【摘 要】
：
深度学习近年来在计算机视觉领域上发展迅速且成果卓越，其中的图像超分辨率重建方面也取得了显著成效。尽管现有的图像超分辨率重建方法充分利用了强大的深度学习模型，但是都忽略了人类视觉系统中普遍存在的反馈机制。因此提出一种基于反馈机制的图像超分辨率算法，通过具有约束条件的递归神经网络，使用包含的隐藏状态来实现反馈机制，其中的反馈模块旨在处理网络之间的反馈连接并生成更有说服力的高级表示形式，提供更多的上下文
论文部分内容阅读
深度学习近年来在计算机视觉领域上发展迅速且成果卓越，其中的图像超分辨率重建方面也取得了显著成效。尽管现有的图像超分辨率重建方法充分利用了强大的深度学习模型，但是都忽略了人类视觉系统中普遍存在的反馈机制。因此提出一种基于反馈机制的图像超分辨率算法，通过具有约束条件的递归神经网络，使用包含的隐藏状态来实现反馈机制，其中的反馈模块旨在处理网络之间的反馈连接并生成更有说服力的高级表示形式，提供更多的上下文信息有助于低分辨率图像去更好地重建高分辨率图像。反馈网络的设计具有较强的早期图像重建能力，可以逐步生成最
其他文献
现有图像修复方案普遍存在着结构错乱和细节纹理模糊的问题， 这主要是因为在图像破损区域的重建过程中， 修复网络难以充分利用非破损区域内的信息来准确地推断破损区域内容. 为此， 本文提出了一种由多级注意力传播驱动的图像修复网络. 该网络通过将全分辨率图像中提取的高级特征压缩为多尺度紧凑特征， 进而依据尺度大小顺序驱动紧凑特征进行多级注意力特征传播， 以期达到包括结构和细节在内的高级特征在网络中充分传播
将图片切分成单“字”识别再连接成“串”是脱机手写图像识别的一种方法，但由于手写字符间易存在粘连，切分方法不易实现。CRNN特征提取网络虽解决了整张文本图片输入，标签却不易对齐的问题，但由于不同人脱机手写风格的严重差异，网络提取出的特征表示力不够。针对此提出了加强型卷积块注意力模块和复合卷积，并将其加入处理脱机文本识别的CRNN+CTC主流框架中。加强型卷积块注意力模块增大输入特征图的贡献权重且并联
在目标跟踪算法中，特征模型对图像特征的快速学习能力和对跟踪过程中目标特征变化的自适应能力一直是目标跟踪算法的主要研究方向之一。特别是对于基于图像块学习的判别式目标跟踪器而言，这两点已然成为影响跟踪器效率和鲁棒性的决定性因素。然而，现有的大多数同类算法在这两个能力上的性能并不能达到令人满意的效果。为了解决这一问题，本文提出了一种高效且鲁棒的特征模型。该特征模型首先利用基于极限学习机的自编码器(Ext
眼底视网膜血管分析和渗出物、出血点等主要病灶区检测是判断糖尿病性视网膜病变程度的重要方法。针对细微血管的分叉以及端点处分割效果不好、渗出物边界不明显以及出血点细小且分布零散不易分割等问题，提出一种改进U型网络，通过改进上下文提取编码模块，提取更丰富的高级别特征；并在特征编码阶段加入混合注意力机制(HAM)，突出细微血管以及病灶区特征，减小背景类和噪声影响。实验结果表明提出的算法在眼底视网膜血管分割
行人重识别的困难在于行人之间的结构信息差异较小，特征难以区分，在整体结构相似的行人之间进行区分，最关键之处在于发现图像中最具判别性的特征。因此为了挖掘图像全局特征信息，自适应地调节局部特征之间的关系，并达到增强局部关键特征语义信息并区别于非关键特征的目的，本文结合使用全局关系注意力方法与局部特征关联方法，提出一种改良的特征关联网络模型。本文提出的算法在CUHK03、Market1501、DukeM
单视图物体三维重建是一个长期存在的具有挑战性的问题. 为了解决具有复杂拓扑结构的物体以及一些高保真度的表面细节信息仍然难以准确进行恢复的问题， 本文提出了一种基于深度强化学习的算法深度确定性策略梯度(Deep Deterministic Policy Gradient， DDPG)对三维重建中模糊概率点进行再推理， 实现了具有高保真和丰富细节的单视图三维重建. 本文的方法是端到端的， 包括以下四个
传统的行人重识别方法依赖人工构造视觉特征，容易受到其他外界因素的影响，识别精度低。深度学习模型能自主的提取特征，但随着网络层数的加深会出现梯度消失情况，残差网络能缓解梯度消失问题，但提取出的特征信息未被合理使用。行人部分图像被遮挡是影响行人重识别准确性的另一个重要因素。针对上述问题本文提出了融合随机擦除和残差注意力网络的行人重识别算法。该算法：①在残差网络的基础上，引入注意力机制模块，通过强化有用
以西南喀斯特典型石漠化生态系统土壤为研究对象，采用空间替代时间的方法，研究石漠化演替过程中土壤表面电化学特征演变规律及其与土壤理化性质的相关性。采用物质表面联合分析法对不同石漠化等级土壤表面电化学属性进行测定。结果表明，土壤表面电荷密度、表面电场强度、比表面、表面电荷数量随石漠化强度的增加而下降，其变化范围分别为0.34 C·m~(-2)～0.42 C·m~(-2)、4.85×10~(8) V·m
识别蛋白质二级结构对于蛋白质的特征和性质研究具有很重要的作用。文章首先用C_(α)原子三维空间坐标把蛋白质序列映射为距离矩阵，然后针对距离矩阵中隐含的纹理信息，用双树复小波变换对矩阵进行4级分解，提取不同方向的子带能量和标准偏差，得到48维特征向量来表示蛋白质的二级结构特征，再将提取的特征输入KNN和SVM分类器分类，最后，通过实验验证，双树复小波特征能改善传统特征提取方法的纹理粒度和方向局限问题
传统的RGB-D视觉SLAM算法是基于静态场景下实现的，然而在动态场景中，动态特征导致数据的错误关联，将使SLAM算法性能的退化甚至跟丢。对此，本文基于深度学习的目标检测算法和深度图Ｋ-Means聚类算法，提出了一种新的动态场景下的RGB-D SLAM方法。该方法在对动态场景中不同特征种类进行识别分割，不仅准确地剔除了动态特征，而且较好地保留了静态特征从而避免特征点过少而导致的SLAM系统跟踪失效