基于深度学习的红外与可见光图像融合综述

图像融合技术是指从不同的源图像中提取并融合互补的信息,生成一幅信息量更丰富、对后续高级视觉任务提供足够支持的图像.红外与可见光图像融合（Infrared and Visible Image Fusion,IVIF）是图像融合领域的一个重要分支.近年来,深度学习技术在视觉计算领域表现出了良好的性能,尤其是基于自编码器、卷积神经网络、生成对抗网络等几种基于深度学习的IVIF技术得到了蓬勃发展.为此,对基于深度学习的IVIF算法的方法、数据集和评估指标等进行了总结和阐述;通过大量的实验,进行定性和定量的结果分析,对比了各类基于深度学习IVIF算法的性能;最后,讨论了该领域未来发展的一些前景和研究方向.     

基于生成对抗网络的砂岩薄片图像视野外重建

利用生成对抗网络(GAN)模型,对砂岩薄片图像的微观颗粒和孔隙结构进行视野外重建,并对预测图像的语义进行评价。结果表明,模型能够预测2.25倍于原始视野的砂岩微观结构,并且针对不同类型的岩石图像语义均具有良好的性能。模型对不同颗粒的表面纹理、颗粒形态以及多颗粒间复杂接触关系等语义的图像视野外预测结果与真实图像较为吻合。但是,在微观特殊现象图像的视野外重建任务中,模型缺乏对特殊现象的敏感性。在孔隙结构重建时,模型对微孔面孔率的预测误差大于粒间孔、裂隙和溶蚀孔等孔隙空间。不同孔隙空间重建图像的预测效果可能与孔隙特征(如孔径大小和连通性)有关。     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

抗深度取证的多粒度融合图像修复网络

数字图像的真伪判别是图像安全领域中的基础问题,因数字媒体极易被攻击篡改,针对图像的取证技术得到了广泛的研究.另一方面,对图像篡改反取证技术的研究,不仅追求更逼真的图像篡改操作,也从相反的方向促进了取证技术的发展.图像修复作为基础的图像篡改操作,一直是国内外学者的研究热点.针对被修复篡改后的图像会被深度取证网络取证的问题,提出了一种抗深度取证的多粒度融合图像修复(multi-granularity fusion-based image inpainting network resistant to deep forensics,MGFR)网络.MGFR网络包括编解码器、多粒度生成模块以及多粒度注意力模块.首先,输入的破损图像被编码器编码成深度特征,深度特征通过多粒度生成模块生成3个不同粒度中间特征;然后,采用多粒度注意力模块来计算不同粒度中间特征之间的相关性并将其融合;最后,融合特征通过解码器生成输出结果.另外,所提出的MGFR网络被重建损失、模式噪声损失、深度取证损失以及对抗损失联合监督.研究结果显示,所提出的MGFR网络在拥有较好的修复性能的同时能成功规避深度取证网络的取证.     

一般生长曲线模型中共同均值参数的线性估计的泛容许性

本文对于一般生长曲线模型中共同均值的线性估计的可容许性。     

无初始状态统计知识时多变量系统的最优平滑与预报

在无初始状态统计知识的情况下,我们分别就固定点平滑、固定滞后平滑与预报３种情况给出了动态系统的最优线性最小偏差估计（ＢＬＩＭＢＥ）,同时还给出了完全（ｉ,ｊ,Ｔｉ）－可重构性的概念及系统完全（ｉ,ｊ,Ｔｉ）－可重构的充要条件     

关于满足条件Ro｛（1—α）f（z）／z＋αf‘（z）｝〉0的函数族的偏差估计

这篇文章,我们获得在族Ｓ（α,β）和Ｓ（α）Ｋ ＢＩＢ ＯＶＴ Ｆ（Ｚ）ＵＤ ＧＦ ｜Ｆ（Ｚ）｜,｜Ｆ（Ｚ）,｜     

两个特殊函数族的偏差估计

在这篇文章中,当ｐ（ｚ）∈ｐ（或ｆ（ｘ）∈β０（α））,我们给出｜ｐ（ｚ）｜,｜ｚｐ′（ｚ）ｐ（ｚ）｜和｜ｐ（ｋ）（ｚ）｜,这些结果在定理１—３中都是优的。在定理５中,我们给出写像Ｅ的面积和长度（ｆ（ｚ）∈β０（α））也是优的。最后,一个有趣的结果是定理６的推论２,给出当ｆ（ｚ）∈β０．在｜ｚ｜＜２－１内既是星形的也是凸形的函数。     

一种基于空间域和频谱域特征的图象分割方法

提出了一种基于空间域和频谱域特征的神经网络的医学图像分割方法．本方法不需要教师监督,能自动生成最优的网络输出节点,即分类数．对ＣＴ,ＭＲＩ和超声图像的分割表明本方法有效方便．     

多维位置数据最优融合方法

本文给出了一种多传感器多维位置数据融合的方法。这种方法基于多维位置数据的鲁棒估计和最小方差结合法。每个传感器用鲁棒估计得到自身数据的位置估计和方差估计,把这些估计融合为一个最优估计,即传感器系统的估计。