CN108805844B - 一种基于先验滤波的轻量化回归网络构建方法 - Google Patents
一种基于先验滤波的轻量化回归网络构建方法 Download PDFInfo
- Publication number
- CN108805844B CN108805844B CN201810703659.1A CN201810703659A CN108805844B CN 108805844 B CN108805844 B CN 108805844B CN 201810703659 A CN201810703659 A CN 201810703659A CN 108805844 B CN108805844 B CN 108805844B
- Authority
- CN
- China
- Prior art keywords
- layer
- filter
- image
- lightweight
- training
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 19
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000013139 quantization Methods 0.000 claims abstract description 16
- 238000006731 degradation reaction Methods 0.000 claims abstract description 13
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 41
- 238000000034 method Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 229940050561 matrix product Drugs 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 239000011541 reaction mixture Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于先验滤波的轻量化回归网络构建方法,针对原始图像集中的各原始图像进行指定退化操作,获取对应退化图像,将原始图像和对应退化图像切成图像块,获取训练样本对;在训练样本对中进行聚类,依据聚类结果将训练样本对划分为不同类别;针对每一类别样本对,计算获得该类样本的先验滤波器,并将先验滤波器进行三值量化;利用三值量化后的先验滤波器构建轻量化回归网络并进行训练,在完成轻量化回归网络的训练后,输入的退化图像能够端到端地重建出更高质量的图像。本发明使用少量固定的先验滤波器可以构建出针对性强但更为轻量化的网络,计算简单、训练速度快、所需存储空间小,并更加适应小样本问题。
Description
技术领域
本发明涉及深度学习领域,具体涉及一种基于先验滤波器的轻量化网络构建方法。
背景技术
深度学习是机器学习领域的最具有潜力的方向,是一种包含多级非线性变换的层级机器学习方法,通过构建适用于不同任务的网络结构取得了远优于传统算法的效果,在计算机视觉和目标检测、自然语言处理、语音识别和语音分析等领域取得了突破性进展。随着研究的不断深入,深度网络模型在不断逼近计算机视觉任务的精度极限的同时,其深度和尺寸也在成倍增长,其所需的计算消耗以及硬件成本也随之递增,这限制了深度网络在移动端设备上的广泛应用;另外,参数量多的网络,需要大量样本来训练,所以在小样本问题上的效果不佳。因此,精简网络参数,同时不降低网络性能的轻量化网络模型的研究越来越受到各个领域的重视。
近年来提出的轻量化模型主要从两个方面考虑:一是,从模型权重数值角度压缩;二是,从网络架构角度压缩。XNornet是模型权重数值压缩的一种经典网络,通过将输入和权重都进行二值化操作,以此达到既减少模型存储空间,又加速模型的目的,但识别率却不如经典网络。同时,通过设计轻量化网络结构来减小模型规模也是研究的热点之一,例如:SqueezeNet、MobileNet、ShuffleNet、Xception,通过将3x3卷积滤波器替换为1x1卷积滤波器,以及采用名为depth-wise separable convolution的卷积方式及其改进方法代替传统卷积方式来达到减少网络参数的目的。最近,一种基于LBP思想的固定参数滤波器网络Local Binary Convolution Neural Networks(LBCnn)使用了基于LBP的滤波器,但是这种网络使用大量堆积这种滤波器来提高识别精度,参数仍然是海量的。
发明内容
本发明是为避免上述现有技术所存在的问题,提供一种基于先验滤波的轻量化回归网络构建方法,通过结合先验知识更好地设计少而精的滤波器,从而构建参数量小的轻量化网络。
本发明为解决技术问题采用如下技术方案:
本发明基于先验滤波的轻量化回归网络构建方法的特点是:首先针对原始图像集中的各原始图像进行指定退化操作,获取对应退化图像,将原始图像和对应退化图像切成图像块,获取训练样本对;在训练样本对中进行聚类,依据聚类结果将训练样本对划分为不同类别;针对每一类别样本对,计算获得该类样本的先验滤波器,并将先验滤波器进行三值量化;利用三值量化后的先验滤波器构建轻量化回归网络,所述轻量化回归网络包含多级滤波层、激活函数层,以及一个卷积输出层;通过训练所述轻量化回归网络,输入的退化图像能够端到端地重建出更高质量的图像。
本发明基于先验滤波的轻量化回归网络构建方法的特点是按如下步骤进行:
步骤101:获取训练样本集
针对原始图像集中的原始图像X进行指定退化操作,获得式(1)所表征的退化图像Y:
Y=DX+nd (1),
式(1)中,D表示指定的图像退化操作,nd为退化过程中产生的噪声;
对原始图像集中的各原始图像分别获得对应的退化图像,分切各退化图像获得3×3大小的退化图像块,将各退化图像块表示为9维的退化图像块向量yk,k=1,2,…,M,M为退化图像块总量,提取各退化图像块所对应的原始图像块中心像素值xk,将退化图像块与对应的原始图像块中心像素值xk组成一对训练样本对共计获得M对训练样本,构成训练样本集;
步骤102:训练样本集分类
使用K均值聚类算法对M个退化图像向量yk进行聚类,获取N个聚类中心hc,N为聚类的数量,c=1,2,…,N;将各退化图像块向量yk归类为其中一类,如式(2)所表征:
其中max{·}表示取集合中的最大值,Hc表示第c类图像块类别,×表示向量外积;
步骤103:在训练样本集上计算先验滤波器:
通过求解式(3)得到式(4)所示的第c类训练样本的滤波器向量fc:
其中,上标T表示转置,运算符·为普通矩阵乘积,上标-1表示矩阵求逆;
滤波器向量fc为9维向量,fc=(a1,a2,…,a9)T,将滤波器向量fc中的每一个元素按式(5)进行三值量化:
式(5),aj和ap均为滤波器向量的元素,j=1,2,…,9,t为设定的用于量化的局部差异值;
在完成每个元素的三值量化后,滤波器向量fc转化为三值滤波器向量;将三值滤波器向量重塑为3×3形式,即为第c类训练样本的先验滤波器Fc;
对所有N类的训练样本按照获得先验滤波器Fc的相同的方式,总计获得N个先验滤波器;
步骤104:使用先验滤波器构建回归网络的每一层,从而构建轻量化回归网络:
第一层,先验滤波层,使用先验滤波器Fc对输入图像YIN按式(6)进行滤波操作:
所述输入图像YIN为退化图像;
第二层,先验滤波层,使用先验滤波器Fc对第一层输出O(1)按式(8)进行滤波操作:
第三层,激励函数层,使用ReLU单元作为非线性化的激励函数,获得由式(10)所表征的第三层输出O(3):
第四层,卷积输出层,所述卷积输出层是指卷积神经网络中的卷积层,由式(11)获得第四层输出YOUT:
其中wc代表3×3大小的卷积核,b(4)为第四层偏置参数。
本发明基于先验滤波的轻量化回归网络构建方法的特点也在于:针对所构建的轻量化回归网络,使用原始图像集的原始图像X作为标定真实值,使用退化图像Y作为网络输入,将网络输出YOUT与标定真实值X之间的均方根误差作为损失,使用随机梯度下降或批量梯度下降的方法进行网络训练,完成所述轻量化回归网络的训练后,输入的退化图像能够端到端地重建出更高质量的图像。
与已有技术相比,本发明有益效果体现在:
1、本发明针对问题相应提取少而精的先验滤波器,可以构建出针对性强但更为轻量化的网络。使用少量固定的先验滤波器,大大减少了网络可学习参数量,其计算简单,加快了网络训练,并更加适应小样本问题。三值量化后的滤波器所需存储空间小,从内存占用上进一步降低了网络规模,使深度网络更加轻量化。
2、本发明可以针对具体问题构建先验滤波器,从而在极大降低参数量和存储需求的同时保持较好的性能,是一种高效的轻量化网络构建方法。
附图说明
图1是本发明方法的流程图。
具体实施方式
本实施例中基于先验滤波的轻量化回归网络构建方法是:首先针对原始图像集中的各原始图像进行指定退化操作,获取对应退化图像,将原始图像和对应退化图像切成图像块,获取训练样本对;在训练样本对中进行聚类,依据聚类结果将训练样本对划分为不同类别;针对每一类别样本对,计算获得该类样本的先验滤波器,并将先验滤波器进行三值量化;利用三值量化后的先验滤波器构建轻量化回归网络,所述轻量化回归网络包含多级滤波层、激活函数层,以及一个卷积输出层;通过训练所述轻量化回归网络,输入的退化图像能够端到端地重建出更高质量的图像。
具体实施中,按如下步骤进行操作:
步骤101:获取训练样本集
根据不同的问题,包括图像去噪、去模糊、去雾、超分辨率增强、去编解码块效应等各种不同的问题,针对原始图像集中的原始图像X进行指定退化操作,获得式(1)所表征的退化图像Y:
Y=DX+nd (1),
式(1)中,D表示指定的图像退化操作,nd为退化过程中产生的噪声;
对原始图像集中的各原始图像分别获得对应的退化图像,分切各退化图像获得3×3大小的退化图像块,将各退化图像块表示为9维的退化图像块向量yk,k=1,2,…,M,M为退化图像块总量,提取各退化图像块所对应的原始图像块中心像素值xk,将退化图像块与对应的原始图像块中心像素值xk组成一对训练样本对共计获得M对训练样本,构成训练样本集;yk是9维的向量,xk为标量。
步骤102:训练样本集分类
使用K均值聚类算法对M个退化图像向量yk进行聚类,获取N个聚类中心hc,N为聚类的数量,c=1,2,…,N;将各退化图像块向量yk归类为其中一类,如式(2)所表征:
其中max{·}表示取集合中的最大值,Hc表示第c类图像块类别,×表示向量外积;
式(2)是指:分别计算yk与各聚类中心hc的外积,若yk与第c类聚类中心hc的外积最大,便将yk及与之对应的xk归类为类别Hc。
在完成所有的训练样本集分类后,获得总计N类的训练样本,将第c类训练样本记为:Nc为第c类的样本对总数,{ui,vi}为第c类中第i个训练样本对,并有:为了精简最终获取的滤波器数量,总类别N可以取值为32、64和128等比较小的数目。
步骤103:在训练样本集上计算先验滤波器:
通过求解式(3)得到式(4)所示的第c类训练样本的滤波器向量fc:
其中,上标T表示转置,运算符·为普通矩阵乘积,上标-1表示矩阵求逆。
滤波器向量fc为9维向量,fc=(a1,a2,…,a9)T,将滤波器向量fc中的每一个元素按式(5)进行三值量化:
式(5),aj和ap为滤波器向量的元素,j=1,2,…,9,其中,ap为滤波器向量元素是ap是由p=1到9表示当前需要量化的滤波器向量的每个元素,aj为滤波器向量的元素是指当前量化的滤波器向量元素,t为设定的用于量化的局部差异值;
在完成每个元素的三值量化后,滤波器向量fc转化为三值滤波器向量;将三值滤波器向量重塑为3×3形式,即为第c类训练样本的先验滤波器Fc;
对所有N类的训练样本按照获得先验滤波器Fc的相同的方式,总计获得N个先验滤波器。
步骤104:使用先验滤波器构建回归网络的每一层,从而构建轻量化回归网络:
第一层,先验滤波层,使用先验滤波器Fc对输入图像YIN按式(6)进行滤波操作:
所述输入图像YIN即为退化图像;
第二层,先验滤波层,使用先验滤波器Fc对第一层输出O(1)按式(8)进行滤波操作:
第三层,激励函数层,使用ReLU单元作为非线性化的激励函数,获得由式(10)所表征的第三层输出O(3):
第四层,卷积输出层,所述卷积输出层是指卷积神经网络中的卷积层,由式(11)获得第四层输出YOUT:
其中wc代表3×3大小的卷积核,b(4)为第四层偏置参数。
具体实施中,针对所构建的轻量化回归网络,使用原始图像集的原始图像X作为标定真实值,使用退化图像Y作为网络输入,将网络输出YOUT与标定真实值X之间的均方根误差作为损失,使用随机梯度下降或批量梯度下降的方法进行网络训练,完成所述轻量化回归网络的训练后,输入的退化图像能够端到端地重建出更高质量的图像。
Claims (2)
1.一种基于先验滤波的轻量化回归网络构建方法,其特征是:首先针对原始图像集中的各原始图像进行指定退化操作,获取对应退化图像,将原始图像和对应退化图像切成图像块,获取训练样本对;在训练样本对中进行聚类,依据聚类结果将训练样本对划分为不同类别;针对每一类别样本对,计算获得该类样本的先验滤波器,并将先验滤波器进行三值量化;利用三值量化后的先验滤波器构建轻量化回归网络,所述轻量化回归网络包含多级滤波层、激活函数层,以及一个卷积输出层;通过训练所述轻量化回归网络,输入的退化图像能够端到端地重建出更高质量的图像;所述基于先验滤波的轻量化回归网络构建方法按如下步骤进行:
步骤101:获取训练样本集
针对原始图像集中的原始图像X进行指定退化操作,获得式(1)所表征的退化图像Y:
Y=DX+nd (1)
式(1)中:D表示指定的图像退化操作,nd为退化过程中产生的噪声;
对原始图像集中的各原始图像分别获得对应的退化图像,分切各退化图像获得3×3大小的退化图像块,将各退化图像块表示为9维的退化图像块向量yk,k=1,2,…,M,M为退化图像块总量,提取各退化图像块所对应的原始图像块中心像素值xk,将退化图像块与对应的原始图像块中心像素值xk组成一对训练样本对共计获得M对训练样本,构成训练样本集;
步骤102:训练样本集分类
使用K均值聚类算法对M个退化图像向量yk进行聚类,获取N个聚类中心hc,N为聚类的数量,c=1,2,…,N;将各退化图像块向量yk归类为其中一类,如式(2)所表征:
其中:max{·}表示取集合中的最大值,Hc表示第c类图像块类别,×表示向量外积;
步骤103:在训练样本集上计算先验滤波器:
通过求解式(3)得到式(4)所示的第c类训练样本的滤波器向量fc:
其中:上标T表示转置,运算符·为普通矩阵乘积,上标-1表示矩阵求逆;
滤波器向量fc为9维向量,fc=(a1,a2,…,a9)T,将滤波器向量fc中的每一个元素按式(5)进行三值量化:
式(5)中:
aj和ap均为滤波器向量的元素,j=1,2,…,9,t为设定的用于量化的局部差异值;
在完成每个元素的三值量化后,滤波器向量fc转化为三值滤波器向量;将三值滤波器向量重塑为3×3形式,即为第c类训练样本的先验滤波器Fc;
对所有N类的训练样本按照获得先验滤波器Fc的相同的方式,总计获得N个先验滤波器;
步骤104:使用先验滤波器构建回归网络的每一层,从而构建轻量化回归网络:
第一层,先验滤波层,使用先验滤波器Fc对输入图像YIN按式(6)进行滤波操作:
所述输入图像YIN为退化图像;
第二层,先验滤波层,使用先验滤波器Fc对第一层输出O(1)按式(8)进行滤波操作:
第三层,激励函数层,使用ReLU单元作为非线性化的激励函数,获得由式(10)所表征的第三层输出O(3):
第四层,卷积输出层,所述卷积输出层是指卷积神经网络中的卷积层,由式(11)获得第四层输出YOUT:
其中:wc代表3×3大小的卷积核,b(4)为第四层偏置参数。
2.根据权利要求1所述的基于先验滤波的轻量化回归网络构建方法,其特征是:针对所构建的轻量化回归网络,使用原始图像集的原始图像X作为标定真实值,使用退化图像Y作为网络输入,将网络输出YOUT与标定真实值X之间的均方根误差作为损失,使用随机梯度下降或批量梯度下降的方法进行网络训练,完成所述轻量化回归网络的训练后,输入的退化图像能够端到端地重建出更高质量的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810703659.1A CN108805844B (zh) | 2018-06-30 | 2018-06-30 | 一种基于先验滤波的轻量化回归网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810703659.1A CN108805844B (zh) | 2018-06-30 | 2018-06-30 | 一种基于先验滤波的轻量化回归网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805844A CN108805844A (zh) | 2018-11-13 |
CN108805844B true CN108805844B (zh) | 2021-10-08 |
Family
ID=64073573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810703659.1A Active CN108805844B (zh) | 2018-06-30 | 2018-06-30 | 一种基于先验滤波的轻量化回归网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805844B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109271974A (zh) * | 2018-11-16 | 2019-01-25 | 中山大学 | 一种轻量化人脸联合检测与识别方法及其系统 |
CN109993820B (zh) * | 2019-03-29 | 2022-09-13 | 合肥工业大学 | 一种动画视频自动生成方法及其装置 |
CN114513662B (zh) * | 2022-04-19 | 2022-06-17 | 北京云中融信网络科技有限公司 | 一种qp自适应环内滤波方法、系统、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528794A (zh) * | 2016-01-15 | 2016-04-27 | 上海应用技术学院 | 基于混合高斯模型与超像素分割的运动目标检测方法 |
CN106126581A (zh) * | 2016-06-20 | 2016-11-16 | 复旦大学 | 基于深度学习的手绘草图图像检索方法 |
CN106339984A (zh) * | 2016-08-27 | 2017-01-18 | 中国石油大学(华东) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 |
KR20170021176A (ko) * | 2015-08-17 | 2017-02-27 | 한국과학기술원 | 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템 |
CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
CN107851193A (zh) * | 2015-07-14 | 2018-03-27 | 顶级公司 | 混合机器学习系统 |
CN107967671A (zh) * | 2017-10-30 | 2018-04-27 | 大连理工大学 | 结合数据学习和物理先验的图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9563825B2 (en) * | 2014-11-20 | 2017-02-07 | Adobe Systems Incorporated | Convolutional neural network using a binarized convolution layer |
-
2018
- 2018-06-30 CN CN201810703659.1A patent/CN108805844B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107851193A (zh) * | 2015-07-14 | 2018-03-27 | 顶级公司 | 混合机器学习系统 |
KR20170021176A (ko) * | 2015-08-17 | 2017-02-27 | 한국과학기술원 | 해파리 퇴치용 군집 로봇 시스템을 효율적으로 운용하기 위한 해파리 분포 인식 방법 및 시스템 |
CN105528794A (zh) * | 2016-01-15 | 2016-04-27 | 上海应用技术学院 | 基于混合高斯模型与超像素分割的运动目标检测方法 |
CN106126581A (zh) * | 2016-06-20 | 2016-11-16 | 复旦大学 | 基于深度学习的手绘草图图像检索方法 |
CN106339984A (zh) * | 2016-08-27 | 2017-01-18 | 中国石油大学(华东) | 基于k均值驱动卷积神经网络的分布式图像超分辨方法 |
CN106600538A (zh) * | 2016-12-15 | 2017-04-26 | 武汉工程大学 | 一种基于区域深度卷积神经网络的人脸超分辨率算法 |
CN107967671A (zh) * | 2017-10-30 | 2018-04-27 | 大连理工大学 | 结合数据学习和物理先验的图像去雾方法 |
Non-Patent Citations (3)
Title |
---|
A Novel Convolutional Neural Network Architecture for Image Super-Resolution Based on Channels Combination;Cun Liu等;《20th International Conference on Information Fusion》;20170713;第1-8页 * |
Image Super-Resolution Using Deep Convolutional Networks;Chao Dong等;《arXiv》;20150731;第1-14页 * |
基于深度学习的图像超分辨率复原研究进展;孙旭等;《自动化学报》;20170531;第43卷(第5期);第697-709页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108805844A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mao et al. | Image restoration using very deep convolutional encoder-decoder networks with symmetric skip connections | |
CN109087273B (zh) | 基于增强的神经网络的图像复原方法、存储介质及系统 | |
CN109002889B (zh) | 自适应迭代式卷积神经网络模型压缩方法 | |
Ren et al. | Dn-resnet: Efficient deep residual network for image denoising | |
CN108805844B (zh) | 一种基于先验滤波的轻量化回归网络构建方法 | |
CN113259665B (zh) | 一种图像处理方法以及相关设备 | |
CN108985457B (zh) | 一种受优化算法启发的深度神经网络结构设计方法 | |
CN110060286B (zh) | 一种单目深度估计方法 | |
WO2021042857A1 (zh) | 图像分割模型的处理方法和处理装置 | |
CN112150354B (zh) | 联合轮廓增强与去噪统计先验的单幅图像超分辨率方法 | |
Chang et al. | Automatic channel pruning via clustering and swarm intelligence optimization for CNN | |
CN113595993A (zh) | 边缘计算下模型结构优化的车载感知设备联合学习方法 | |
Tang et al. | Image denoising via graph regularized K-SVD | |
Chikin et al. | Channel balancing for accurate quantization of winograd convolutions | |
Jiang et al. | Multi-level memory compensation network for rain removal via divide-and-conquer strategy | |
CN111402405A (zh) | 一种基于注意力机制的多视角图像三维重建方法 | |
Hao et al. | Efficient residual attention network for single image super-resolution | |
Huang et al. | Self-supervised medical image denoising based on wista-net for human healthcare in metaverse | |
CN113780550A (zh) | 一种量化特征图相似度的卷积神经网络剪枝方法及装置 | |
Wu et al. | Dcanet: Dual convolutional neural network with attention for image blind denoising | |
Tang et al. | Lightweight network with one-shot aggregation for image super-resolution | |
CN110120009B (zh) | 基于显著物体检测和深度估计算法的背景虚化实现方法 | |
CN116777745A (zh) | 一种基于稀疏自适应聚类的图像超分辨率重建方法 | |
CN108305219B (zh) | 一种基于不相关稀疏字典的图像去噪方法 | |
CN114677545B (zh) | 一种基于相似性剪枝和高效模块的轻量化图像分类方法 |
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 |