The poor quality of images recorded in low-light environments affects their further applications.To improve the visibility of low-light images,we propose a recurrent network based on filter-cluster attention(FCA),the ...The poor quality of images recorded in low-light environments affects their further applications.To improve the visibility of low-light images,we propose a recurrent network based on filter-cluster attention(FCA),the main body of which consists of three units:difference concern,gate recurrent,and iterative residual.The network performs multi-stage recursive learning on low-light images,and then extracts deeper feature information.To compute more accurate dependence,we design a novel FCA that focuses on the saliency of feature channels.FCA and self-attention are used to highlight the low-light regions and important channels of the feature.We also design a dense connection pyramid(DenCP)to extract the color features of the low-light inversion image,to compensate for the loss of the image's color information.Experimental results on six public datasets show that our method has outstanding performance in subjective and quantitative comparisons.展开更多
【目的】设计一种基于FIML和DAE的填充缺失值的方法,即聚类全信息选择性过滤编码器数据填补算法(clustering-based comprehensive information selective filtering encoder data imputation algorithm,CFSM-DAE),为水稻种质资源缺失数...【目的】设计一种基于FIML和DAE的填充缺失值的方法,即聚类全信息选择性过滤编码器数据填补算法(clustering-based comprehensive information selective filtering encoder data imputation algorithm,CFSM-DAE),为水稻种质资源缺失数据进行填充。【方法】利用聚类辅助避免数据异常值对算法的影响,采用选择性过滤层用于识别高质量估算、减少低质量估算的影响。传统的DAE框架通常没有选择性过滤层,所有的估算值都被视为同等重要,无法区分高质量和低质量的估算值。为了进一步提高估算精度,研究采用集成框架将全信息最大似然性(FIML)与多对抗性自编码器(DAE)结合的方法(CFSM-DAE),在选择性过滤层基础上,自适应填充,即当估算值不符合设定阈值时,采用FIML填充策略以确保填充结果的稳定性和精确度,从而进一步来提高整体估算精度。在3种缺失数据机制(随机缺失(MAR)、完全随机缺失(MCAR)和非随机缺失(MNAR))下对模拟数据和实际水稻种质资源数据集进行研究,将CFSM-DAE方法与多种常用填充算法比较(全信息最大似然性(FIML)、对抗自编码器(DAE)、K近邻填充(KNN)、随机森林(RF)、链式方程多重插补(MICE))。【结果】CFSM-DAE在模拟数据上的表现为S_(RME)=0.0676,E_(MA)=0.0093,R^(2)=0.9958;在水稻种质资源数据上的表现为S_(RME)=0.0395,E_(MA)=0.0078,R^(2)=0.8913。相比之下,其他算法如DAE在这两类数据下的SRME表现分别为0.8896和0.7707;KNN算法的EMA表现分别为0.1183和0.1305;FIML算法的R2表现为0.3382和0.7321。因此,CFSM-DAE在多个评价指标上相较于其他算法都表现出了一定的提升,CFSM-DAE在模拟数据和水稻种质资源数据的表现优于其他算法。【结论】CFSM-DAE方法通过结合聚类、选择性过滤和全信息最大似然性等策略,显著提高了水稻种质资源数据中缺失值的填补精度,展示了其在处理复杂缺失值问题上的有效性和潜力。展开更多
针对电力线点云提取过程中自动化程度低且结果易受参数影响出现欠分割或过分割的问题,结合机载激光雷达(light detection and ranging,LiDAR)点云数据的分布特点,提出一种基于改进空间密度聚类算法的激光点云电力线的提取方法。该方法...针对电力线点云提取过程中自动化程度低且结果易受参数影响出现欠分割或过分割的问题,结合机载激光雷达(light detection and ranging,LiDAR)点云数据的分布特点,提出一种基于改进空间密度聚类算法的激光点云电力线的提取方法。该方法首先通过空间分割改进高程滤波算法完成电力线点云的粗提取;其次,利用基于距离-密度的方法和数学期望计算方法获得空间密度聚类的最佳参数,避免了繁杂的人工调参过程。实验结果显示,相较于空间密度聚类算法,所提算法效率显著提高,降低了约60%电力线提取时间,实现了单根电力线点云的自动化和高效提取。展开更多
基金Project supported by the National Natural Science Foundation of China(Nos.61772319,62002200,and 62202268)the Shandong Natural Science Foundation of China(Nos.ZR2021QF134and ZR2021MF107)+1 种基金the Shandong Provincial Science and Technology Support Program for Youth Innovation Team in Colleges(Nos.2021KJ069 and 2019KJN042)the Yantai Science and Technology Innovation Development Plan(No.2022JCYJ031)。
文摘The poor quality of images recorded in low-light environments affects their further applications.To improve the visibility of low-light images,we propose a recurrent network based on filter-cluster attention(FCA),the main body of which consists of three units:difference concern,gate recurrent,and iterative residual.The network performs multi-stage recursive learning on low-light images,and then extracts deeper feature information.To compute more accurate dependence,we design a novel FCA that focuses on the saliency of feature channels.FCA and self-attention are used to highlight the low-light regions and important channels of the feature.We also design a dense connection pyramid(DenCP)to extract the color features of the low-light inversion image,to compensate for the loss of the image's color information.Experimental results on six public datasets show that our method has outstanding performance in subjective and quantitative comparisons.
文摘【目的】设计一种基于FIML和DAE的填充缺失值的方法,即聚类全信息选择性过滤编码器数据填补算法(clustering-based comprehensive information selective filtering encoder data imputation algorithm,CFSM-DAE),为水稻种质资源缺失数据进行填充。【方法】利用聚类辅助避免数据异常值对算法的影响,采用选择性过滤层用于识别高质量估算、减少低质量估算的影响。传统的DAE框架通常没有选择性过滤层,所有的估算值都被视为同等重要,无法区分高质量和低质量的估算值。为了进一步提高估算精度,研究采用集成框架将全信息最大似然性(FIML)与多对抗性自编码器(DAE)结合的方法(CFSM-DAE),在选择性过滤层基础上,自适应填充,即当估算值不符合设定阈值时,采用FIML填充策略以确保填充结果的稳定性和精确度,从而进一步来提高整体估算精度。在3种缺失数据机制(随机缺失(MAR)、完全随机缺失(MCAR)和非随机缺失(MNAR))下对模拟数据和实际水稻种质资源数据集进行研究,将CFSM-DAE方法与多种常用填充算法比较(全信息最大似然性(FIML)、对抗自编码器(DAE)、K近邻填充(KNN)、随机森林(RF)、链式方程多重插补(MICE))。【结果】CFSM-DAE在模拟数据上的表现为S_(RME)=0.0676,E_(MA)=0.0093,R^(2)=0.9958;在水稻种质资源数据上的表现为S_(RME)=0.0395,E_(MA)=0.0078,R^(2)=0.8913。相比之下,其他算法如DAE在这两类数据下的SRME表现分别为0.8896和0.7707;KNN算法的EMA表现分别为0.1183和0.1305;FIML算法的R2表现为0.3382和0.7321。因此,CFSM-DAE在多个评价指标上相较于其他算法都表现出了一定的提升,CFSM-DAE在模拟数据和水稻种质资源数据的表现优于其他算法。【结论】CFSM-DAE方法通过结合聚类、选择性过滤和全信息最大似然性等策略,显著提高了水稻种质资源数据中缺失值的填补精度,展示了其在处理复杂缺失值问题上的有效性和潜力。
文摘针对电力线点云提取过程中自动化程度低且结果易受参数影响出现欠分割或过分割的问题,结合机载激光雷达(light detection and ranging,LiDAR)点云数据的分布特点,提出一种基于改进空间密度聚类算法的激光点云电力线的提取方法。该方法首先通过空间分割改进高程滤波算法完成电力线点云的粗提取;其次,利用基于距离-密度的方法和数学期望计算方法获得空间密度聚类的最佳参数,避免了繁杂的人工调参过程。实验结果显示,相较于空间密度聚类算法,所提算法效率显著提高,降低了约60%电力线提取时间,实现了单根电力线点云的自动化和高效提取。
