRnet网络模型。在流行的大型数据库上,与基准方法和近年来的先进方法的对比实验结果表明,提出的方法相较于基准方法效果良好,在一众先进方法中也有很强的竞争力。

摘要：传统区域主动轮廓模型在分割弱边缘图像时,演化曲线受背景干扰,易陷入局部极值导致演化速度缓慢;且由于局部项仅考虑空间信息,无法更好保留目标边界,影响分割精度。针对上述问题,首先利用改进的显著性检测方法,对待分割图像进行预处理操作,获取目标候选区域,自动设置初始化轮廓曲线,并将获取的目标先验信息与待分割图像中具有最大对比度的位图相结合,设计自适应符号函数,对优化LoG能量项进行加权,以线性方式融合到RSF模型中,增强模型自适应能力;其次设计新的局部灰度测度,与局部核函数相结合,改进局部能量项,提高模型在弱边缘处的敏感程度,准确定位目标边界。实验结果表明,该模型能够自动设置初始化轮廓,并有效保留目标边缘细节,视觉及定量实验结果证明了该模型优于目前一些主流的主动轮廓模型。

摘要：金属表面缺陷检测旨在通过合理的算法判断工业生产中金属材料的表面图像中是否存在缺陷,是计算机视觉领域在工业应用中的重要研究内容,但现有的基于分割的金属表面缺陷检测算法存在抗干扰能力弱、容易背景误判和检测粒度不够细致等问题.针对具有各种干扰因子的金属表面图像,提出一种基于U2-Net的金属表面缺陷检测算法Attention-U2Net.首先,为了解决实际生产中金属表面图像噪点过多导致背景误判和采样层获取信息不够细致的问题,设计U型注意力编码模块,可以在编码时增大缺陷区域权重的同时,抑制背景噪声;然后,为了解决图像中存在的难检测样本和边界复杂问题,设计具有权重的损失函数并结合多层次监督方法,使检测算法更关注难检测样本和边界像素点,提高预测准确度;最后,使用根据图像结果自动计算灰度阈值进行结果优化的算法,最终生成高质量缺陷预测图.与六种常用的缺陷检测领域的像素分割方法在金属表面缺陷公开数据集上进行比较实验,实验结果表明,提出的算法的像素准确率、查准率、查全率、F-score、平均绝对误差和均方误差均取得了优良的结果,证明该算法拥有较强的抗干扰因子能力,最终缺陷预测图像素准确率高,边界明显.

摘要：针对医学图像语义分割面临的分割目标多尺度变化、噪声干扰、分割结果粗糙、训练过程缓慢的问题,基于UNet和MultiResUNet提出了一种多尺度残差带有聚合连接的U型注意力网络结构MAAUNet(MultiRes aggregation attention UNet)。首先,引入了聚合连接。由原来同一级的特征聚合重新设计跳跃连接,在解码器子网处聚合不同语义尺度的特征,进一步解决跳跃连接间可能存在的语义鸿沟问题。其次,在多尺度卷积模块之后加入了卷积块注意力机制模块。在通道和空间两个注意力方向上特征聚焦并集成,以自适应优化中间特征图。最后,对原有的多尺度卷积块做出改进。用串联卷积结构拓展卷积通道,相互补充信息,提取更丰富的空间特征,保留残差连接,使原卷积块变为多通道卷积块,从而使模型可提取多尺度空间特征。实验结果表明,MAAUNet在具有挑战性的数据集上具有很强的竞争力,在应对多尺度输入、噪声干扰的情况时表现出了良好的分割性能和稳定性。

摘要：目前,多视图子空间聚类在模式识别和机器学习领域得到了广泛的研究.以前的多视图聚类算法大多将多视图数据划分在其原始特征空间中,其功效在很大程度上隐式地依赖于原始特征呈现的质量.此外,不同视图包含同一对象的特定信息,如何利用这些视图恢复潜在的多样性信息对后续聚类尤其重要.为了解决上述问题,提出一种多样性诱导的潜在嵌入多视图聚类方法,使用特定于视图的投影矩阵从多视图数据中恢复潜在嵌入空间.考虑到多视图数据不同视图之间的多样性信息,采用经验的希尔伯特施密特独立准则约束特定于视图的投影矩阵,将潜在嵌入学习、多样性学习、全局相似性学习和聚类指标学习整合在同一框架中,还设计了一种交替优化方案来有效处理优化问题.在几个真实的多视图数据集上的实验表明,提出的算法具有一定的优势.

摘要：针对Siamese跟踪算法在目标形变、相似物体干扰等复杂情况下容易跟踪漂移或丢失的问题,提出一种融合残差连接与通道注意力机制的目标跟踪算法.首先,通过残差连接将模板分支网络提取的浅层结构特征与深层语义特征进行有效的融合,以提高模型的表征能力;其次,引入通道注意力模块,使模型自适应地对不同语义目标特征通道加权,以提高模型的泛化能力;最后设计并提出一种基于相关性响应值的权重掩码,在离线训练时提高相似语义目标损失值的权重,使模型在端到端的离线学习中增强对相似语义目标的辨别力.在标准跟踪数据集OTB,TempleColor128,VOT2016和VOT2018上与主流跟踪算法进行对比实验,结果表明,该算法在跟踪精度和成功率上都展现了极强的竞争力,具有优越的实时性和可靠性.

摘要：典型相关分析(CCA)是一种无监督的子空间学习算法,加入标签信息可以提高典型相关特征的判别力.为了有效地利用样本的标签信息,借鉴相对属性的思想,提出一种利用相对强度的监督CCA(SCCA)算法.该算法在使得2组典型投影之间具有最大的相关系数的同时,典型投影的每一维特征的大小能够表示不同样本在其上的相对强度;采用异类样本间在每个低维特征上的差异大于同类样本间差异的策略,使得典型投影的每个特征都具有较好的鉴别力.在多特征手写体数字、人脸图像以及一般对象数据库上的实验结果表明,SCCA算法具有较好的识别效果,优于已有的典型相关特征抽取算法.

摘要：针对在长时跟踪中,快速运动、遮挡等复杂情况很容易引起模板漂移,导致跟踪失败的问题,提出一种适合长时跟踪的自适应相关滤波算法.首先融合HOG特征、CN特征和灰度特征,在增强特征判别力的同时,结合EdgeBoxes生成检测建议并找到最优建议,实现跟踪器尺度与纵横比的自适应;然后利用高置信度跟踪结果来避免模板被破坏,将目标移动速度与边缘组数结合起来形成一种新的自适应更新率,并对每一帧目标框的尺度进行校正;最后在跟踪失败的情况下,应用增量学习检测器以滑动窗口的方式恢复目标位置.在标准测试集上与基于相关滤波的7种算法进行对比,实验表明,该算法在精确度和成功率上均取得较优效果.