【摘 要】
：
随着卷积神经网络的发展，视频超分辨率算法取得了显著的成功。因为帧与帧之间的依赖关系比较复杂，所以传统方法缺乏对复杂的依赖关系进行建模的能力，难以对视频超分辨率重建的过程进行精确的运动估计和补偿。因此提出一个基于光流残差的重建网络，在低分辨率空间使用密集残差网络得到相邻视频帧的互补信息，再通过金字塔的结构来预测高分辨率视频帧的光流，然后通过亚像素卷积层将低分辨率的视频帧变成高分辨率视频帧，并将高分辨
论文部分内容阅读
随着卷积神经网络的发展，视频超分辨率算法取得了显著的成功。因为帧与帧之间的依赖关系比较复杂，所以传统方法缺乏对复杂的依赖关系进行建模的能力，难以对视频超分辨率重建的过程进行精确的运动估计和补偿。因此提出一个基于光流残差的重建网络，在低分辨率空间使用密集残差网络得到相邻视频帧的互补信息，再通过金字塔的结构来预测高分辨率视频帧的光流，然后通过亚像素卷积层将低分辨率的视频帧变成高分辨率视频帧，并将高分辨率的视频帧与预测的高分辨率光流进行运动补偿，最后将其输入到超分辨率融合网络来得到更好的效果，并提出新的损
其他文献
植物表皮蜡质是一类有机化合物的统称，在植物非生物胁迫响应中发挥重要作用。目前，植物表皮蜡质的研究主要关注于蜡质含量对植物抗逆性的影响，但随着研究的推进，发现蜡质结构和组分才是决定植物抗逆性的关键因素。因此，本研究主要针对植物表皮蜡质的结构、组分、功能，蜡质合成及转运，蜡质结构和组分与抗旱响应的关系进行综述，并对表皮蜡质的研究前景进行了展望，有利于为今后研究植物的抗旱性提供理论依据。
随着三维采集技术的快速发展，点云数据逐渐成为表示三维模型的基本数据格式之一，它可以保留模型的更多三维空间几何信息。但在三维点云模型分割研究中，大多深度学习网络架构依赖于高质量标注的数据，导致训练成本高昂。因此，针对利用带少量标注点的训练样本实现三维模型簇协同分割的问题，提出一种基于弱监督学习的三维点云模型簇协同一致分割方法。首先，通过k近邻算法建立点之间的局部邻域图；然后，利用局部卷积方法提取点云
为了解决胶囊网络不能对复杂的小样本图像进行有效分类的问题，提出一种将Darknet进行改进融入胶囊网络的分类模型。首先将Darknet改进为同时包含浅层与深层特征提取器的模型，浅层特征提取器采用5×5的卷积核以捕捉长距离的边缘轮廓特征，深层特征提取器采用3×3的卷积核以捕捉更深层的语义特征，再将图像的浅层边缘特征与深层语义特征进行融合，以保留图像的有效特征；接着利用胶囊网络对图像有效特征进行向量化
YOLOv3检测算法中的边界框回归损失函数对边界框尺度敏感，且与算法检测效果的评价标准交并比(Intersection over Union， IoU)之间的优化不具有强相关性，无法准确的反映真值框与预测框之间的重叠情况。针对上述问题，提出改进交并比边界框回归BR-IoU(Bounding Box Regression IoU)损失算法，该算法将IoU作为边界框回归损失函数的损失项，通过添加惩罚项
针对幻方置乱算法变尺度置乱能力不足、置乱效果较差以及安全性不高等问题，基于四方定理与幻方置乱方法，提出四分块幻方置乱算法FMSS。首先根据四方定理的分块规则，将明文图像分为四个方形图像块。然后，生成置乱所需的幻方矩阵。此后对每个图像块进行置乱，结合拼接、转置、形状变化等操作，使得所有像素充分扩散并恢复为明文图像的尺寸大小。最后通过多次置乱方式获得密文图像。实验结果表明，FMSS可对矩形图像进行置乱
针对传统疲劳驾驶检测方法识别准确率低、泛化能力差的问题，提出了一种基于CNNs和LSTM的端到端可训练网络，检测驾驶员的疲劳状态。根据驾驶员面部特征点提取ROI，将在其他计算机视觉任务上表现较好的深度网络迁移到疲劳检测任务中，并结合LSTM处理时序数据的能力，提出一种新的疲劳检测网络，该网络能够读入视频流中的时序数据并检测出驾驶员的疲劳状态。实验证明所提方法和模型在公开数据集中具有较高的识别准确率
为了实现对林业害虫的实时精确监测，提出一种名为YOLOv4-TIA的深度学习模型来进行林业昆虫图像检测。首先，对数目较少的昆虫类别进行精准数据增强，实现样本数量均衡分布；其次，使用三分支注意力（Triplet Attention）对CSPDarknet53骨干网络进行改进，使用残差变换建立维度间的依存关系，改善由标准CSPDarknet53生成的特征表示，并在PANet（Path Aggregat
为了解决目标跟踪过程中目标遇到遮挡物容易跟丢的问题，提出了基于颜色块重检的自适应抗遮挡目标跟踪算法。该算法首先通过计算获取初始帧目标的颜色块，当发生遮挡时基于该颜色块信息对丢失帧进行颜色分割、形态学处理得到候选颜色块，并对候选颜色块进行匹配和定位，最终定位到实际目标。相比于LCT+的支持向量机检测器，基于颜色块的自适应目标重检测实现了对全局图像的目标重检测，有效避免了目标丢失的情况。在OTB50和
土壤团聚体在外部和内部因素影响下发生团聚和破碎过程，形成不同大小分布的团聚体。团聚体大小分布的变化会改变土壤孔隙结构，影响各种土壤物理、化学和生物学过程，进而影响土壤有机碳（SOC）的周转。选择三种长期施用不同量有机肥的红壤（不施肥，CK；施低量有机肥，LM；施高量有机肥，HM），过不同大小孔径筛（5 mm，S_(5)；2 mm，S_(2)；0.5 mm，S_(0.5)）改变团聚体的大小分布，然后
为准确检测水下生物，本文采用优化的MSRCR算法对水下图像进行增强，并基于DenseNet思想提出一种改进的YOLOv3目标检测算法Den-YOLOv3。针对水下生物图像中存在的图像模糊、色偏严重的问题，将ACE算法作用于MSRCR算法增强后的图像，以优化图像颜色及亮度。同时将YOLOv3特征提取网络中的残差模块替换成密集块，得到Den-YOLOv3模型，该模型有效加强了特征传播，提高了检测精度。