为解决图像修复中存在的伪影以及细节表达不一致等问题,提出一种基于注意力机制的对抗型自编码器(adversarial auto-encoder based on attention mechanism,AAEA)图像修复模型。在通用编码器模型基础上,通过在生成器跳跃连接处引入通道...为解决图像修复中存在的伪影以及细节表达不一致等问题,提出一种基于注意力机制的对抗型自编码器(adversarial auto-encoder based on attention mechanism,AAEA)图像修复模型。在通用编码器模型基础上,通过在生成器跳跃连接处引入通道注意力构造通道相似性融合模块(channel similarity fusion module,CSFM)的方式使通道之间的特征关系更丰富。在解码器网络中,通过空间注意力与位置编码结合的方式构造位置融合模块(location fusion model,LFM),增强边界位置信息表达。消融实验结果表明,引入的CSFM、LFM模块均能有效提升模型性能,阈值为1.25^(3)时的准确率达到0.9808。AAEA模型能够更好地处理复杂的图像修复任务,有效地改正错乱纹理,并在掩膜边缘区域获得清晰的修复结果,对于壁画修复以及计算机视觉等图像修复领域的发展具有重要意义。展开更多
对实时车辆流量、平均车道占用率等各种交通监控数据的完整获取,是建设智能交通系统、提高交通管理运行效率的重要基础。文章提出一种融合类信息的函数型矩阵填充方法(Functional Matrix Completion Method with Class Information,CFMC...对实时车辆流量、平均车道占用率等各种交通监控数据的完整获取,是建设智能交通系统、提高交通管理运行效率的重要基础。文章提出一种融合类信息的函数型矩阵填充方法(Functional Matrix Completion Method with Class Information,CFMC)。在函数型数据分析框架下,基于非负矩阵分解构造函数型矩阵填充模型,在此基础上通过聚类划分引入样本类信息,借助类内样本相关性插补缺失值,并采用自加权集成学习算法动态赋权计算得到最终插补值。在公共交通数据集PeMS上进行插补实验,结果表明:当缺失率为15%~70%时,CFMC方法相较于K近邻算法、MICE、PACE等10种插补方法,均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别降低了10.75%~81.69%、0.34%~84.48%和12.5%~81.08%,且耗时可控。所提CFMC方法插补精度高、鲁棒性好,能够保证插补的有效性和准确性。展开更多
文摘对实时车辆流量、平均车道占用率等各种交通监控数据的完整获取,是建设智能交通系统、提高交通管理运行效率的重要基础。文章提出一种融合类信息的函数型矩阵填充方法(Functional Matrix Completion Method with Class Information,CFMC)。在函数型数据分析框架下,基于非负矩阵分解构造函数型矩阵填充模型,在此基础上通过聚类划分引入样本类信息,借助类内样本相关性插补缺失值,并采用自加权集成学习算法动态赋权计算得到最终插补值。在公共交通数据集PeMS上进行插补实验,结果表明:当缺失率为15%~70%时,CFMC方法相较于K近邻算法、MICE、PACE等10种插补方法,均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分别降低了10.75%~81.69%、0.34%~84.48%和12.5%~81.08%,且耗时可控。所提CFMC方法插补精度高、鲁棒性好,能够保证插补的有效性和准确性。