昆明理工大学 信息与自动化学院， 云南 昆明 650504
针对现有单图像超分辨率方法在重建过程中容易忽略原图像中不同结构-纹理的差异与联系，导致生成的高分辨率图像缺乏纹理细节并存在伪影的问题，提出了纹理细节恢复的图像超分辨率重建算法。该方法由梯度分支、纹理分支和图像超分辨率分支组成。其中，在梯度分支和纹理分支之间使用了类注意力模块处理二者的特征混淆问题，并通过双向特征融合模块实现了对结构特征与纹理特征的相互促进，作为先验信息以达到纹理细节信息增强的目的。此外，在图像超分辨率分支还通过构建特征恢复模块，利用浅层和深层信息帮助网络保留了图像中更丰富的上下文信息和纹理细节。该方法通过在DIV2K数据集上进行了网络训练，并在5个基准测试集Set5、Set14、BSD100、Urban100和MANGA109上进行了实验，峰值信噪比（PSNR, Peak Signal to Noise Ratio）分别:37.88dB、33.28dB、32.0781dB、31.89dB、38.39dB，相比现有方法均有显著提升。实验结果表明，本文方法获得了有效的重建图像并且保留更多的图像细节，生成具有边缘清晰和逼真细节的超分辨率图像。
超分辨率重建 结构-纹理 先验信息 上下文信息 super-resolution reconstruction structure-texture prior information context information
光学 精密工程
2023, 31(12): 1859
相较于大中等目标, 像素点小于32×32的小目标由于存在特征信息少、像素低等问题, 检测精度较差, 导致水下机器人、无人机等设施对小目标物体的分类与定位精度低。为了提高相关设施对小目标的检测精度, 分析了通用的深度学习目标检测算法现状, 阐述了阻碍小目标检测技术发展的问题, 对提升小目标检测精度的数据增强、特征融合、分辨率提升、上下文信息等多种类型算法进行了重点分析, 最后归纳总结了各算法在MS COCO数据集上的AP与APs性能, 并对小目标检测的未来发展方向进行了展望。
小目标检测 深度学习 特征融合 数据增强 上下文信息 small target detection deep learning feature fusion data augmentation context information
1 西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
2 人工智能与数字经济广东省实验室(广州), 广东 广州 510000
人群密度估计在智能安全防范领域具有重要的应用价值。针对人群密度估计在二维图像中视角变化呈现较大差异、特征空间信息丢失、尺度特征和人群特征提取困难等问题,提出了一种多特征信息融合的人群密度估计方法。该方法通过注意力机制引导的空间注意力透视(Perspective of spatial attention,PSA)方法,对图像多视角信息进行了有效信息编码,获取了特征图的空间全局上下文信息,弱化了视角变化带来的影响;而后通过多尺度信息聚合(Multi-Scale Information Aggregation,MSIA)方法,利用多尺度非对称卷积与不同膨胀率的空洞卷积进行了有效融合,获取了较为全面的图像尺度及特征信息。最终通过细致语义特征嵌入融合的方式,补充了高层特征图的空间信息及低层特征图的语义信息,并使上下文信息与尺度信息相互补充,提高了模型的准确度与鲁棒性。采用ShanghaiTech、Mall、Worldexpo’10数据集进行了实验验证,实验结果表明,所提方法的性能较其他对比方法有一定的提升。
图像处理 卷积神经网络 人群密度 全局上下文信息 语义嵌入 激光与光电子学进展
2021, 58(20): 2010021
华东理工大学 信息科学与工程学院，上海 200237
深度估计是传统的计算机视觉任务，在理解三维场景中起着至关重要的作用。基于单目图像的深度估计任务的困难在于如何提取图像特征中大范围依赖的上下文信息，提出了自适应的上下文聚合网络（adaptive context aggregation network，ACANet）用于解决该问题。该方法基于有监督的自注意力模型(supervised self-attention，SSA)，能够自适应地学习任意像素之间的具有任务特性的相似性以模拟连续的上下文信息，并通过模型学习的注意力权重分布用来聚合提取的图像特征。将单目深度估计任务设计为像素级的多分类问题，经过设计的注意力损失函数减少RGB图像和深度图的语义不一致性，通过生成的像素级注意力权重对由位置索引的特征进行全局池化。最后提出一种软性有序推理算法（soft ordinal inference，SOI），充分利用网络的预测置信度，将离散的深度标签转化为平滑连续的深度图，并且提高了准确率（rmse下降了3%）。在公开的单目深度估计基准数据集NYU Depth V2上的实验结果表明：rmse指标为0.490，阈值指标为82.8%，取得了较好的结果，证明了本文提出的算法的优越性。
深度估计 注意力模型 上下文信息 软推理 depth estimation attention model context information soft inference
天津大学电气自动化与信息工程学院, 天津 300072
随着深度学习和卷积神经网络的应用,图像语义分割的性能得到了大幅度提升。但当前图像语义分割算法在语义信息利用率及语义类别区分度方面仍有欠缺。为了进一步提升语义分割算法的性能,提出多层级的上下文信息机制,使用多层级特征对长距离的依赖关系信息和局部性较强的上下文信息进行提取,增强卷积神经网络特征的信息丰富度与类别区分度。所提多层级上下文信息机制在典型街道场景数据集Cityscapes验证集上的分割精度达77.2%,实验证明了所提方法的有效性。
图像处理 语义分割 卷积神经网络 上下文信息 多层级特征 激光与光电子学进展
2019, 56(24): 241005
西南科技大学计算机科学与技术学院, 四川绵阳 621010
针对现有的基于卷积神经网络的车辆目标检测算法不能有效地适应目标尺度变化、自身形变以及复杂背景等问题, 提出了一种融合多尺度上下文卷积特征的车辆目标检测算法。首先采用特征金字塔网络获取多个尺度下的特征图, 并在每个尺度的特征图中通过区域建议网络定位出候选目标区域, 然后引入候选目标区域的上下文信息, 与提取的目标多尺度特征进行融合, 最后通过多任务学习联合预测出车辆目标位置和类型。实验结果表明, 与多种主流检测算法相比, 本算法具有更强的鲁棒性和准确性。
卷积神经网络 多尺度特征 上下文信息 车辆检测 convolutional neural network multi-scale feature context information vehicle detection
1 西安电子科技大学 综合业务网理论与关键技术国家重点实验室, 陕西 西安 710071
2 中国科学院上海微系统与信息技术研究所 中科院太赫兹固态技术重点实验室, 上海 200050
主动式毫米波成像(AMWI)技术是检测隐藏在衣服下的危险物体的有效方法.但AMWI获取的图像通常很模糊, 而且一些隐匿物体的尺寸较小, 因此隐匿物品的自动检测和定位仍然是一个具有挑战性的问题.姚家雄等
主动式毫米波图像 隐匿物品检测 卷积神经网络 上下文信息 active millimeter-wave image concealed object detection CNN contextual information
华中科技大学,图像识别与人工智能研究所,图像信息处理与智能控制教育部重点实验室,湖北,武汉,430074
提出了一种基于上下文的机场目标识别方法,将机场各组成部分间存在的依赖关系应用于识别技术中,以提高识别效率.根据机场目标具有明显的方向性这一特点,使用Gabor滤波器对输入图像进行滤波,将图像信息按不同尺度和方向分解至多个通道,获取相应的特征图,并利用Radon变换从特征图中提取线特征.通过分析组成机场目标的各线特征之间的相互关系,利用上下文信息,制定一系列判决准则,实现对机场目标的有效识别.
机场识别 上下文信息 Gabor滤波器 结构特征 Airport recognition Contextual information Gabor filters Structural features
