摘要：针对现有网络多尺度特征提取能力不足造成路面病害因尺寸差异难以完全识别的问题,提出了一种多尺度特征增强的路面病害检测模型。构建基于混合空洞卷积的快速空间金字塔池化模块,通过堆叠不同膨胀系数的空洞卷积进一步扩大网络感受野,以实现更大范围上下文信息的捕捉,并保留更多的空间信息;设计多路径特征融合网络,通过多分支和跳跃连接实现跨层级的特征捕捉,并减少特征融合过程中的信息丢失;采用K-means聚类算法结合交叉比获得合理的瞄点框;在损失函数中,设计一种面积惩罚项并设置下降梯度,提高预测框回归精度与效率;通过引入跨通道交互的高效注意力实现模型重要通道间的交互。实验结果表明:所提模型的检测精度比原模型YOLOv5s提高了4.0%;与Faster R-CNN、CenterNet等经典模型和YOLOv8s、YOLOv7n-tiny等先进模型相比,检测精度提高了1.0%~17.9%。模型经TensorRT加速引擎优化加速后,在NVIDIA Jetson TX2与NVIDIA Jetson Nano平台上的检测速率提高近1倍,同时不影响检测精度。

摘要：针对水下图像由于水的散射和吸收而存在颜色失真和细节丢失等问题,提出了一种综合多尺度信息和注意力机制的生成对抗网络模型来增强水下图像。首先,为了充分利用和增强图像的局部信息和全局信息,使用局部编码器和全局编码器分别提取图像的局部特征和全局特征,并互相融合以实现互补性。接着,设计多尺度混合卷积来捕捉多尺度信息,增加网络对不同尺度特征的适应性。然后,利用注意力机制增加特征提取的准确性,加强网络对高价值特征的关注度。最后,重复使用多尺度混合卷积和注意力机制进一步细化特征后,逐步上采样得到增强图像。与六种经典和最新的方法相比,提出的模型不仅在主观评价中取得了最好的视觉感受,而且在整个测试集上,峰值信噪比(PSNR)、结构相似指数(SSIM)、水下图像质量指标(UIQM)和自然图像质量(NIQE)四种客观评价指标分别取得了22.499,0.789,2.911和4.175的平均分数,均优于六种对比方法,较对比方法中的最优值分别提升0.353,0.002,0.025和0.307,证明提出的模型不仅能够矫正图像颜色失真,而且在恢复图像细节、增加图像对比度和清晰度等方面均有较好的表现,具有良好的应用前景。