CN108805030B - 一种应用于深度学习的特征提取方法及系统 - Google Patents
一种应用于深度学习的特征提取方法及系统 Download PDFInfo
- Publication number
- CN108805030B CN108805030B CN201810461081.3A CN201810461081A CN108805030B CN 108805030 B CN108805030 B CN 108805030B CN 201810461081 A CN201810461081 A CN 201810461081A CN 108805030 B CN108805030 B CN 108805030B
- Authority
- CN
- China
- Prior art keywords
- feature extraction
- image information
- subjected
- display module
- filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Liquid Crystal Display Device Control (AREA)
Abstract
本发明公开了一种应用于深度学习的特征提取方法及系统,对现有深度学习计算方式进行了改进,现有技术中,深度学习中的特征提取需要将一组待特征提取的数字信号与滤波器的数字信号进行卷积,本发明将前述两种数字信号形式转换为光信号形式,此时光信号形式可简便地转换为频域,时域上的卷积等同于其对应频域上的点乘,时域上的卷积很复杂,频域点乘的运算会简单很多,本发明可有效减小深度学习计算量,且部分运算转换为光计算后,这部分计算速度即变为光学,计算时间大幅缩小。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种应用于深度学习的特征提取方法及系统。
背景技术
深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。深度学习是机器学习中一种基于对数据进行表征学习的方法,在高速发展的科技环境中,其越来越多地被应用在人工智能、面部识别、虹膜识别等机器学习领域。人类也在不断探索在深度学习中如何更快地进行特征提取。
目前深度学习中卷积神经网络由输入层、卷积层、激活函数、池化层、全连接层组成,卷积层用于提取技术特征,在深度学习卷积运算里,特征提取的基本原理是采用不同的滤波器与一组待特征提取的数据进行空域上的矩阵卷积运算。若待特征提取的数据为X,滤波器为Y,则特征提取后的信息则为但是,在矩阵卷积运算过程中计算复杂、计算量大、计算耗时长。因此,目前一般在计算机中将待特征提取的数据与滤波器进行傅里叶变换,从而将两组数据的空域/空域信息变换为频谱信息;相应地,空域/空域上的卷积运算便转换为频谱上的点乘运算,而点乘运算的计算量则会小很多。但即便进行傅里叶变换,也是在计算机的程序中完成,其变换时间也是由计算机性能及数据量决定。计算机性能越强,变换速度越快;数据量越大,变换速度越慢。如果要使深度学习计算能力提高,只有不断投入性能更强更多的计算机硬件,其成本高,效率低。
发明内容
本发明的目的是提供一种应用于深度学习的特征提取方法及系统,解决在有限计算机性能及数量的情况下,如何实现提升深度学习计算效率的问题。
为了实现上述发明目的,本发明提供了一种应用于深度学习的特征提取方法,包括:将待特征提取的数字信号和其对应的滤波器的数字信号分别通过显示技术转换为待特征提取的空域图像信息和滤波器的空域图像信息;将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别通过光学傅里叶变换装置转换为待特征提取的频谱图像信息和滤波器的频谱图像信息,并分别通过光探测器将所述待特征提取的频谱图像信息和滤波器的频谱图像信息输出至处理器中进行点乘运算得到特征提取后的频谱图像信息。
优选的,所述方法还包括:将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
优选的,所述显示技术包括光纤扫描显示、OLED显示、LCD显示、LCoS显示和DLP显示中的一种。
相应的,本发明还提供了一种应用于深度学习的特征提取系统,包括:显示模组、光学傅里叶变换装置、光探测器和处理器,其中:所述显示模组用于将待特征提取的数字信号和其对应的滤波器的数字信号分别转换为待特征提取的空域图像信息和滤波器的空域图像信息;所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别转换为待特征提取的频谱图像信息和滤波器的频谱图像信息;所述光探测器用于将所述待特征提取的频谱图像信息和滤波器的频谱图像信息光电转换后输出至所述处理器中进行点乘运算,得到特征提取后的频谱图像信息。
优选的,所述显示模组采用时分复用方式将待特征提取的数字信号和其对应的滤波器的数字信号分别转换并显示为待特征提取的空域图像信息和滤波器的空域图像信息。
优选的,所述显示模组、光学傅里叶变换装置和光探测器分别为两套,一套用于处理待特征提取的信息数据,另一套用于处理滤波器的信息数据。
优选的,所述处理器还用于将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
优选的,所述显示模组包括光纤扫描显示模组、OLED显示模组、LCD显示模组、LCoS显示模组和DLP显示模组中的一种。
优选的,所述光探测器包括CCD探测器、光电二极管、光子型探测器、光电倍增管中的一种。
优选的,所述光学傅里叶变换装置为傅里叶变换透镜。
相应的,本发明还提供了一种应用于深度学习的特征提取系统,包括:显示模组、光学傅里叶变换装置、光探测器和处理器,所述处理器中存储有频谱图像信息形式的滤波器,其中:所述显示模组用于将待特征提取的数字信号转换为待特征提取的空域图像信息;所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息转换为待特征提取的频谱图像信息;所述光探测器用于将所述待特征提取的频谱图像信息光电转换后输出至所述处理器;所述处理器用于调用与所述待特征提取的频谱图像信息对应的滤波器,并将所述待特征提取的频谱图像信息与滤波器的频谱图像信息进行点乘运算,得到特征提取后的频谱图像信息。
优选的,所述处理器还用于将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
优选的,所述显示模组包括光纤扫描显示模组、OLED显示模组、LCD显示模组、LCoS显示模组和DLP显示模组中的一种;
优选的,所述光探测器包括CCD探测器、光电二极管、光子型探测器、光电倍增管中的一种。
与现有技术相比,本发明具有如下有益效果:
本发明在现有技术深度学习的基础上,先将特征提取数字信号和滤波器信号用显示技术变成空域信号,然后再用光学傅里叶变换装置将空域信号变成频谱信号,然后频域点乘实现特征提取,本发明可有效减小深度学习计算量,且部分运算转换为光计算后,这部分计算速度即变为光学,计算时间大幅缩小。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图:
图1是本发明实施例中的一种应用于深度学习的特征提取方法;
图2是对图1得到的结果进行傅里叶逆变换的实施例示意图;
图3是本发明实施例应用于深度学习的特征提取系统的一种结构示意图;
图4是本发明实施例应用于深度学习的特征提取系统的另一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有深度学习的所有运算都是在计算机中通过运行程序所完成,即运算是全软件运算,本发明在现有技术深度学习的基础上,提出将计算机运算中的某些运算通过本发明方案转换为光计算,实现提升深度学习计算效率。下面结合附图对本发明实施例进行详细介绍。
参见图1,为本发明实施例中的一种应用于深度学习的特征提取方法,包括:
S101:将待特征提取的数字信号和其对应的滤波器的数字信号分别通过显示技术转换为待特征提取的空域图像信息和滤波器的空域图像信息;本步骤中,显示技术可以为光纤扫描、激光MEMS扫描、OLED、LCD、LCoS、DLP等各种显示技术。
S202:将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别通过光学傅里叶变换装置转换为待特征提取的频谱图像信息和滤波器的频谱图像信息;其中光学傅里叶变换装置可采用傅里叶变换透镜,或与傅里叶变换透镜具有相同功效的光学器件;空域图像信息照射在光学傅里叶变换装置的一端,光学傅里叶变换装置的另一端便会输出其对应的频谱图像信息;
S203:分别通过光探测器将所述待特征提取的频谱图像信息和滤波器的频谱图像信息光电转换后输出至处理器中进行点乘运算,得到特征提取后的频谱图像信息。所述光探测器可以为多种类型的光电探测器,如CCD探测器、光电二极管、光子型探测器、光电倍增管等。本发明实施例中的处理器可以理解为一个PC,默认具有显卡、存储、运算等功能。
本发明实施例S203步骤得到的特征提取后的频谱图像信息可直接用于后续特征提取,也可以如图2实施例所示,将其进行傅里叶逆变换得到特征提取后的数字信号。
现有计算中,深度学习中的特征提取需要将一组待特征提取的数字信号与滤波器的数字信号之间的卷积,本发明中将前述两种数字信号形式转换为光信号形式,此时光信号形式可简便地转换为频域,时域上的卷积等同于其对应频域上的点乘,时域上的卷积很复杂,频域点乘的运算会简单很多,因此本发明可有效减小深度学习计算量,且部分运算转换为光计算后,这部分计算速度即变为光学,计算时间大幅缩小。
参见图3、4为本发明实施例应用于深度学习的特征提取系统的两种结构示意图,两种结构均包括:显示模组、光学傅里叶变换装置、光探测器和处理器,图3实施例中显示模组、光学傅里叶变换装置和光探测器为一套,工作时,所述显示模组采用时分复用方式将待特征提取的数字信号和其对应的滤波器的数字信号分别转换并显示为待特征提取的空域图像信息和滤波器的空域图像信息。图4实施例中,所述显示模组、光学傅里叶变换装置和光探测器分别为两套,一套用于处理待特征提取的信息数据,另一套用于处理滤波器的信息数据。图3和图4结构工作数据处理流程均可参见图1,所述显示模组用于将待特征提取的数字信号和其对应的滤波器的数字信号分别转换为待特征提取的空域图像信息和滤波器的空域图像信息;所述显示模组可以为光纤扫描显示模组、OLED显示模组、LCD显示模组、LCoS显示模组、DLP显示模组等。
所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别转换为待特征提取的频谱图像信息和滤波器的频谱图像信息;其中光学傅里叶变换装置可采用傅里叶变换透镜,或与傅里叶变换透镜具有相同功效的光学器件;空域图像信息照射在光学傅里叶变换装置的一端,光学傅里叶变换装置的另一端便会输出其对应的频谱图像信息。
所述光探测器用于将所述待特征提取的频谱图像信息和滤波器的频谱图像信息光电转换后输出至所述处理器中进行点乘运算,得到特征提取后的频谱图像信息。所述光探测器可以为多种类型的光电探测器,如CCD探测器、光电二极管、光子型探测器、光电倍增管等。本发明实施例中的处理器可以理解为一个PC,默认具有显卡、存储、运算等功能。
在需要得到数字信号形式的特征提取后的数据的实施例中,所述处理器还用于将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
本发明实施例还提出另一种应用于深度学习的特征提取系统,其结构示意图可参考图3结构,包括:显示模组、光学傅里叶变换装置、光探测器和处理器,与前述实施例不同的是,本发明实施例的理器中存储有频谱图像信息形式的滤波器。所述显示模组用于将待特征提取的数字信号转换为待特征提取的空域图像信息;所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息转换为待特征提取的频谱图像信息;所述光探测器用于将所述待特征提取的频谱图像信息光电转换后输出至所述处理器;所述处理器用于调用与所述待特征提取的频谱图像信息对应的滤波器,并将所述待特征提取的频谱图像信息与滤波器的频谱图像信息进行点乘运算,得到特征提取后的频谱图像信息。同样在需要得到数字信号形式的特征提取后的数据的实施例中,所述处理器还用于将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。所述显示模组及所述光探测器均可参考前面实施例的描述,在此不赘述。本发明实施例将滤波器直接采用频谱图像信息的形式存储于处理器中,可进一步缩减实时计算开销,提升计算效率。
本发明实施例对现有深度学习计算方式进行了改进,现有技术中,深度学习中的特征提取需要将一组待特征提取的数字信号与滤波器的数字信号进行卷积,本发明实施例将前述两种数字信号形式转换为光信号形式,此时光信号形式可简便地转换为频域,时域上的卷积等同于其对应频域上的点乘,时域上的卷积很复杂,频域点乘的运算会简单很多,因此本发明可有效减小深度学习计算量,且部分运算转换为光计算后,这部分计算速度即变为光学,计算时间大幅缩小。本发明方案运用于深度学习后,可在计算机性能及数量固定的情况下,有效提升计算效率,使得深度学习计算力的提高不再仅仅依靠投入性能更强更多的计算机硬件,可有效降低深度学习计算机硬件成本投入。
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (13)
1.一种应用于深度学习的特征提取方法,其特征在于,包括:
将待特征提取的数字信号和其对应的滤波器的数字信号分别通过显示技术转换为待特征提取的空域图像信息和滤波器的空域图像信息;
将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别通过光学傅里叶变换装置转换为待特征提取的频谱图像信息和滤波器的频谱图像信息,并分别通过光探测器将所述待特征提取的频谱图像信息和滤波器的频谱图像信息输出至处理器中进行点乘运算得到特征提取后的频谱图像信息。
2.如权利要求1所述的特征提取方法,其特征在于,还包括:
将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
3.如权利要求1或2所述的特征提取方法,其特征在于:所述显示技术包括光纤扫描显示、OLED显示、LCD显示、LCoS显示和DLP显示中的一种。
4.一种应用于深度学习的特征提取系统,其特征在于,包括:显示模组、光学傅里叶变换装置、光探测器和处理器,其中:
所述显示模组用于将待特征提取的数字信号和其对应的滤波器的数字信号分别转换为待特征提取的空域图像信息和滤波器的空域图像信息;
所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息和所述滤波器的空域图像信息分别转换为待特征提取的频谱图像信息和滤波器的频谱图像信息;
所述光探测器用于将所述待特征提取的频谱图像信息和滤波器的频谱图像信息光电转换后输出至所述处理器中进行点乘运算,得到特征提取后的频谱图像信息。
5.如权利要求4所述的特征提取系统,其特征在于,所述显示模组采用时分复用方式将待特征提取的数字信号和其对应的滤波器的数字信号分别转换并显示为待特征提取的空域图像信息和滤波器的空域图像信息。
6.如权利要求4所述的特征提取系统,其特征在于,所述显示模组、光学傅里叶变换装置和光探测器分别为两套,一套用于处理待特征提取的信息数据,另一套用于处理滤波器的信息数据。
7.如权利要求4至6任一项所述的特征提取系统,其特征在于,所述处理器还用于将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
8.如权利要求4至6任一项所述的特征提取系统,其特征在于,所述显示模组包括光纤扫描显示模组、OLED显示模组、LCD显示模组、LCoS显示模组和DLP显示模组中的一种。
9.如权利要求4至6任一项所述的特征提取系统,其特征在于,所述光探测器包括CCD探测器、光电二极管、光子型探测器、光电倍增管中的一种。
10.如权利要求4至6任一项所述的特征提取系统,其特征在于,所述光学傅里叶变换装置为傅里叶变换透镜。
11.一种应用于深度学习的特征提取系统,其特征在于,包括:显示模组、光学傅里叶变换装置、光探测器和处理器,所述处理器中存储有频谱图像信息形式的滤波器,其中:
所述显示模组用于将待特征提取的数字信号转换为待特征提取的空域图像信息;
所述光学傅里叶变换装置用于将所述待特征提取的空域图像信息转换为待特征提取的频谱图像信息;
所述光探测器用于将所述待特征提取的频谱图像信息光电转换后输出至所述处理器;
所述处理器用于调用与所述待特征提取的频谱图像信息对应的滤波器,并将所述待特征提取的频谱图像信息与滤波器的频谱图像信息进行点乘运算,得到特征提取后的频谱图像信息。
12.如权利要求11所述的特征提取系统,其特征在于,所述处理器还用于将所述特征提取后的频谱图像信息进行傅里叶逆变换得到特征提取后的数字信号。
13.如权利要求11或12所述的特征提取系统,其特征在于,所述显示模组包括光纤扫描显示模组、OLED显示模组、LCD显示模组、LCoS显示模组和DLP显示模组中的一种;
所述光探测器包括CCD探测器、光电二极管、光子型探测器、光电倍增管中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810461081.3A CN108805030B (zh) | 2018-05-15 | 2018-05-15 | 一种应用于深度学习的特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810461081.3A CN108805030B (zh) | 2018-05-15 | 2018-05-15 | 一种应用于深度学习的特征提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805030A CN108805030A (zh) | 2018-11-13 |
CN108805030B true CN108805030B (zh) | 2022-03-08 |
Family
ID=64092519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810461081.3A Active CN108805030B (zh) | 2018-05-15 | 2018-05-15 | 一种应用于深度学习的特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805030B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676729B (zh) * | 2022-03-28 | 2023-02-07 | 清华大学 | 时分复用信号的分接方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383042A (zh) * | 2008-10-07 | 2009-03-11 | 北京理工大学 | 一种基于分数阶傅里叶域滤波器组的数字水印技术 |
CN101976434A (zh) * | 2010-08-27 | 2011-02-16 | 浙江大学 | 一种用于图像配准的频域加权的相关方法 |
CN103973976A (zh) * | 2014-04-14 | 2014-08-06 | 杭州电子科技大学 | 一种利用光学成像的显著性提取装置及方法 |
CN104185026A (zh) * | 2014-09-05 | 2014-12-03 | 西安电子科技大学 | 随机投影域下相位编码的红外高分辨率成像方法及其装置 |
CN104408742A (zh) * | 2014-10-29 | 2015-03-11 | 河海大学 | 一种基于空间-时间频谱联合分析的运动目标检测方法 |
CN105574832A (zh) * | 2015-12-11 | 2016-05-11 | 上海交通大学 | 基于迭代方向滤波器组可逆深度卷积网络结构 |
CN105828087A (zh) * | 2016-05-26 | 2016-08-03 | 重庆大学 | 一种基于光学小波及压缩感知的图像压缩系统 |
CN106709441A (zh) * | 2016-12-16 | 2017-05-24 | 北京工业大学 | 一种基于卷积定理的人脸验证加速方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104706322B (zh) * | 2015-03-12 | 2017-03-01 | 清华大学 | 一种基于光计算的扫频光学相干成像系统 |
-
2018
- 2018-05-15 CN CN201810461081.3A patent/CN108805030B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383042A (zh) * | 2008-10-07 | 2009-03-11 | 北京理工大学 | 一种基于分数阶傅里叶域滤波器组的数字水印技术 |
CN101976434A (zh) * | 2010-08-27 | 2011-02-16 | 浙江大学 | 一种用于图像配准的频域加权的相关方法 |
CN103973976A (zh) * | 2014-04-14 | 2014-08-06 | 杭州电子科技大学 | 一种利用光学成像的显著性提取装置及方法 |
CN104185026A (zh) * | 2014-09-05 | 2014-12-03 | 西安电子科技大学 | 随机投影域下相位编码的红外高分辨率成像方法及其装置 |
CN104408742A (zh) * | 2014-10-29 | 2015-03-11 | 河海大学 | 一种基于空间-时间频谱联合分析的运动目标检测方法 |
CN105574832A (zh) * | 2015-12-11 | 2016-05-11 | 上海交通大学 | 基于迭代方向滤波器组可逆深度卷积网络结构 |
CN105828087A (zh) * | 2016-05-26 | 2016-08-03 | 重庆大学 | 一种基于光学小波及压缩感知的图像压缩系统 |
CN106709441A (zh) * | 2016-12-16 | 2017-05-24 | 北京工业大学 | 一种基于卷积定理的人脸验证加速方法 |
CN107122738A (zh) * | 2017-04-26 | 2017-09-01 | 成都蓝色起源科技有限公司 | 基于深度学习模型的无线电信号识别方法及其实现系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108805030A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805278B (zh) | 一种应用于深度学习的特征提取方法及系统 | |
He et al. | Single-image-based nonuniformity correction of uncooled long-wave infrared detectors: A deep-learning approach | |
CN110717851A (zh) | 图像处理方法及装置、神经网络的训练方法、存储介质 | |
CN109087269A (zh) | 弱光图像增强方法及装置 | |
CN111753977B (zh) | 光学神经网络卷积层芯片、卷积计算方法和电子设备 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
US10848746B2 (en) | Apparatus including multiple cameras and image processing method | |
Feng et al. | Digital micromirror device camera with per-pixel coded exposure for high dynamic range imaging | |
Tao et al. | Compressive single-pixel hyperspectral imaging using RGB sensors | |
JP2000134634A5 (zh) | ||
KR20220058143A (ko) | 영상 복원 방법 및 장치 | |
CN108805030B (zh) | 一种应用于深度学习的特征提取方法及系统 | |
CN113554739A (zh) | 重光照图像的生成方法、装置及电子设备 | |
CN114049259A (zh) | 一种用于图像处理的方法、芯片、装置及电子设备 | |
Liu et al. | Color ghost imaging through the scattering media based on A-cGAN | |
Bacca et al. | Compressive classification from single pixel measurements via deep learning | |
CN109102463B (zh) | 一种超分辨率图像重建方法及装置 | |
de Bruijne et al. | Extended scene deep learning wavefront sensing | |
Zhang et al. | Deep coded exposure: end-to-end co-optimization of flutter shutter and deblurring processing for general motion blur removal | |
CN113962873A (zh) | 一种图像去噪方法、存储介质及终端设备 | |
CN117496990A (zh) | 语音去噪方法、装置、计算机设备及存储介质 | |
Sohail et al. | Geometric superresolution by using an optical mask | |
Huang et al. | Edge device-based real-time implementation of CycleGAN for the colorization of infrared video | |
Wang et al. | Image quality enhancement using hybrid attention networks | |
CN111383171B (zh) | 一种图片处理方法、系统及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |