目的通道注意力机制在图像超分辨率中已经得到了广泛应用,但是当前多数算法只能在通道层面选择感兴趣的特征图而忽略了空间层面的信息,使得特征图中局部空间层面上的信息不能合理利用。针对此问题,提出了区域级通道注意力下的图像超分...目的通道注意力机制在图像超分辨率中已经得到了广泛应用,但是当前多数算法只能在通道层面选择感兴趣的特征图而忽略了空间层面的信息,使得特征图中局部空间层面上的信息不能合理利用。针对此问题,提出了区域级通道注意力下的图像超分辨率算法。方法设计了非局部残差密集网络作为网络的主体结构,包括非局部模块和残差密集注意力模块。非局部模块提取非局部相似信息并传到后续网络中,残差密集注意力模块在残差密集块结构的基础上添加了区域级通道注意力机制,可以给不同空间区域上的通道分配不同的注意力,使空间上的信息也能得到充分利用。同时针对当前普遍使用的L1和L2损失函数容易造成生成结果平滑的问题,提出了高频关注损失,该损失函数提高了图像高频细节位置上损失的权重,从而在后期微调过程中使网络更好地关注到图像的高频细节部分。结果在4个标准测试集Set5、Set14、BSD100(Berkeley segmentation dataset)和Urban100上进行4倍放大实验,相比较于插值方法和SRCNN(image super-resolution using deep convolutional networks)算法,本文方法的PSNR(peak signal to noise ratio)均值分别提升约3.15 d B和1.58 d B。结论区域级通道注意力下的图像超分辨率算法通过使用区域级通道注意力机制自适应调整网络对不同空间区域上通道的关注程度,同时结合高频关注损失加强对图像高频细节部分的关注程度,使生成的高分辨率图像具有更好的视觉效果。展开更多
为了解决车辆行驶中面对各种复杂环境车道线检测算法精度不高的问题,提出一种基于改进的UFS网络检测算法(Ultra Fast Structure-aware Deep Lane Detection,UFS).首先,采用改进的Gamma校正对待检路面图像进行校正,降低光照、阴影等的影...为了解决车辆行驶中面对各种复杂环境车道线检测算法精度不高的问题,提出一种基于改进的UFS网络检测算法(Ultra Fast Structure-aware Deep Lane Detection,UFS).首先,采用改进的Gamma校正对待检路面图像进行校正,降低光照、阴影等的影响,以提升夜间图像纹理特征。然后引入非局部神经网络模块(Non-Local Block),充分提取图像全局特征,以提高检测可靠性。最后对改进后的算法使用Tusimple、CULane数据集进行测试。结果表明:改进后的模型在物体遮挡、光照变化、阴影干扰等复杂场景下,提升了对复杂噪声与多元场景的处理能力,车道分割的准确率有所改善,具有较好的鲁棒性。展开更多
文摘目的通道注意力机制在图像超分辨率中已经得到了广泛应用,但是当前多数算法只能在通道层面选择感兴趣的特征图而忽略了空间层面的信息,使得特征图中局部空间层面上的信息不能合理利用。针对此问题,提出了区域级通道注意力下的图像超分辨率算法。方法设计了非局部残差密集网络作为网络的主体结构,包括非局部模块和残差密集注意力模块。非局部模块提取非局部相似信息并传到后续网络中,残差密集注意力模块在残差密集块结构的基础上添加了区域级通道注意力机制,可以给不同空间区域上的通道分配不同的注意力,使空间上的信息也能得到充分利用。同时针对当前普遍使用的L1和L2损失函数容易造成生成结果平滑的问题,提出了高频关注损失,该损失函数提高了图像高频细节位置上损失的权重,从而在后期微调过程中使网络更好地关注到图像的高频细节部分。结果在4个标准测试集Set5、Set14、BSD100(Berkeley segmentation dataset)和Urban100上进行4倍放大实验,相比较于插值方法和SRCNN(image super-resolution using deep convolutional networks)算法,本文方法的PSNR(peak signal to noise ratio)均值分别提升约3.15 d B和1.58 d B。结论区域级通道注意力下的图像超分辨率算法通过使用区域级通道注意力机制自适应调整网络对不同空间区域上通道的关注程度,同时结合高频关注损失加强对图像高频细节部分的关注程度,使生成的高分辨率图像具有更好的视觉效果。
文摘为了解决车辆行驶中面对各种复杂环境车道线检测算法精度不高的问题,提出一种基于改进的UFS网络检测算法(Ultra Fast Structure-aware Deep Lane Detection,UFS).首先,采用改进的Gamma校正对待检路面图像进行校正,降低光照、阴影等的影响,以提升夜间图像纹理特征。然后引入非局部神经网络模块(Non-Local Block),充分提取图像全局特征,以提高检测可靠性。最后对改进后的算法使用Tusimple、CULane数据集进行测试。结果表明:改进后的模型在物体遮挡、光照变化、阴影干扰等复杂场景下,提升了对复杂噪声与多元场景的处理能力,车道分割的准确率有所改善,具有较好的鲁棒性。
