摘要：随着光谱成像技术的飞速发展,使用多光谱滤光片阵列(multispectral filter array,MSFA)采集多光谱图像的空间和光谱信息已经成为研究热点。如何利用低采样率且具有强频谱互相关性的原始数据进行重构成为制约其发展的瓶颈。本文基于一种含有全通波段的8波段4×4 MSFA,提出了一种空谱联合的多分支注意力残差网络模型。使用多分支模型对各个波段插值后的图像特征进行学习。利用本文设计的空间通道注意力模型对8个波段和全通波段的特征信息进行联合处理。该模型通过多层卷积和卷积注意力模块以及残差补偿机制,有效减小了各波段的颜色差异,增强了边缘纹理等相关特征信息。对于初步插值的全通波段和其他波段的特征信息,通过无需进行批量归一化的残差密集块对多光谱图像空间和光谱相关性进行特征学习,以匹配各个波段的光谱信息。实验结果表明,对于在D65光源下测试图像,本文所提模型的峰值信噪比、结构相似度和光谱角相似度分别较最先进的深度学习方法提升了3.46%、0.27%和6%。该方法不仅减少了伪影还获得了更多的纹理细节。

摘要：针对现有3D手势交互方法存在的精度、成本、泛用性三角抉择难题,受限于发展程度现有方法大多只能三者取其二,传统识别方法通常优先考虑成本和泛用性从而在精度上有所缺失,基于数据手套的3D手势交互保证了精度和泛用性的情况下无法解决过高的成本问题,以及针对特定领域开发(例如手语教学、交通手势识别)的方法在保证精度和成本的情况下仅在当前小范围领域内适用。为了平衡这一三角难题,找到三者之间的平衡点,提出了一种新的最低基于单目摄像技术的3D手势姿态估计算法。其峰值性能在保证识别精度的情况下,最高可达85~100 FPS。该算法是基于双网络融合架构来实现,主体架构分为前置识别网络和后置纠正网络,前置网络是基于ResNet50网络设计的二维关键点映射至三维的手部关键点检测,后置网络是基于逆运动学设计的纠正网络用来纠正映射偏差带来的非常规手型,使得识别结果更加顺滑,符合真实人体结构。架构的精准设计使得其可以利用更多范围内可用的手部训练数据源,在此基础上加入的后置纠正网络模块用来纠正手部细节,这种输出方式能够使得该算法更直接地应用于视觉设计和图形交互输出。经过多次实验对比后,相较于传统算法,该架构设计在保证识别速度的情况下,在各类数据集上平均识别精度提升1%~2%,同时基于MANO的建模效果更加精致逼真。

摘要：在心血管疾病的诊断中,心电信号的分析一直起到至关重要的作用。目前如何利用算法有效识别出信号中的异常心拍,仍然是心电信号分析领域中的难点。本文将深度残差网络与自注意力机制相结合,提出了一种能够自动识别出异常心拍的分类模型,该模型首先基于残差结构设计了18层卷积神经网络,用来充分提取信号中的局部特征,之后再结合双向门控循环单元,用于提高网络对于时序特征的挖掘能力,最后引入自注意力机制为提取到的每一个特征赋予区分化的权重,协助模型在训练的过程中更有效地关注重要特征,以此来获得较高的分类精度。本研究采用多种方式进行数据增强,缓解了由于数据不平衡问题对模型效果带来的影响。本研究实验数据来源于麻省理工学院与贝斯以色列医院(MIT-BIH)构建的心律失常数据库,最终结果表明,研究提出的模型在原始数据集上达到了98.33%的总体准确率,在优化后的数据集中达到了99.12%的总体准确率,证明了该模型在心电信号分类方面拥有良好的效果,具备应用到便携式心电检测设备的潜在价值。

摘要：心电图(Electrocardiogram, ECG)心拍分类是心律失常诊断的重要步骤,为了准确检测心律失常类型,提出了一种利用改进的残差网络进行ECG分类的算法。首先使用CEEMDAN-改进小波阈值算法去除心电信号中的噪声,然后构建改进残差网络实现对ECG的分类,在该改进残差网络中,首先将传统深度残差网络中的卷积层、池化层替换成Inception模块,从而提取不同尺度的特征;然后设计了残差嵌套网络,实现了ECG信号不同层次的特征融合,最后采用Softmax分类器进行分类。将该模型在MIT-BIH数据库进行训练和验证,结果表明,所提出的网络模型具有较高的分类准确率。

摘要：面向高光谱图像分类的许多深度学习算法中,由于提取的空谱特征表示鉴别性不足,其模型的分类性能有待提高。针对该问题,本文提出了一种基于空谱注意力机制及预激活残差网络的高光谱图像分类算法。首先,设计了基于空谱注意力机制的空谱特征提取模块,对空谱特征进行重校准,为空谱特征在后续联合学习时能专注于更具辨别力的通道和空间位置提供保证;其次,设计了基于预激活残差网络的空谱特征联合学习模块,其中预激活残差网络改进了原始残差构建块的网络结构,从而能在利用注意力机制重校准的空谱特征的联合学习时捕获更具鉴别性的深层空谱特征,以提高分类器的分类性能。实验结果表明,和已有的一些高光谱图像分类算法相比,所提出的算法的分类准确率更高,表明该算法能有效地获得判别能力更强的空谱特征表示。

摘要：基于触觉信息识别不同接触状态对于人机交互的实现具有重要意义。提出一种基于残差网络(Residual Networks)识别触觉传感器不同接触状态的方法。基于弹性体模板法制备了一款具有良好触觉感知能力的多孔石墨烯柔性触觉传感器。利用该触觉传感器采集了4种不同接触状态(拍打、重击、抚摸、推压)的时间序列数据,并对采集到的数据进行z-score标准化操作以及降采样处理。在此基础上,构建具有良好自适应性和泛化能力的残差网络模型对施加于该触觉传感器表面的4种接触状态进行分类识别,平均识别准确率为97.50%。实验结果表明:设计的多孔石墨烯柔性触觉传感器柔弹性好、灵敏度高、响应速度快,能够有效感知不同状态的接触力,残差网络模型可以高效地用于触觉传感器接触状态的分类识别。

摘要：针对SENet的通道注意力机制特征提取单一和分割的幼苗数据集图片存在部分缺失的难点问题,设计了一种基于双通道注意力机制的残差网络。该网络融合通道注意力机制和空间注意力机制模块,可同时获得通道和空间维度特征权重,提升网络的特征学习能力。提出了一种随机擦除方法,来解决分割样本数据中目标部分缺失的难点问题。在自制的穴盘幼苗Plant_seed数据集上的实验结果表明,在ResNet34残差模块和conv*_x模块之间均引入注意力机制模块的改进网络ResNet34+CBAM_basic_conv的准确率最优,达到93.8%,同时对数据集部分图片进行随机擦除后,模型分类的错误率下降,验证了所提方法的优异性能。

摘要：针对当前基于深度学习图像超分辨率重建方法模型规模大、重建效率低等问题,提出了一种能够获得性能和网络规模优越平衡的图像超分辨率重建网络。首先,利用局部更宽残差块结构,设计了两级残差特征提取模块;然后,以该模块为基础,使用特征图循环传递的方式来构造深层特征提取网络,这可以使得多个网络层共享参数,提高了网络的效率;最后,改进了以往惯常使用的上采样方法,为了弥补分辨率扩张带来高频信息的损失,采用多尺度联合学习的机制构建上采样模块。实验结果表明,与相同类型网络相比,本文方法在维持网络规模较低时,获得了优秀的性能指标和视觉效果。

摘要：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,而表情识别过程中特征提取尤为重要。因此,提出了一种注意力拆分卷积残差网络来增强特征表现。该网络以ResNet18为骨干网络,用Coordinate Attention Split Convolution Block(CASCBlock)替换ResNet18中的basic block。CASCBlock首先使用两个拆分卷积将特征在通道维度先拆分后融合降低冗余特征表现;然后在第2个拆分卷积后融入坐标注意力机制;最后构建一个全连接分类器进行表情识别。将所提方法在FER2013和RAF-DB数据集上进行了实验,实验结果表明,所提方法在FER2013和RAF-DB数据集上识别准确率相较于ResNet18分别提高了2.897个百分点和2.575个百分点,且模型的参数量下降了60%左右。

摘要：机器人在大尺度场景下开展同时定位与建图(SLAM)任务时,其闭环检测环节会出现较严重的错匹配或者漏匹配问题,因此,采用残差网络(ResNet)对图像序列进行特征提取,并提出一种新的闭环检测算法。通过预训练的ResNet提取输入图像的全局特征,并对该帧图像及之前具有一定长度的图像序列的特征按照下采样的方式进行拼接,将结果作为当前帧图像的特征,保证图像特征的丰富性与准确性。同时,设计一种双层查询的方法以获得最相似的图像帧,并对最相似图像进行一致性检验,确保闭环的准确性。在闭环检测主流公开数据集New College和City Centre上,所提算法在100%准确率下的召回率为83%,在99%准确率下的召回率为85%。与传统的词袋方法和VGG16方法相比,所提算法具有显著的提升。