摘要：在低光照雾霾场景下,图像质量严重下降。现有的深度学习去雾方法缺乏对低光照去雾后图像色偏的有效校正,且大多运行时间长且模型参数量大,在实际应用中不便部署。针对上述问题,以编解码网络结构为基础,提出了一种端到端、轻量化深度神经网络(LDNet)用于低光照雾霾图像去雾。该网络采用多尺度架构来获取不同层级的图像信息,以充分利用图像的深浅层特征;在此基础上,设计了轻量化多级特征融合模块和轻量化通道注意力模块提取各层级的特征信息,以解决常规模型在低模型参数量和低计算复杂度情况下特征提取能力差的问题;最后,联合均方误差内容损失和CIEDE2000色偏损失共同优化网络,进一步提高了轻量化网络的学习能力。试验结果表明,与现有的去雾网络相比,LDNet能有效恢复低光照雾霾场景下的有雾图像质量,且具有资源占用少、参数量小和运算量低的优点。

摘要：为提高芯片表面字符识别的实时性和准确率,提出一种基于EAST与SVTR的字符识别算法。针对EAST文本检测算法,将主干特征提取网络替换为轻量化的深度神经网络FasterNet-T0,减少网络的计算量;添加通道注意力机制自适应学习不同通道的权重分配,加强对重要特征的筛选。改进获得文本区域得分的损失函数,采用Dice损失缓解因图像背景面积过大导致误检的问题。文本方向校正算法对图像中任意方向的文本进行水平校正。由单一视觉模型的文本识别算法SVTR完成对字符的识别。实验结果表明,改进后文本检测算法的精确率、召回率较原算法分别提升了2.43%和4.66%,单帧图片的检测速度提升了0.005 s;添加文本方向校正算法后,识别准确率提升了1.92%。与现有方法对比,验证了该算法的有效性。