【摘 要】
：
针对现有神经网络图像修复方法在移动终端设备上部署存在效果差、响应时间长、高能耗的问题，提出了一种面向边-端协同的并行解码器图像修复方法及计算卸载策略。首先，结合移动边缘计算(MEC)技术边-端协同的特性，提出一种面向边-端协同的并行解码器门控卷积图像修复网络ETG-Net(Edge- Terminal Gated Convolution Network)。其次，通过边-端共享权值的方式，提升图像修
论文部分内容阅读
针对现有神经网络图像修复方法在移动终端设备上部署存在效果差、响应时间长、高能耗的问题，提出了一种面向边-端协同的并行解码器图像修复方法及计算卸载策略。首先，结合移动边缘计算(MEC)技术边-端协同的特性，提出一种面向边-端协同的并行解码器门控卷积图像修复网络ETG-Net(Edge- Terminal Gated Convolution Network)。其次，通过边-端共享权值的方式，提升图像修复及训练效率并保留移动终端的独立工作能力；最后，基于计算卸载决策，将图像修复部分计算任务有选择地卸载至边
其他文献
复杂场景下小目标检测是目标检测领域的研究难点和热点。传统的two-stage和one-stage检测模型都是通过预先设定锚点框与真实目标框的交并比（Intersection over Union， IoU）阈值来划分正负样本集，同时这组预定义的固定锚点框还用于获取候选框，进而得到检测结果。然而，在复杂场景下，预先设定的IoU阈值会带来正负样本不均衡问题；针对小尺寸目标（船舶）检测，预定义的锚点框也
针对Retinex算法应用于水下图像增强中，常出现颜色失真与图像细节增强相矛盾的现象，本文提出了结合细节信息的自适应多尺度Retinex水下图像增强算法。首先分析包含不同细节信息的水下图像对Retinex算法增强中卷积函数尺度大小的选择要求；采用图像梯度作为调节因子，自适应调整多尺度Retinex算子的权重，用于适应包含不同细节信息的水下图像对对比度增强的要求，有效地缓和了水下图像增强在颜色失真和
为了深度卷积神经网络能够更好地应用于边缘设备，减少深度神经网络的模型参数量，降低网络复杂度，对于轻量化卷积神经网络的研究日益增多。文章将常用于多尺度融合的卷积——空洞卷积首次应用于神经网络轻量化领域研究。利用空洞卷积采样与扩大感受野的结构特性，实现了模型参数量的减少与计算复杂度的降低。首先将空洞卷积单纯作用于残差网络结构，达到轻量化目的，并进一步与逐点卷积结合，提高轻量化效果，形成改进型空洞卷积轻
显著目标检测是计算机视觉的研究热点。我们注意到显著目标检测算法存在一些问题，如：算法常采用单一损失函数，缺乏对多维特征损失的考虑，可能带来局限性；最高层特征图来源单一；特征图融合常使用对应像素相加，不能有效突出图像中感兴趣区域。针对上述问题，本文结合结构性相似、交并比和交叉熵三种损失函数来捕捉图像细节，采用对应像素相乘操作融合特征图，令模型对显著区域更加敏感；通过残差特征图增强模块逆向构建更高层特
面向图片与视频攻击下的人脸活体检测任务，提出了一种差分量化相邻局部二值模式(DQ＿CoALBP)算子，综合不同方向上的图像局部中心点与周围点之间的差值，同时为了更加充分地描述人脸的彩色纹理信息，在颜色空间通道上将该算子与局部相位量化(LPQ)直方图特征相融合，并利用支持向量机(SVM)分类器实现人脸反欺诈判别。在公开CASIA-FASD与Replay-Attack数据集上的实验结果表明，DQ＿Co
针对多模态行人重识别中存在较大的类内差异和模态差异的问题，提出了一种使用双端共享网络的多模态行人重识别方法。首先通过裁剪和填充对不同模态的图片进行数据处理；然后将Resnet50的后四个卷积层中嵌入非局部注意力块，使用改进的Resnet50作为骨干网络分别对不同模态的图片进行特征提取，再将不同的特征输入共享网络；最后使用基于类内距离和模态差异的聚类损失对模型进行训练。实验结果表明，使用非局部注意力
视觉注意力模型被应用于自动定位细粒度图片的局部区域以捕捉图片中有辨识度的特征并进行图片的分类的任务，但是模型每次的输入图片尺寸是固定的而辨识度的特征区域大小是不确定的，因此模型不能够准确捕捉图片的全部特征造成分类准确率的下降。本文提出一种可变尺寸循环注意力模型，与之前的固定输入图片尺寸的循环注意力网络相比，模型通过优化注意力策略和尺寸生成策略，能够自主地学习下次输入图片的位置和尺寸，减少总输入图片
随着深度学习相关技术在计算机视觉、自然语言处理等领域的快速发展和广泛应用，深度学习模型逐渐成为了高价值攻击目标，其固有的易受噪声干扰的安全隐患也逐步暴露出来，如基于生成对抗网络（GAN）或机器学习的方式，通过添加少量特定的噪声来生成对抗样本，导致现有的深度学习模型失效。目前的对抗攻击技术一般针对特定深度学习模型，使用海量算力搜索特定扰动噪声，无论是GAN还是传统机器学习方式，其计算效率和对抗攻击成
古印章文本因图像退化与超多分类等特点导致识别难度大，部分字符的标注数据不足造成基于深度学习的模型识别准确率不高，泛化能力差。针对上述问题，提出基于深度残差网络（ResNet）和迁移学习的古印章文本识别方法。使用深度残差网络作为特征提取网络，利用人工合成字符样本作为源域进行预训练。将自建古印章文本识别数据集作为目标域，引入迁移学习并结合数据增强和标签平滑策略建立分类模型。最后，对比多种网络下的识别结
针对多源点云配准存在噪声、部分重叠、不同模型的配准参数难确定等问题，提出一种基于贡献因子的改进TrICP算法。首先， 使用改进体素降采样以及随机采样对点云进行降采样。然后利用改进算法的贡献因子来保留对配准贡献度更大的点对，使用奇异值分解法（SVD）对变换矩阵求解，同时计算距离曲线上的点经过原点的斜率来自动计算重叠度，实现点云的全自动配准。使用斯坦福大学的Bunny点云以及”茂县624”滑坡现场点云