计算机辅助设计与图形学学报杂志

计算机辅助设计与图形学学报杂志2021年第2期

• 基于叶片识别的侵入式室内植物建模

  史川石, 郑倩, 黄惠

  由于室内植物的叶片存在大量自遮挡,为了得到植物的完整三维信息,往往需要用户手动裁剪、扫描和配准叶片.针对该问题,提出了利用实例分割网络进行叶片识别并选取被裁剪叶片的方法.通过总结植物叶片形状与分布特征,建立虚拟植物模型,渲染大量带叶片轮廓信息的图片来训练实例分割网络,避免了耗费大量精力标注真实植物叶片.进一步提出了自动化建模系统,根据单个视角下观察到的植物图像自动选择被裁剪的叶片,并获得该叶片的三维模型;调整相机位置让更多的叶片被检测到并剪掉,以恢复植物的三维信息.使用该系统对绿萝叶片、鸭脚木和花烛3种虚拟植物进行了测试,并评估重建的整株植物重合度、叶片重合度和叶片占比,结果显示使用本文方法重建的植物模型能更完整地恢复原始植物的三维信息.

• 步长加速法优化B样条参数的离散数据点拟合

  张莉, 张能俊, 姚红丽, 檀结庆

  采用迭代法拟合离散数据点时,数据点的参数化会同时影响逼近的效果和逼近的速度,为此,提出一种通过迭代调整优化控制顶点和数据点参数的方法,其收敛速度较快且拟合得到曲线更贴合控制点.首先,选取初始控制顶点,通过自适应的BFGS方法优化控制顶点得到拟合曲线;其次,保持控制顶点不变,利用步长加速法优化数据点对应的参数;最后,利用新参数值重新优化控制顶点并得到新的拟合曲线.数值实例表明,所提方法在迭代前期步骤中,收敛速度快于现有的基于控制顶点迭代法,且优化后的曲线更加逼近离散的数据点,拟合误差更小.

• 群组协作社交网络关系的分析及可视化

  路强, 黄静, 盛开维, 徐文强

  社交网络的研究应用领域广泛,大多数的研究主要关注于社交网络结构中节点和链接的变化,研究角度较为单一.而群组协作关系在社交网络中较为普遍,为更好地探索群组协作过程中群组级别网络结构的演变,首先将组级任务添加到用于图可视化的任务分类中,针对协作关系网络的特性,设置一个适用于群组协作关系分析的任务分类法,根据此任务分类法设置探究群组协作需完成的任务;然后设计相关可视化视图,以更直观的方式展示群组之间以及群组内部协作关系的特征以及随时间推进的演变模式;最后在学术协作文献数据集上进行具体案例分析,通过用户评估实验,采用李克特量表对调查问卷进行分析,验证了设计可视化视图的有效性和实用性,可为社交网络关系分析人员提供群组协作的可视化分析方法,更便于对群组协作网络关系的进一步探究和应用.

• 细节特征保持的三维面部表情迁移方法

  于志平, 迟静, 叶亚男, 代福芸

  在三维面部表情迁移中,针对保持目标模型丰富的细节信息以使生成的新表情真实自然,以及减少表情迁移的学习训练时间这2个热点问题,提出一种细节特征保持的三维面部表情迁移方法.首先提取三维面部模型的细节特征,获得滤掉细节后的基本表情;然后利用改进的有参无监督回归方法将源模型的基本表情传递给目标模型;最后利用提出的细节特征向量调整策略对具有源基本表情的目标模型进行细节恢复.在Windows 10系统的Matlab中,以重建精度和训练时间为评价指标,对COMA等三维面部数据集进行视觉对比和定量分析实验.结果表明,与非线性联合学习方法相比,该方法在将源模型的表情无损迁移到目标模型的同时,很好地保持了目标模型自身的个性细节特征,使生成的表情真实自然;有效地提高了面部表情迁移的训练速度.

• 用于目标跟踪的孪生渐进注意引导融合网络

  范颖, 宋晓宁

  针对基于孪生网络的目标跟踪中大部分方法是利用主干网络的最后一层语义特征来计算相似度,而单一地利用深层特征空间往往是不够的问题,提出基于孪生网络的渐进注意引导融合跟踪方法.首先采用主干网络提取深层和浅层特征信息;然后通过特征聚合模块,以自顶向下的方法去编码融合深层语义信息以及浅层空间结构信息,并利用注意力模块减少融合产生的特征冗余;最后计算目标和搜索区域的匹配相似度,以进行目标跟踪.在加入注意力模块后,跟踪器可以选择性地整合多层特征信息,提升了跟踪器的性能.在OTB2013,OTB50,OTB2015,VOT2016以及VOT2017这5个公共基准数据库上,与SiamDW等方法进行实验的结果表明,文中方法能够有效地提升跟踪的精度及成功率.

• 金字塔频率特征融合目标检测网络

  毛琳, 李雪萌, 杨大伟, 张汝波

  针对深度学习网络在特征提取过程中运用上采样操作而致使细节纹理等高频特征缺失的问题,提出一种金字塔频率特征融合目标检测网络.网络由3个深度学习金字塔网络构成,输入图像经初级金字塔提取深度特征后,分别通过高频、低频增强金字塔形成不同的频率特征,利用特征融合来凸显深度学习网络在信息逐层传递过程中对细节信息的保护能力,提高目标检测能力.通过在分组角点检测网络(CornerNet)算法框架基础上仿真测试,该算法对于目标模糊、目标重叠以及目标与背景反差小的情况,检测效果提升明显.在COCO数据集上的检测结果与CornerNet算法相比,平均精确率(average precision,AP)提高1%以上,尤其对行人、车辆等目标检测性能均有提高,适用于无人驾驶系统与智能机器人等应用场景.

• 自适应融合层级特征的混合退化图像复原算法

  白亮, 刘辉, 尚振宏

  多种退化类型混合的图像比单一类型的退化图像降质更严重,很难建立精确模型对其复原,研究端到端的神经网络算法是复原的关键.现有的基于操作选择注意力网络的算法(operation-wiseattentionnetwork,OWAN)虽然有一定的性能提升,但是其网络过于复杂,运行较慢,复原图像缺乏高频细节,整体效果也有提升的空间.针对这些问题,提出一种基于层级特征融合的自适应复原算法.该算法直接融合不同感受野分支的特征,增强复原图像的结构;用注意力机制对不同层级的特征进行动态融合,增加模型的自适应性,降低了模型冗余;另外,结合L1损失和感知损失,增强了复原图像的视觉感知效果.在DIV2K,BSD500等数据集上的实验结果表明,该算法无论是在峰值信噪比和结构相似性上的定量分析,还是在主观视觉质量方面,均优于OWAN算法,充分证明了该算法的有效性.

• 融合主曲率与颜色信息的彩色图像检索算法

  程德强, 张皓翔, 江曼, 寇旗旗

  针对当前图像检索算法存在特征维度高、检索耗时久、精度低等问题,提出一种基于颜色信息和纹理信息相融合的图像检索算法.首先对彩色图像进行颜色量化和统计以获取其颜色直方图,利用海森矩阵提取彩色图像的表面几何结构曲率信息,并根据提取的曲率信息构建方向梯度加权联合直方图;然后对获得的颜色直方图和加权联合方向梯度直方图进行融合,得到最终检索结果.与其他算法在Corel-1k,FTVL和COIL-100数据库上的实验结果表明,该算法具有精度高、维度低的优点.

• 基于增强特征融合网络的行人重识别方法

  刘玉杰, 周彩云, 李宗民, 李华

  针对行人重识别技术受遮挡、背景冗余、光照、姿态以及检测误差等问题的影响,鲁棒的行人特征表达对正确检索行人越来越重要.为了利用对齐特征和度量学习的优势,进一步分析局部空间语义特征.首先,在特征层面:一是在ResNet50框架中嵌入空间变换结构,自适应对齐局部区域空间特征,解决因局部区域不对齐导致的空间语义不一致的问题;二是通过对齐的局部特征设计一种增强特征融合网络,充分利用语义信息间的关联性提取图像的细节特征.然后,在损失函数层面:提出一种排序矩阵方法选取区域样本对,设计了一种局部三元组损失计算方法,联合正则化分类损失共同训练网络,充分利用融合的增强特征,达到高效度量的效果.最后,文中方法结合现有的重排算法进一步提高了Rank-1与mAP检索精度,在行人重识别基准数据集Market-1501上的实验结果,证明了本文方法的有效性.

• 基于显著增强分层双线性池化网络的细粒度图像分类

  陈珺莹, 陈莹

  分层双线性池化网络考虑了中间卷积层的特征交互,对细粒度图像起到了良好的分类效果,但它对一幅图像包括无关背景在内的所有区域激活都进行了特征交互,会影响分类性能.针对该问题,提出一种显著增强的分层双线性池化方法.该方法在分层双线性池化网络的基础上,结合显著性检测网络生成注意力图,使用注意力图与特征提取网络进行交互实现对显著区域的信息增强,减少了背景等无关信息的影响,提高了分类性能.在3个常用的细粒度图像数据集CUB-200-2011,Stanford Cars和FGVC-Aircraft上均进行了实验,分类准确率分别为86.5%,92.9%和90.8%,与当前其他主流方法相比,取得了良好的分类效果.

• Simplex噪声区域中目标特征的对抗攻击算法

  陈伟, 刘亚洲, 魏松杰

  针对当前黑盒环境中,主流的图像对抗攻击算法在有限的目标模型访问查询次数条件下攻击准确率低的问题,提出一种基于目标特征和限定区域采样的目标攻击算法.首先根据原始图像和目标图像生成初始对抗样本;然后在Simplex-mean噪声区域中进行扰动采样,并根据对抗样本和原始图像差异度以及目标特征区域位置决定扰动大小;最后将扰动作用于初始对抗样本中,使新的对抗样本在保持对抗性的同时缩小与原始图像的差异度.以常见的图像分类模型InceptionV3和VGG16等为基础,在相同的目标模型访问查询,以及与对抗样本和原始图像的l2距离小于55.89的条件下,采用BBA等算法对同一图像集和目标集进行攻击.实验结果表明,在同样的目标模型访问查询和l2=55.89的限制条件下,不超过5 000次目标查询时,在InceptionV3模型上该算法的攻击准确率比同类攻击算法提升至少50%.

• 融合残差连接与通道注意力机制的Siamese目标跟踪算法

  邵江南, 葛洪伟

  针对Siamese跟踪算法在目标形变、相似物体干扰等复杂情况下容易跟踪漂移或丢失的问题,提出一种融合残差连接与通道注意力机制的目标跟踪算法.首先,通过残差连接将模板分支网络提取的浅层结构特征与深层语义特征进行有效的融合,以提高模型的表征能力;其次,引入通道注意力模块,使模型自适应地对不同语义目标特征通道加权,以提高模型的泛化能力;最后设计并提出一种基于相关性响应值的权重掩码,在离线训练时提高相似语义目标损失值的权重,使模型在端到端的离线学习中增强对相似语义目标的辨别力.在标准跟踪数据集OTB,TempleColor128,VOT2016和VOT2018上与主流跟踪算法进行对比实验,结果表明,该算法在跟踪精度和成功率上都展现了极强的竞争力,具有优越的实时性和可靠性.

• 基于图像语义的弱监督显著性物体检测

  赵世敏, 王鹏杰, 曹乾, 宋海玉, 李威

  为了减少显著性物体检测对像素级标签的依赖,提出了一种基于图像语义的弱监督显著性物体检测方法.利用鱼网络和注意力机制的组合模型,在图像语义热力映射图的基础上,对弱标签采用余弦相似度进行训练更新,同时在网络训练初期采用训练诱导策略,利用简单数据集对整个网络进行诱导训练,使其具有一定的能力.然后,经过不断地增加数据集的复杂性,使得网络提取特征的能力越来越强.在4个显著性检测数据集上进行实验,并与传统监督方法进行对比分析,实验结果表明,该方法的F-MAX值在各个数据集上平均提高0.03~0.08,MAE减少0.02~0.05,在较弱的监督标签下能更精确地提取图像中的显著性特征.

• 基于课程学习思想的目标检测增强算法

  戴立伟, 黄山

  目标检测算法性能优劣既依赖于数据集样本分布,又依赖于特征提取网络设计.从这2点出发,首先通过分析COCO 2017数据集各尺度目标属性分布,探索了数据集固有的导致小目标检测准确率偏低的潜在因素,据此提出CP模块,该模块以离线方式调整数据集小目标分布,一方面对包含小目标图片进行上采样,另一方面对图片内小目标进行复制粘贴.然后,针对网络特征提取能力问题,受课程学习(CL)思想启发,提出CL层,该层用目标标签引导网络学习,用CL因子控制学习强度,使样本特征增强,便于网络进行特征提取.在COCO 2017数据集上使用CP模块,并在CenterNet中嵌入CL层,进行多组对比实验,采用平均检测准确率、小目标检测准确率、中目标检测准确率和大目标检测准确率作为评价指标,实验结果证明了CP模块和CL层的有效性.

• SoC高级综合验证研究进展

  胡健, 胡永扬, 王观武, 陈桂林, 杨海涛, 康云, 王康, 李思昆

  针对近年来片上系统(system on chip,SoC)高级综合验证领域的工作,首先分析了高级综合验证的难点,然后根据应用领域将算法分为3类:高级综合前端验证算法、高级综合调度验证算法和高级综合后端验证算法.同时分析了各类算法的优缺点和现有算法的主要技术手段;最后讨论了SoC高级综合验证算法目前面临的映射关系缺失、状态空间爆炸和复杂的数据结构等挑战,并对该领域今后的研究方向进行了展望.

• 微处理器敏捷设计方法综述

  李暾, 贺旭, 屈婉霞, 万海

  随着登纳德缩放定律和摩尔定律几近终结,通过领域特定体系结构提升微处理器性能变得越来越重要,迫切需要提升微处理器设计生产率来应对网络、智能、安全等领域特定需求.国内外的实践表明,微处理器敏捷设计方法是一种能有效提升微处理器设计生产率的方法.通过对比软硬件设计的差异,分析出敏捷设计的本质及其应用于微处理器设计所面临的挑战.综述了微处理器敏捷设计领域近年来代表性研究实践,归纳出微处理器敏捷设计关键使能技术,探讨了该领域未来潜在的研究方向.

• 深度光流估计方法研究进展

  祖曰然, 包秀国, 唐文忠, 高科, 张冬明

  结合深度学习模型实现光流端到端的计算是当前计算机视觉领域的一个研究热点.文中对基于深度学习的光流估计方法进行总结和梳理.首先,介绍了光流的起源与定义;其次,总结了现有的数据集合和评价指标;最重要的是,着重从3个方面回顾了深度光流估计方法,包括有监督的深度光流估计方法、无监督的深度光流估计方法以及对现有光流估计方法的性能对比分析.分析表明,参照传统方法设计小而轻且泛化性能好的深度光流网络是未来的研究方向.在此基础上,进一步分析和介绍了当下光流估计与视频分析任务联合学习的一系列代表性方法,指出了设计由任务驱动的深度光流网络是很有应用价值的研究方向.最后,总结了深度光流估计存在的问题和挑战,并对未来工作进行展望.