摘要：针对传统的航迹融合算法高度依赖先验信息的问题,文中提出了一种基于多阶差分损失全卷积网络的航迹融合算法。融合中心首先对各局部航迹进行时空配准和航迹关联;然后通过全卷积结构设计,避免了传统卷积神经网络模型中由于全连接层的使用导致参数量大、训练难度大的问题;最后通过计算航迹及其一、二阶差分的加权损失,实现了更高精度的融合结果。消融实验表明文中提出的航迹融合算法模型小、收敛性强、精度高、运算时间适中。仿真实验表明,文中算法不需要先验信息,当噪声参数无法准确估计时,算法融合精度优于方差加权融合算法和扩维卡尔曼滤波融合算法。实验结果证实了所提算法的有效性和可行性。

摘要：针对当前油气田管道电磁检测中存在的管道形变量化方法单一、精度不足的问题,引入深度学习的思路,提出一种基于卷积胶囊网络的油套管变形程度估计方法,通过设计多个卷积层对不同探头涡流信号进行特征提取;设计胶囊网络的输出层,构建基于模长的约束函数,对最小臂值进行量化,实现对油套管形变程度的估计。本方法考虑了不同类型探头信息之间的联系,并构建量化模型,以提高模型非线性映射能力,适用于多个探头同时检测的设备。通过对实际井下管道的脉冲涡流检测数据进行验证,相比于常见的深度学习方法,本方法具有更好的量化精度。

摘要：基于单张人脸图片的3D人脸模型重构,无论是在计算机图形领域还是可见光成像领域都是一个极具挑战性的研究方向,对于人脸识别、人脸成像、人脸动画等实际应用更是具有重要意义。针对目前算法复杂度较高、运算量较大且存在局部最优解和初始化不良等问题,本文提出了一种基于深度卷积神经网络的单张图片向3D人脸自动重构算法。该算法首先基于3D转换模型来提取2D人脸图像的密集信息,然后构建深度卷积神经网络架构、设计总体损失函数,直接学习2D人脸图像从像素到3D坐标的映射,从而实现了3D人脸模型的自动构建。算法对比与仿真实验表明,该算法在3D人脸重建上的归一化平均误差更低,且仅需一张2D人脸图像便可自动重构生成3D人脸模型。所生成的3D人脸模型鲁棒性好,重构准确,完整保留表情细节,并且对不同姿态的人脸也具有较好的重建效果,能够在三维空间中无死角自由呈现,将满足更多实际应用需求。

摘要：针对单图像去雨中,雨纹尺度、方向等随机分布导致的图像背景信息损失的问题,提出一种基于空-频域上下文联合卷积网络的单图像去雨算法。首先通过上下文信息聚合模块,对雨图像的全局信息重新分配权重,强化重要特征。建立空-频域去雨模型,提高空-频域之间上下文信息的相关性。设计多频特征映射模块,对重新分配权重的空域特征采用下采样低频特征与频间信息交互的方式映射雨频特征,去除空间冗余,提高网络运行速度。最后,通过序列操作迭代分解出不同成分的雨纹信息,完成单图像去雨。实验表明,所提算法去雨性能优越,对于背景图像的细节信息也具有较好的保护作用。

摘要：针对目前人脸表情识别(Facial Expression Recognition, FER)方法准确率低、模型大和识别时间长的问题,提出了一种基于卷积神经网络的通道注意力FER算法,在普通的卷积层中加入Xception网络中的可分离卷积网络,减少参数量和运算成本。在可分离卷积层的输出加入通道注意力Senet,实现对输出通道的权值按重要程度进行重新分配。引入Resnet网络中残差机制,减轻梯度消失现象。对设计的模型分别在CK+,RAF-DB数据集和FER2013数据集进行训练。实验结果显示,在CK+,RAF-DB数据集和FER2013数据集准确率分别提高至99.45%,78.10%和62.65%。模型参数量仅有1.8 MB,识别时间1.24 s。实现了更准、更快、更轻的FER。

摘要：压缩感知理论可以被用于解决信源采集设备计算资源受限的问题,但信号重构过程存在不确定性。传统的重构算法计算复杂度高,难以在实际中应用。近期,基于深度学习的重构算法打破传统算法的局限性,以其速度快、质量高等特点受到了广泛关注。现有的深度学习重构算法可以划分为“黑盒子”以及基于优化启发网络两种类型。与“黑盒子”式的网络结构相比,基于优化启发的深度网络更容易获得高精度的恢复,同时也更具可解释性。然而现有基于优化启发的图像压缩感知重构网络在每个优化阶段仅学习单一梯度,存在测量值信息利用不足、难以准确地学习梯度等缺点,限制了重构性能的提升。为了更充分地利用测量值信息,降低梯度学习的难度,本文提出了高维空间梯度学习思想,实现更准确的梯度回归。在此基础上,本文提出了特征域近端高维梯度下降(FPHGD)算法,并设计了实现该算法的深度神经网络(FPHGD-Net)以获得高精度图像重构结果。此外,本文设计了3种不同复杂度的深度空间近端映射网络结构,以满足不同的应用条件,按空间复杂度从低到高,相应模型分别为FPHGD-Net-Tiny、FPHGD-Net、FPHGD-NetPlus。实验结果表明,与OPINE-Net+相比,所提3种模型在Set11数据上的平均PSNR分别提升1.34、1.51和1.88 dB,并且在重构视觉效果上,能够恢复出更丰富的图像细节。

摘要：为应对非约束环境下的车牌精定位问题,提出一种基于顶点局部区域与主体区域同步检测策略的非约束性车牌定位算法。通过删减YOLOv5网络的输出结构,训练得到可同步检测车牌及顶点区域的车牌检测网络,在兼顾精度与计算速度的前提下,实现车牌顶点和主体区域的同步定位。针对一幅图中存在多个车牌区域及顶点区域存在少量漏检和误检的情况,分别设计了车牌顶点归类和单一缺失顶点预测后处理算法,借助顶点间的空间位置关系进行漏检目标预测和误检目标排查,有效改善了因场景复杂导致的个别顶点目标检测效果差的问题。所提算法在中国城市停车场数据集(CCPD)上的测试结果显示,平均精准率达99.25%,平均召回率达98.70%。所提算法不仅能够准确预测出车牌的4个顶点坐标,而且在中端GPU硬件平台上处理速度可达121帧/s,具有较好的应用价值。

摘要：实现河流水位的准确预测对于流域水资源的精准调度与管理具有重要意义。由于水文数据的复杂多变与非线性相关特性,传统机器学习模型的预测精度难以进一步提高。本文提出了一种基于卷积径向基网络的多变量水位预测模型,该模型先通过多层二维卷积网络对水文变量的时空特征进行并行化地充分提取,然后利用径向基网络实现河流水位的高精度预测。针对四川省清溪河流域开展了模型的相关实验研究,结果表明:与四种经典模型相比,其均方根误差最少降低了0.0387,纳什效率系数最少增加了0.0557;与现有的自回归循环网络模型相比,在相同输入特征条件下其最大误差和均方根误差分别降低了0.3482和0.0165,验证了该模型在流域水位预测中具有良好的适用性和有效性。

摘要：红外图像和可见光图像融合广泛应用于夜视、监视、军事等领域。融合任务的重点在于将可见光和红外光图像中的互补信息整合起来并消除多余信息。此外,大多数融合任务是在低光环境下进行的,如何保持融合结果的照明信息值得研究。为了解决存在的问题,首先,我们设计了一个多级特征模块来融合多源信息。与传统网络的并行层融合策略不同,我们提出了一种并行层和深度层相结合的融合策略。其次,我们在特征提取网络中增加了注意力计算,以提高特征提取网络的性能。第三,为了使融合图像具有良好的照明信息,我们设计了区域照明保留模块,提高了低光环境下融合算法的性能。大量实验证明了所提出的方法具有出色的性能,并且在低光环境下表现更好。此外,所提出的算法在多模式物体检测方面也显示出巨大潜力。

摘要：针对传统机器视觉方法在列车轮对轴承损伤检测中存在的图像特征提取不敏感、专家经验要求高以及识别准确率偏低等问题,本文提出了一种基于卷积与Transformer融合框架的列车轮对轴承损伤识别方法.首先,发展了一种图像增强类别重组的预处理方法,消除不同类别数据样本不均衡的影响,提高图像数据集质量;其次,基于卷积与自注意力融合思想,设计了VGG与Transformer双分支并行融合网络(VGG and Transformer parallel fusion network,VTPF-Net),综合获取图像全局轮廓特征与局部细节特征信息;再次,构建了多尺度膨胀空间金字塔卷积(Multiscale dilation spatial pyramid convolution,MDSPC)模块,利用多尺度膨胀卷积递进融合充分挖掘特征图中多尺度语义特征;最后,基于NEU-DET图像缺陷数据集与自建列车轮对轴承图像数据集进行了实验分析.结果表明,所提模型对NEU-DET数据中6类缺陷图像与轮对轴承4类故障图像的识别准确率分别为99.44%与98%,能够较为准确识别不同损伤类型图像样本,在不明显增加模型复杂度基础上各项评价指标要显著优于当前CNN模型、自注意力机制ViT模型以及CNN-Transformer融合模型.