摘要：针对水下图像出现蓝绿色偏、雾化和噪声等问题,提出一种基于颜色线模型和多尺度融合的水下图像增强算法.首先,设计一种局部自适应颜色校正方法对退化图像进行预处理,提高图像颜色线拟合效果并降低图像色偏的程度;然后,构建一种利用颜色线和背景光矢量求解偏置来估计透射率的凸优化算法,求得准确的模型参数来恢复图像实现图像去雾;接着,将预处理后的图像利用白平衡算法来补偿颜色的深度选择性吸收所造成的偏色,将白平衡处理后的图像分别利用伽玛校正和基于颜色线约束的噪声抑制算法进行处理,分别得到提高全局对比度和抑制噪声的图像;最后,对去雾、对比度增强和低噪声图像进行多尺度融合,得到特征丰富的水下增强图像.实验结果表明:所提出方法能够有效解决水下图像的色偏、雾化和噪声现象;相对于各对比算法,在水下彩色图像质量评价指标和峰值信噪比上分别提高了18.37%和42.16%,更好地保留了水下图像的颜色并降低了图像噪声.

摘要：公交客流预测是公共交通规划和管理中的重要问题。虽然时空图卷积在地铁客流预测任务中获得了很好的预测效果,但是面对公交更复杂的线路、大规模的节点数据,现有的基于图卷积的空间建模方法将带来巨大的空间内存消耗。同时,公交客流量短时间范围内更可能受到瞬时交通状况的影响。为了解决这些挑战,提出了一种多尺度融合和动态自适应图的公交客流预测模型(MFDAG)。该模型融合客流、时刻和周信息以增加数据的特征维度,用动态自适应图的方法来学习不同站点之间的关系。进一步提出了一种多尺度融合传播的方法来表示复杂的空间依赖关系,同时设计了一种多尺度卷积传播的方法来学习不同尺度的时间依赖关系。在两个真实的客流数据集上进行了实验,并与其他交通预测方法进行了比较。实验结果表明,所提出的多尺度融合和动态自适应图的公交客流预测方法具有更高的预测准确度。

摘要：根据边缘检测离散准则,利用数值方法求出该准则下边缘检测的最优线性滤波器及对应的平滑算子,设计平滑滤波窗算子,将其与嵌入可信度方法相结合进行边缘检测;同时充分利用边缘信息的多尺度特性,根据小尺度下图像边缘细节信息丰富、边缘定位精度高,大尺度下图像边缘稳定、抗噪性好等特点,将检测到的多尺度边缘进行融合,得到精确的单像素宽边缘。实验结果表明,该方法不仅能准确检测出边缘图像,而且能有效地抑制噪声,是边缘检测的一种较好的实用方法。

摘要：受行人姿态的多变性和行人被遮挡等因素的影响,行人重识别模型难以提取行人关键特征。为增强模型的特征表达能力,提出一种基于多尺度融合与双输出U-Net网络的行人重识别方法,旨在解决现有方法中难以提取行人关键特征、特征表达能力较低的问题。首先,提出多尺度融合的双输出U-Net网络,并对输出特征进行欧氏距离和散度距离约束;其次,设计联合损失函数,解决生成对抗网络在训练过程中不易收敛的问题,提高训练过程的收敛速度。在3个公共基准数据集上的仿真实验结果表明,相比经典特征提取网络,所提特征提取网络的平均精度均值(mAP)提升超过10%,所提行人重识别方法相比主流方法的mAP提高约2%,该方法能够增强模型的特征表达能力,提高行人重识别的准确率。

摘要：大多数基于深度学习的跨模态哈希方法直接通过神经网络学习不同模态数据的统一哈希码。这些方法忽略了单模态数据不同尺度包含不同语义信息这一影响数据特征表示的因素以及低维特征在弥合模态鸿沟上的重要性。基于上述问题,提出一种基于多尺度融合和投影匹配约束的跨模态哈希方法(MFPMC)。通过设计图像多尺度融合网络和文本多尺度融合网络来获取不同模态数据的低维特征,引入低维特征投影匹配约束和对抗训练来保证低维特征在模态间分布的一致性,同时用包含丰富语义信息的低维特征作为哈希函数的输入,进一步构建模态内哈希码损失、模态间哈希码损失、量化损失、标签嵌入损失来约束哈希函数及哈希码的学习,以此保证生成具有判别性的离散二进制哈希码。在MIRFlickr-25K和NUS-WIDE两个基准的跨模态检索数据集上的实验表明:所提方法比现有的几种哈希方法具有更好的检索性能。

摘要：有雨图像往往丢失大量的特征及细节信息,严重影响视觉效果和目标检测.针对有雨图像,本文采用图像显著性检测来寻找有雨区域,确定待修复区域,设计了多尺度融合生成对抗网络(Multiscale Fusion Generative Adversarial Network,MsF-GAN)进行图像去雨,在生成器的12/14/16网络层采用Concat进行多尺度融合,使生成的去雨图像中更多地保留图像的原始信息,鉴别器采用全局鉴别保证图像去雨的视觉连贯性,局部鉴别提高有雨区域去除的泛化能力,从而保证了去雨的有效性和可靠性.本文提出的MsF-GAN在公开发布的数据集上进行了实验,结果表明:去雨图像的结构相似度(Structural similarity index,SSIM)和峰值信噪比(Peak Signal to Noise Ratio,PSNR)等相关指标相比其他方法都有了大幅提升.

摘要：目的基于卷积神经网络的单阶段目标检测网络具有高实时性与高检测精度,但其通常存在两个问题:1)模型中存在大量冗余的卷积计算;2)多尺度特征融合结构导致额外的计算开销。这导致单阶段检测器需要大量的计算资源,难以在计算资源不足的设备上应用。针对上述问题,本文在YOLOv5(you only look once version 5)的结构基础上,提出一种轻量化单阶段目标检测网络架构,称为E-YOLO(efficient-YOLO)。方法利用E-YOLO架构构建了E-YOLOm(efficient-YOLO medium)与E-YOLOs(efficient-YOLO small)两种不同大小的模型。首先,设计了多种更加高效的特征提取模块以减少冗余的卷积计算,对模型中开销较大的特征图通过下采样、特征提取、通道升降维与金字塔池化进行了轻量化设计。其次,为解决多尺度特征融合带来的冗余开销,提出了一种高效多尺度特征融合结构,使用多尺度特征加权融合方案减少通道降维开销,设计中层特征长跳连接缓解特征流失。结果实验表明,E-YOLOm、E-YOLOs与YOLOv5m、YOLOv5s相比,参数量分别下降了71.5%和61.6%,运算量下降了67.3%和49.7%。在VOC(visual object classes)数据集上的平均精度(average precision,AP),E-YOLOm比YOLOv5m仅下降了2.3%,E-YOLOs比YOLOv5s提升了3.4%。同时,E-YOLOm的参数量和运算量相比YOLOv5s分别低15.5%与1.7%,mAP@0.5和AP比其高3.9%和11.1%,具有更小的计算开销与更高的检测效率。结论本文提出的E-YOLO架构显著降低了单阶段目标检测网络中冗余的卷积计算与多尺度融合开销,且具有良好的鲁棒性,并优于对比网络轻量化方案,在低运算性能的环境中具有重要的实用意义。

摘要：针对一阶段目标检测算法在识别小目标时无法兼顾精度与实时性的问题,提出一种基于多尺度融合单点多盒探测器(SSD)的小目标检测算法。以SSD和DSSD算法的网络结构为基础,设计融合模块以实现Top-Down结构的功能,形成高层网络与低层网络之间的跳跃连接,结合SSD-VGG16扩展卷积特征图以提取多尺度特征,并对不同卷积层、尺度及特征的多元信息进行分类预测与位置回归。在织物瑕疵数据库上的实验结果表明,与SSD、DSSD等算法相比,该算法的检测性能较好,其检测精度达到78.2%,检测速度为51 frame/s,能在保证检测精度的同时提高检测速度。

摘要：为解决图像去雾后颜色偏暗以及去雾不彻底等问题,本文提出了一种基于多尺度融合卷积神经网络的图像去雾算法。以有雾图像为输入,首先经过预处理模块由单尺度卷积层提取有雾图像浅层信息,然后设计多尺度映射模块实现深度特征学习以及深、浅层特征融合,由反卷积模块还原图像尺寸,通过卷积操作得到有雾图像对应的粗透射率图。采用双边滤波法优化输出细透射率图,最后依据大气散射模型复原出无雾图像。实验结果表明本文方法在合成有雾图像和自然有雾图像上均优于其他算法,其中合成有雾图像上的峰值信噪比(PSNR)、结构相似性(SSIM)能分别达到29.238、0.950。本文所提算法可以有效地避免去雾图像颜色偏暗、失真等不足,提高了图像去雾性能并体现出良好的视觉效果。

摘要：针对人群计数图像人头尺度变化大、背景噪声高等问题,提出一种基于注意力机制的多尺度融合人群计数算法,以充分聚合多尺度信息,并有效区分背景噪声。构建基于残差连接的空洞空间金字塔池化,通过残差结构以及多个不同扩张率的空洞卷积在捕获多尺度头部目标特征的同时融入浅层特征图的空间细节信息,提高特征图质量;构建跨层多尺度特征融合模块,融合浅层和深层分支不同大小的边缘细节信息和上下文语义信息,并设计基于多分支的特征融合模块,融合不同感受野大小的多尺度信息以缓解大规模人头尺度变化的问题;构建基于矩阵相似运算的通道和空间注意力机制模块提取像素级特征权重,加强网络对于背景和人头目标的判别能力,自适应矫正位置信息。实验结果表明,相比11种对比算法的最优值,所提算法在SHA数据集上的平均绝对误差和均方根误差指标降低1.4%、4.2%,在UCF_CC_50数据集上降低4.9%、1.8%,能够精确地预测人群分布状态和估计人群数量,生成高质量的人群密度图。