生成式与判别式视觉目标跟踪算法综述

视觉目标跟踪是对目标位置、速度、运动轨迹等信息检测与预测技术。该技术融合了计算机视觉、图像处理、深度学习等众多领域技术。本文将对目标跟踪算法发展情况以及研究现状进行梳理。首先介绍目前常用的基准数据集;其次指出生成式算法与判别式算法差异;再对传统的生成式算法进行简单的分析总结;随后围绕算法框架分别介绍相关滤波框架、深度学习框架、孪生网络框架、Transformer框架的判别式算法并分析不同算法的优缺点;最后分析目前动态目标跟踪存在的问题并展望。     

基于自编码器的红外与可见光图像融合算法

基于深度学习的红外与可见光图像融合是图像处理领域的研究热点之一,为丰富融合图像的细节信息、突出红外目标,基于自编码器网络提出一种可进行端到端训练的融合算法。首先,将编码器设计成双分支结构,并针对红外与可见光图像的特性设置不同的特征提取方式;其次,为有效地融合红外与可见光的互补信息,设计了一种可学习的融合策略,并使整个框架能够进行端到端的学习;最后,解码器对通过融合策略所获得的特征进行重构,进而得到融合图像。基于TNO数据集进行实验验证,定性和定量的结果表明,算法能够生成红外目标突出、细节信息丰富的融合图像,相较于其他算法,融合性能更加优越。     

机器视觉在油气勘探开发中的应用现状

作为人工智能正在快速发展的技术分支,机器视觉在油气勘探开发中的作用越发显著,已成为"智慧油田"建设不可或缺的组成部分。首先简述了机器视觉技术,然后分析了机器视觉在油气勘探开发领域的应用现状,并重点介绍了基于深度学习的机器视觉技术的应用;最后对机器视觉在油气勘探开发中的应用前景进行了分析。研究表明:相对于人工图像识别,机器识别要更准确、高效;一般原始图像越复杂、解释要求越高,对图像预处理技术、特征提取算法要求越高;仅以形态形式表示信息的图像识别相对简单,原始图像的二值化处理是关键;当大量信息蕴含在图像纹理、色彩中时,智能解释的难度要大得多;基于深度学习的机器视觉技术实现了自动特征识别,未来将在油气勘探开发领域发挥重要作用。     

基于深度学习的目标检测算法研究进展

目标检测是计算机视觉领域的核心任务之一。随着深度学习的迅猛发展,基于深度学习的目标检测技术已经成为该领域的主流算法,被广泛应用于人脸检测、车辆检测、行人检测以及无人驾驶等领域。本文系统总结了当前基于深度学习的目标检测算法的研究进展,对各算法的优、缺点及其在VOC2007和COCO数据集上的检测结果进行了全面分析,并对基于深度学习的目标检测算法的未来发展进行了展望。     

基于深度学习的医学图像配准研究进展

图像配准是图像引导手术、图像融合、器官图谱生成、肿瘤和骨骼生长监测等临床任务应用的关键技术,也是一个极具挑战性的问题。近年来,深度学习技术对医学图像处理方法的研究产生重要的影响,在医学图像配准领域发展迅速。对使用深度学习技术实现医学图像配准的研究进行综述,首先按照深度学习模型将医学图像配准方法分为3类,包括监督、弱监督和无监督医学图像配准;然后分别介绍国内外研究进展,并总结这些研究方法的优缺点;在此基础上,阐述常用的深度学习配准框架以及评价标准,并总结常用的开源医学影像数据集;最后对深度学习技术在医学配准图像领域中存在的问题进行分析,展望未来发展的方向。     

基于改进稀疏编码模型的图像分类算法

针对图像表示,提出了一种基于改进稀疏编码模型的图像分类算法.首先,提取表示图像视觉局部特征的SIFT (Scale Invariant Feature Transform) 描述子;然后,利用稀疏编码方法生成基于SIFT描述子的视觉词汇库,将SIFT描述子编成稀疏向量;通过有效稀疏向量的区域融合和空间结合而获取整体的稀疏向量并用于图像表示;最后,采用随机森林多分类器对稀疏向量进行训练和测试.结果表明,与现有的算法相比,该算法的性能更佳,可以有效表示图像的特性并提高其分类的准确率.     

深度视觉目标跟踪进展综述

视频目标跟踪是计算机视觉领域的一个重要研究课题.近年来,随着深度学习在视觉目标跟踪领域获得了巨大的成功,一系列优秀的深度跟踪算法涌现出来.本文回顾了近年来深度目标跟踪领域的进展.首先,我们详细讨论了近十年来跟踪领域数据集的发展趋势,这些数据集不仅全面地评估了算法性能同时为模型训练提供了极大的便利.其次,我们分类讨论了几大类经典的深度学习跟踪框架,包括深度相关滤波器跟踪、分类式网络跟踪、双路网络跟踪、基于梯度的深度跟踪算法以及基于Transformer的跟踪算法.最后,我们对全文内容进行总结,并指出未来的发展趋势.     

基于深度学习的目标检测算法综述

目标识别和定位是计算机视觉领域研究的主要问题,图像分割、目标跟踪、目标行为分析等都是以图像中的目标检测为基础的.随着深度学习技术的发展,目标检测算法取得了巨大突破.在广泛调研相关文献的基础上,对目标检测算法进行分析和对比,分别研究基于区域提取的两阶段目标检测架构和直接位置回归的一阶段目标检测架构的本质特点和发展过程,并提出未来的发展方向.     

深度学习技术在影像密集匹配方面的进展与应用

在计算机视觉及摄影测量领域中,影像的密集匹配一直是研究的重点与难点之一。它在影像三维重建、数字表面模型生产中都具有不可或缺的作用。近几年来,随着深度学习的快速发展,基于深度学习的影像密集匹配算法也是层出不穷。本文通过对目前具有代表性的技术方法进行回顾,按照基于图像块的相似性度量学习和端对端生成视差图两类研究思路,叙述了深度学习在影像密集匹配中的研究进展与趋势,总结了现有方法的优点与不足,以期为影像匹配的研究提供具有参考价值的文献综述。     

基于多尺度深度卷积特征的图像检索

为了检索图像中不同位置和不同大小的感兴趣目标,提出一种基于多尺度深度卷积特征的图像检索方法.首先利用卷积神经网络构造一个深度学习框架,利用随机梯度下降和后向传播算法训练深度学习模型;其次利用训练得到的模型提取图像在不同尺度下的卷积特征,对不同尺度下的卷积特征进行PCA降维,研究降维后的检索性能;最后为了提高深度特征对图像的刻画能力,对不同尺度下降维后的卷积特征进行特征融合.大量的实验表明本文所提算法对图像检索是有效的.     

基于双域信息的深度残差网络图像去噪

基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激活单元内引入多尺度学习和空洞卷积,以此提取图像特征,并减少了网络参数.为了进一步改善去噪结果,结合小波域损失和空间域损失构造联合损失函数,使得网络获取更多的边缘与细节.实验结果表明,本文提出的方法不仅可以有效去除图像噪声,而且可以更好地恢复图像纹理细节,在主观和客观评价中均获得了更好的结果.     

基于多尺度密集特征融合的生成式对抗除雾网络

在真实雾天场景下,针对除雾网络无法去除远处雾气、天空区域容易出现噪声的问题,提出了一种基于多尺度密集特征融合的生成式对抗除雾网络,并采用制作的合成雾天数据集进行对抗训练.首先,对除雾网络进行设计,构建了网络模型;其次,从合成晴朗天气图像中利用深度标签生成逼真的雾天数据集,以适用于真实雾天除雾领域;最后,在真实雾天数据集上测试,选取近几年具有代表性的6种基于深度学习的除雾网络进行主观视觉效果,并借助除雾领域常用的无参考图像质量评价指标进行客观分析.研究结果表明:提出的除雾网络在真实场景下的除雾效果较其他网络有显著提升,主观视觉效果明显优于对比的除雾网络,在无参评价指标上综合表现优于其他除雾网络.     

面向各向异性3D-MRI图像超分辨率 重建的ESRGAN网络

高分辨率磁共振图像(MRI, magnetic resonance images)能够提高疾病诊断精度,但高分辨率MRI图像的获取十分困难。基于深度学习的图像超分辨率(SR, super resolution)技术可有效地提高图像分辨率。近年来,生成对抗网络(GANs, generative adversarial networks)为3D-MRI图像SR重建提供了新思路。相较于传统的基于深度卷积神经网络(DCNN, deep convolutional neural network)的SR算法,GANs网络以人类视觉机制为目标,且引入判别函数,使重建3D-MRI图像更接近真实图像。研究采用增强超分辨率生成对抗网络(ESRGAN, enhanced super-resolution generative adversarial networks)对3D-MRI图像进行SR重建;并利用3D-MRI图像的跨层面自相似性,将重建任务降维到2D,在保证重建效果的基础上,减少了网络训练时间和内存需求。通过与其他传统算法和基于DCNN算法对比实验表明,提出的算法能够进一步提高3D-MRI图像的视觉...     

A brief survey on deep learning based image super-resolution

Image super-resolution(SR) is an important technique for improving the resolution and quality of images.With the great progress of deep learning,image super-resolution achieves remarkable improvements recently.In this work,a brief survey on recent advances of deep learning based single image super-resolution methods is systematically described.The existing studies of SR techniques are roughly grouped into ten major categories.Besides,some other important issues are also introduced,such as publicly available benchmark datasets and performance evaluation metrics.Finally,this survey is concluded by highlighting four future trends.     

Encryption and Decryption of Color Images through Random Disruption of Rows and Columns

In modern society, information is becoming increasingly interconnected through networks, and the rapid development of information technology has caused people to pay more attention to the encryption and the protection of information. Image encryption technology is a key technology for ensuring the security performance of images. We extracted single channel RGB component images from a color image using MATLAB programs, encrypted and decrypted the color images by randomly disrupting rows, columns and regions of the image. Combined with histograms and the visual judgments of encryption images, it is shown that the information of the original image cannot be obtained from the encryption image easily. The results show that the color-image encryptions with the algorithm we used have good effect and fast operation speed. Thus this algorithm has certain practical value.     

形态小波和对比敏感度函数结合的图像融合算法

提出了基于形态小波MW(Morphological Wavelet)和对比敏感度函数CSF(Contrast Sensitivity Function)的图像融合算法,并采用该算法对异类故障谱图进行了图像融合.融合结果表明,采用该算法融合后的图像更符合人眼的视觉特性,图像信息量和空间频率更大,图像更清晰,这说明基于MW-CSF图像融合算法进行图像融合是有效的.     

D-SS Frame: deep spectral-spatial feature extraction and fusion for classification of panchromatic and multispectral images

Facing the very high-resolution( VHR) image classification problem,a feature extraction and fusion framework is presented for VHR panchromatic and multispectral image classification based on deep learning techniques. The proposed approach combines spectral and spatial information based on the fusion of features extracted from panchromatic( PAN) and multispectral( MS) images using sparse autoencoder and its deep version. There are three steps in the proposed method,the first one is to extract spatial information of PAN image,and the second one is to describe spectral information of MS image. Finally,in the third step,the features obtained from PAN and MS images are concatenated directly as a simple fusion feature. The classification is performed using the support vector machine( SVM) and the experiments carried out on two datasets with very high spatial resolution. MS and PAN images from WorldView-2 satellite indicate that the classifier provides an efficient solution and demonstrate that the fusion of the features extracted by deep learning techniques from PAN and MS images performs better than that when these techniques are used separately. In addition,this framework shows that deep learning models can extract and fuse spatial and spectral information greatly,and have huge potential to achieve higher accuracy for classification of multispectral and panchromatic images.     

基于注意力机制和离散高斯混合模型的端到端图像压缩方法

图像压缩是图像处理领域重要的基础支撑技术之一。近年来,深度学习被用于解决图像压缩任务。潜在表示特征的冗余和概率估计的不准确往往会限制压缩性能的进一步提高。为了改善这类问题,提出一种基于注意力机制和离散高斯混合模型的端到端图像压缩方法。将全局上下文注意力模块嵌入到编码器,旨在构造紧凑的潜在表示特征。同时,将潜在表示特征建模为参数化的离散高斯混合模型,用于提高码率估计的准确度。实验结果表明,提出的算法无论在峰值信噪比(peak signal noise rate,PSNR)还是多尺度结构相似度(multi-scale structural similarity,MS-SSIM)指标上都高于传统方法。在视觉感知上,提出的图像压缩算法能产生更令人满意的压缩图像。     

舰船目标识别技术研究进展

 舰船目标的有效识别和监控对维护海洋权益、保障海上航行安全至关重要。根据舰船目标信息的获取形式，从辐射噪声信号、雷达回波信号、卫星遥感图像、合成孔径雷达图像、红外图像、可见光图像几个舰船目标的主要信息获取来源出发，阐述了舰船目标识别技术的研究进展，总结分析了目前基于不同信号源的舰船目标识别方法普遍存在的具有高度任务相关性、计算成本高与运行时间长等问题。结合深度学习技术在语音识别、图像识别等领域的发展，建议将基于深度学习技术的典型目标识别方法Faster R-CNN及YOLO引入舰船目标识别领域，以研究鲁棒性更好、准确率更高、实时性更强的舰船目标识别方法。