lSSN 1003-6059
CN 34-1089/TP
CODEN MRZHET
CN 34-1089/TP
CODEN MRZHET
PDF全文 (
)
HTML
(
)
可视化
收藏
针对深度学习在水下图像增强任务中缺乏物理可解释性及特征表达存在空间冗余等问题,提出物理模型约束下基于八度卷积（Octave Convolution）的水下图像增强网络.首先,设计八度特征提取模块,通过八度卷积将输入图像显式分解为高频支路、低频支路,通过下采样扩大低频支路感受野在捕获全局退化特征的同时,有效降低计算冗余.然后,构建多尺度背景光模块,从网络瓶颈层提取深层低频特征,并通过三条支路分别提取局部、邻域和全局背景光信息,融合得到对环境背景光的估计图.最后,引入物理约束双域修复模块,利用八度卷积对网络末端的输出特征图进行特征融合,得到估计后的直射透射图和后向散射透射图,并与多尺度背景光模块估计的背景光在Sea-Thru约束下重建初步增强图像.该网络同时从空间域和频率域对物理模型重建结果进行残差校正,补偿物理模型的拟合偏差.在多个数据集上的实验表明,文中网络在客观评价指标和主观图像质量上均较优,同时具备较强的实时处理能力与工程应用价值.
PDF全文 (
)
HTML
(
)
可视化
收藏
RGB-D显著目标检测旨在从配对的彩色图像与深度图像中识别最具视觉吸引力的目标,关键问题在于实现多模态特征与多尺度特征的有效融合.现有方法在RGB特征与深度特征融合过程中,模态互补信息表达、边缘细节保持及尺度间关联利用仍有进一步提升空间.为此,文中提出多模态注意力感知与相邻尺度建模的Transformer网络（Transformer Network with Multimodal Attention Perception and Adjacent-Scale Modeling, MATNet）.首先,采用双分支金字塔池化Transformer编码器,分别提取RGB模态和深度模态的多层级特征,并在各层引入多模态注意力融合模块,联合通道注意力与空间注意力,增强模态互补信息表达和关键区域语义一致性.然后,构建相邻尺度建模模块,自上而下逐级聚合相邻尺度特征,有效融合高层语义信息与低层边缘纹理信息,提升显著目标的结构完整性与边界表征能力.最后,结合多尺度预测与监督机制,构建端到端检测框架.在5个公开数据集上的实验表明,MATNet在提升检测精度与边缘保持能力方面具有稳定性与有效性.
PDF全文 (
)
HTML
(
)
可视化
收藏
癫痫脑电信号的自动识别对于辅助临床诊断具有重要意义,然而癫痫脑电自动检测中普遍存在高维冗余、预测非平稳及跨域泛化困难等问题.因此,文中提出基于模糊置信度因果力和多流集成神经网络的预测方法.首先,为了解决高维冗余问题,提出基于Rényi熵的模糊置信度因果力特征筛选算法,引入模糊Rényi熵和置信度因果力理论,量化特征与标签类别间的双向因果效应,并利用数据结构约束,挑选具有强因果解释性的关键特征.然后,构建因果力属性网络形式背景和因果力属性网络空间,挖掘属性之间蕴含的拓扑特征,实现无结构数据的网络化建模.最后,设计多流集成神经网络,分别集成深度全连接流网络、宽流网络和窄深流网络,同时捕获数据中的局部细节与全局依赖,并通过拼接层融合多尺度特征表示.在Bonn数据集与CHB-MIT临床长程数据集上的实验表明,文中方法在多任务设置下均取得稳定且优异的检测性能,在区分癫痫发作信号方面具有显著的鲁棒性,由此验证置信度因果力特征选择与多流集成学习结合的有效性.
PDF全文 (
)
HTML
(
)
可视化
收藏
单目标跟踪（Single Object Tracking, SOT）是计算机视觉领域的核心任务之一.然而,在复杂场景中,传统的相关滤波和孪生网络架构已难以满足更高的精度与鲁棒性要求.近年来,Transformer架构凭借其卓越的全局建模能力,在SOT中表现出显著优势.因此,文中系统梳理基于Transformer的SOT研究进展.依据整体结构的设计,将现有算法分为双流双阶段跟踪算法与单流单阶段跟踪算法,并深入归纳分析其中具有代表性的跟踪算法,同时总结轻量化Transformer跟踪方法的研究现状.此外,进一步探讨基于Mamba的跟踪方法和通用模型等前沿热点,它们在模型效率与通用性方面展现出良好潜力.在多个主流数据集上对不同Transformer跟踪算法的性能进行全面评估和对比分析.最后,展望SOT在模型轻量化、多模态融合、长时跟踪、大模型驱动跟踪等方面的研究趋势,期望为单目标跟踪的研究与发展提供参考.
