上海工程技术大学电子电气工程学院，上海 201620
卷积神经网络已在图像超分辨率领域得到广泛应用，Transformer近年来在该类图像处理任务中的扩展更是具有里程碑的意义，然而这些大型网络具有过多的参数量和计算量，其在部署和应用上存在很大局限性。考虑到上述发展现状，提出一种基于交错组卷积与稀疏全局注意力的轻量级图像超分辨率重建网络，该网络引入了以交错组卷积为主的特征提取模块，对Transformer的多头自注意力机制进行优化，设计了一种稀疏全局注意力机制以增强特征学习能力，并提出了一种多尺度特征重构模块来提高重建效果。实验结果表明：相比其他几种基于深度神经网络的方法，所提方法的PSNR、SSIM、参数量、计算量等性能指标都表现较好。而与基于Transfomer的方法相比，所提方法在PSNR、SSIM指标上平均提高0.03、0.0002，在参数量、计算量、运行时间上平均降低2.66×106、130×109、930 ms。
图像超分辨率 交错组卷积 注意力机制 轻量化网络 Transformer 多尺度特征重建 激光与光电子学进展
2024, 61(4): 0411003
1 兰州交通大学 测绘与地理信息学院，甘肃兰州730070
2 兰州交通大学 自动化与电气工程学院，甘肃兰州730070
针对现有算法忽略点云数据全局单点特征和局部几何特征的深层关系，导致捕获的局部几何信息缺乏鉴别性且难以有效识别复杂形状的问题，提出基于自注意力特征融合组卷积神经网络的三维点云语义分割算法。首先，设计轻量化网络框架的代理点图卷积提取点云局部几何特征，并加入组卷积操作减少计算量和复杂度，以较少的冗余信息增强特征的丰富性；其次，通过Transformer模块进行不同分支间特征信息的交流，使全局特征和局部几何特征相互补偿，增强特征的完备性；然后，将点云底层语义特征与原始点云融合以扩大局部邻域感受野，获得高级上下文语义信息；最后，将特征输入到分割模块完成细粒度语义分割。实验结果表明，该算法在S3DIS数据集和SemanticKITTI数据集上的分割精度分别达到79.3%和56.6%，能够提取三维点云的关键特征信息，网络参数量较少且具有较高的语义分割鲁棒性。
三维点云 语义分割 图卷积 组卷积 three-dimensional point cloud semantic segmentation graph convolution group convolution
长安大学电子与控制工程学院, 陕西 西安 710064
由于混凝土路面光照强度不均匀、背景复杂、噪声干扰大,传统的裂缝检测算法难以准确提取其裂缝特征。为了在提高裂缝检测准确性的同时减少计算冗余,提出了一种将低秩核和组卷积结合的交错低秩组卷积混合深度网络的路面裂缝检测算法。首先利用重叠滑动窗口裁剪方法建立裂缝图像数据集,在训练集上生成一个具有较好鲁棒性的分类器,对裂缝及非裂缝图像进行分类,然后采用自适应阈值法得到边缘轮廓清晰的裂缝二值化图像,最后采用中轴线法求取裂缝最大宽度。在测试集上验证模型的性能,实验结果表明测试精度为0.9726,效果优于经典的裂缝检测算法,而且相对于卷积神经网络及其变体大幅减少了模型参数,处理图像的速度达到了每秒14张,并且在三个公开数据集上都达到了较好的检测效果。在2.5 mm以上的裂缝宽度上,计算相对误差小于0.02,较好地达到了工程实际要求。
图像处理 裂缝检测 低秩组卷积 全局平均池化 自适应阈值 裂缝最大宽度 激光与光电子学进展
2020, 57(14): 141031
哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
针对模型VDSR(very deep super resolution)中存在的忽略特征通道间的相互联系,不能充分利用各层特征,以及参数量过大,计算复杂度过高等问题,本文提出了一种基于残差通道注意力和多级特征融合的图像超分辨率重建网络结构,通过引入残差通道注意力,自适应校正信道的特征响应,提高了网络的表征能力。网络整体使用递归结构,在每个递归块内实现参数共享,减少了参数数量;多级特征融合的方式可以充分提取图像特征;用分组卷积代替传统卷积,进一步减少了参数数量,并降低了计算复杂度。所提算法在保证图像重建质量的同时,减少了模型的参数量并降低了计算复杂度,在图片放大4倍时,参数量和计算复杂度分别约为VDSR的0.33和0.02。
机器视觉 超分辨率 深度学习 递归结构 分组卷积 残差通道注意力 多级特征融合 激光与光电子学进展
2020, 57(4): 041504
