感谢关注公众号
欢迎转发和分享
RECOMMENDATION
图像与智能信息处理
推荐文章
01
钱小敏,甘学辉,刘香玉,等
摘要：碳纤维展宽质量是影响预浸料质量的一个关键因素，人工检测存在误差大、效率低等问题。为提高碳纤维展宽质量的检测效率和准确度，提出基于邻域去噪及图像差分的碳纤维丝束展宽表面缺陷检测方法。针对碳纤维丝束表面光照不均导致的缺陷细节表征问题，采用一种筛选邻域孤点填充的降噪方法。该方法通过筛选出可适应大小的邻域孤点后进行背景填充，实现图像降噪，并将待检测图像与滤波处理后的背景图像进行差分运算，以提取缺陷区域。通过搭建的碳纤维丝束展宽表面缺陷检测系统进行实验，结果表明，该方法可对大丝束碳纤维展宽后表面劈裂、明缝、起毛等缺陷进行较为准确的检测，缺陷准确检出率为96.9%,满足工程实际生产需要。
DOI:10.19886/j.cnki.dhdz.2023.0373
引用格式:
钱小敏,甘学辉,刘香玉,等.基于邻域去噪及图像差分的碳纤维丝束展宽表面缺陷检测[J].东华大学学报(自然科学版),2024,50(6):120-125.
QIAN X M, GAN X H, LIU X Y, et al. Detection of surface defects in carbon fiber tow spreading based on neighborhood denoising and image difference [J]. Journal of Donghua University (Natural Science), 2024,50(6):120-125.
原文链接
02
王志城,黄荣,董爱华,等
摘要：基于深度学习的虚拟试衣模型难以直接应用于从开放场景中获取的带有扭曲的非规范化服装图像，提出一种面向开放场景虚拟试衣的服装图像规范化复原网络，对带有扭曲的服装图像进行规范化复原，弥补非规范化服装图像与现有虚拟试衣模型之间的适配鸿沟。所提出的服装图像规范化复原网络以U-Net为骨干，以图到图的形式生成规范化复原图像。在U-Net的跳跃连接中设计了服装特征图扭曲模块和软门控单元，分别实现了特征对齐和区域筛选，有利于提高规范化复原图像的视觉质量。在规范化复原和虚拟试衣两个方面验证了所提模型的有效性。试验结果表明，所提模型的定量指标SSIM(structural similarity index measure)、PSNR(peak signal-to-noise ratio)、LPIPS(learned perceptual image patch similarity)分别达0.771、22.413、0.213,并在规范化复原图像中较好地保留了服装的图案及纹理，能够满足开放场景的虚拟试衣需求。
DOI: 10.19886/j.cnki.dhdz.2023.0063
引用格式:
王志城,黄荣,董爱华,等.面向开放场景虚拟试衣的服装图像规范化复原[J].东华大学学报(自然科学版),2024,50(6):133-139.
WANG Z C, HUANG R, DONG A H, et al. Normalized restoration of clothing images for virtualtry-on oriented towards openscenes [J]. Journal of Donghua University (Natural Science),2024,50(6):133-139.
原文链接
03
岳之一,钱素琴
摘要：在小样本图像分类中，由于样本数量有限，神经网络难以进行充分训练，同时仅使用单一的判别方法容易产生相似性偏差，分类准确率较低。针对上述问题，提出一种多模态和度量学习相结合的小样本图像分类模型。使用卷积神经网络提取查询集和支持集图像的特征，通过度量模块判断图像与图像间的相似度；通过多模态模块对已知类别图像的文本信息与查询图像进行跨模态对比，从而计算查询图像与每个类别文本信息的相似度；最后结合两种相似度，基于多模态信息得出最终预测结果。在MiniImagenet和CUB-200-2011两个数据集上进行小样本分类试验，同时与6种先进的小样本分类模型进行对比，结果显示，所提模型的分类准确率优于其他模型。试验结果证实了所提模型的有效性。
模型整体框架：
度量模块：
多模态模块：
DOI: 10.19886/j.cnki.dhdz.2023.0305
引用格式:
岳之一,钱素琴.基于多模态和度量学习的小样本图像分类方法[J].东华大学学报(自然科学版),2024,50(6):146-150.
YUE Z Y, QIAN S Q. A few-shot learning image classification algorithm based on multimodal and metric learning [J]. Journal of Donghua University (Natural Science),2024,50(6):146-150.
原文链接
扫码关注期刊更多信息
往期推文：
2024年度《东华大学学报(自然科学版)》封面大赏
https://mp.weixin.qq.com/s/-VhCC3xb2aIfbqfUn7kUDQ
热烈祝贺《东华大学学报(自然科学版)》编委团队36位学者入选2024年全球Top2%顶尖科学家榜单！
https://mp.weixin.qq.com/s/y47cIr-DtGvPX24luSQArw
“绿色·生态·低碳”主题专刊征稿启事！
https://mp.weixin.qq.com/s/NqzfcoPVS7TyOvAGQ_3COw
全网热议的“上暖下凉”穿搭，真相尽在这本期刊！
扫二维码
关注我们
点击“阅读原文”查看更多文章！
