创新成果
创新成果
位置: 首页 > 创新成果 > 正文

唐厂 等,计算机学院. IEEE Transactions on Multimedia (2020), BR2Net: Defocus Blur Detection via a Bi-directional Channel Attention Residual Refining Network

来源: 作者:发稿时间:2020-04-23 16:18浏览次数:

20204月,多媒体领域顶级期刊《IEEE Transactions on Multimedia》刊发了我校计算机学院唐厂副教授与国防科技大学、京东AI研究院以及阿里巴巴达摩院合作完成的研究成果——BR2Net: Defocus Blur Detection via a Bi-directional Channel Attention Residual Refining Network (基于双向特征通道加权残差修正神经网络的图像模糊检测),该论文的第一作者为我校计算机学院唐厂副教授。

图像的模糊现象在成像过程中较为常见,模糊检测在图像处理及计算机视觉方面尤其是图像的质量评价、图像去模糊、图像模糊效果增强以及图像融合等方面有很重要的作用。但是传统的手工特征往往不能很好地挖掘图像中场景的语义信息,所以在聚焦的平滑区域容易产生错误的检测结果。另外,图像的模糊程度对图像的尺度信息较为敏感,不同的图像尺寸给人眼带来的模糊程度是不一样的。现有的方法在处理以上两个问题时很难达到较好的效果。

针对上述问题,本研究基于深度残差网络模型,构建了一个双向的残差修正网络结构来修正不同特征层提取的特征。考虑到神经网络中浅层特征对细节的反映较为充分但是缺乏语义信息,研究团队利用深层特征对其进行修正;反过来,考虑到深层特征对语义的反映较为充分但是缺乏细节信息,采用浅层特征对其进行修正。通过构建新的残差修正模块并嵌入网络中来加速网络的学习性能。此外,考虑到不同特征通道对图像模糊检测的不同作用,研究团队在残差修正模块中引入特征通道加权机制来学习不同特征通道的权重。最后,通过将双向修正的最终结果进行融合可以得到较为满意的结果。

该项研究得到国家自然科学基金青年项目“基于图模型的图像显著性目标检测”等项目的资助。

论文信息:

Title: BR2Net: Defocus Blur Detection via a Bi-directional Channel Attention Residual Refining Network

Authors: Chang Tang, Xinwang Liu, Shan An, Pichao Wang

SourceIEEE Transactions on Multimedia

PublishedApril 2020

DOI10.1109/TMM.2020.2985541

论文链接: https://ieeexplore.ieee.org/document/9057632