摘要：目前基于深度学习的超分辨率重建网络存在卷积运算冗余、图像重建信息不完整、模型参数庞大等问题,限制了其在边缘设备上的适用性。针对上述问题,提出一种轻量级的局部分离与多尺度融合图像超分辨率重建网络,该网络利用局部卷积对图像进行特征提取,通过分离部分图像通道,在减少网络冗余计算的同时保持图像重建的质量。设计一种多尺度特征融合模块,在空间维度学习长依赖特征,并采用一个通道注意力增强组在空间维度捕获空间特征,减少图像重建信息的丢失,有效恢复图像的细节纹理。由于多尺度特征融合模块更多地是从全局角度进行特征提取融合,因此构建一种高效反残差模块补充网络的局部上下文信息提取能力。在Set5、Set14、B100、Urban100、Manga109这5个基准数据集上的实验结果表明,当尺度因子为2、3、4倍时,该网络的参数量分别为373000、382000、394000,FLOPs分别为84.0×10^(9)、38.1×10^(9)、22.1×10^(9)。与VDSR、IMDN、RFDN、RLFN等网络相比,该网络在较少网络参数的情况下,能够保证图像重建效果。

摘要：交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO,构建M-YOLOs模型来应对高精度需求的检测任务,并调整网络深度得到更轻量化的M-YOLOn模型来解决不同环境下的检测需求。首先针对交通标志目标尺寸小、图像特征流失的问题,通过增加小目标检测层,保留更多的特征信息,提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet,将浅层特征图进行降维与跳跃连接,从而融合更多的图像特征信息。然后提出融合稀疏注意力和空间注意力的BRSA注意力模块,有效提取全局和局部的位置信息,减少复杂背景下对于关键信息的干扰。最后设计两种轻量高效的BBot模块和C2fGhost模块,以提高模型运算速度并减少参数量。实验结果表明,M-YOLO相较于YOLOv8,参数量降低约1/3。在TT100K数据集和GTSDB数据集上,M-YOLOs检测精度分别提升了9.7和2.1个百分点,M-YOLOn检测精度分别提升了14.5和2.6个百分点,在轻量化的同时具备更高的检测效果。M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题,并显著降低模型特征提取过程中冗余的计算开销,在实景采集的数据集上证实效果有效,表明在交通标志检测任务中具有应用价值。

摘要：针对草莓病害在区域分割时存在背景复杂、目标较小导致难以被有效分割等问题,提出一种基于多感受野与多尺度融合的草莓病害分割算法。首先搭建了U-Net基础模型,使用结合注意力机制与残差网络的主干特征提取网络(CBAM-ResNet50)替代U-Net中的主干特征提取网络VGG16,一方面来加强目标区域的表征能力,抑制背景区域,以此实现复杂背景下的病害区域分割问题;另一方面通过残差减少梯度消失,提升模型的收敛速度;接着在特征融合层,设计基于3D无参注意力机制(SimAM)的多尺度自适应特征融合模块,通过邻近特征信息弥补当前层特征的信息丢失,以此提升小目标的检测能力;最后在网络底层设计基于膨胀卷积的多感受野模块,通过不同膨胀率的膨胀卷积来增加特征的全局感受野以实现整体分割区域的感知。结果表明,本研究提出的方法mPA达90.30%,相比于标准U-Net模型提高了7.13百分点,本研究提出的方法能更好地对复杂背景下及小目标病害进行精准分割。

摘要：为解决低照度图像对比度低、细节模糊的问题,提出基于人眼视觉的多尺度融合图像增强算法。将图像从RGB空间转换到HSV空间,分离图像的色彩信息和亮度信息;将HSV空间的H和S通道的信息Image H和Image S转换为权重图,对V通道的亮度信息Image V进行增强;利用引导滤波算法增强图像的细节信息。为验证该算法的优越性,对比其它传统增强算法处理后的结果发现,该算法的增强效果优于几种传统的增强算法。

摘要：针对天然气管道高后果区变化人工调查效率低的问题,提出基于多尺度融合的高后果区变化检测算法。首先对天然气管道沿线高后果区两期影像进行矢量裁剪,然后将两期高后果区影像输入变化检测算法中,计算出整幅影像的建筑变化特征信息,最后根据整幅影像计算结果生成变化图斑矢量。网络中设计的多尺度融合模块融合了高层特征信息和底层特征信息,此外增加的注意力机制模块从通道和空间范围提取具有区分性的特征信息。以武汉地区忠武线天然气管道线路为研究对象,使用2019年和2020年遥感影像开展实验,F1值和召回率分别达到0.849、0.838。结果表明,采用基于多尺度融合的高后果区变化检测算法计算结果能够满足高后果区变化检测的实际应用需求。

摘要：针对入侵检测模型提取特征能力不足,且流量数据中含冗余噪声的问题,提出一种基于多尺度融合和时空特征的ML-PFN入侵检测模型。采用多尺度特征融合技术分别提取数据中浅层特征信息和深层特征信息,使模型学习的特征更加丰富;采用软阈值函数和注意力机制自动选择合适的阈值,减少噪声及不相关信息对模型的干扰;融合时空特征构成多尺度空间特征提取长短时记忆-并行特征网络(MSFE LSTM-parallel feature network, ML-PFN)模型,并应用于网络入侵检测。通过3个公开数据集进行性能评估,实验结果表明,ML-PFN模型对比其它5种分类模型各项指标效果最好,在训练时长适中的同时准确率达到96.45%。

摘要：由于遥感图像的变化检测与分割方法、分割尺度有较强相关性,提出一种多尺度分割融合的对象级图像变化检测方法。利用改进的最小生成树分割算法同时联合分割不同尺度下的两幅图像,保证分割图斑的空间位置完全相同;结合分割图斑的光谱特征和纹理特征,计算不同尺度下对应图斑的差异指数,提取变化图斑;多尺度融合变化检测结果,得到变化区域。实验结果表明,该算法具有较好检测结果和较高检测精度。

摘要：面对遥感图像日益增长的分辨率,面向对象的分类处理方法相较于传统的基于像素的分类方法愈来愈有优势。针对其分割处理环节仍存在过分割以及欠分割现象而导致分类精度降低的问题,本文提出一种融合多尺度分割的办法,使用不同尺度分割结果融合的结果作为最终分类的输入。经过试验,此融合分割办法能有效的减少欠分割与过分割,提高面向对象的分类精度。

摘要：在图像转换过程中往往会出现图像模糊,细节丢失的问题,针对这些问题,文章设计了一种新的图像转换模型,用来减少图像模糊、丢失问题。文章在生成器中引入非对称卷积块,增强特征提取,通过上采样增加细节信息,判别器中使用一种新的多尺度融合方法,增加对前层信息的判别,提高图像转换的质量,通过实验表明,在不同的图像转换方法中,本文在定量和定性上都有明显优势。

摘要：高精度的实时交通标志检测和识别对安全自动驾驶和智能交通系统至关重要。本研究对基线网络YOLOV4进行了升级,增加了多尺度融合模块和注意力机制模块(AMM),丰富了不同尺度交通标志的特征表示。同时,颈部网络结合了特征选择模块和特征对齐模块,增强了高、低层特征图之间像素偏移的语义判别。具体地说,针对AMM,设计了一种转置的自注意力操作。其使用互协方差矩阵将令牌维度上的操作转换为通道维度,将时间复杂度从O(n^(2))降低到O(n)。在TT100K交通标志数据集上的实验结果表明,与基线网络(mAP@0.5=76.4%)相比,升级后的网络(mAP@0.5=83.4%)取得了较好的改进,检测和识别速度可达39.45帧/秒,达到了目前最先进的水平。