CN109584161A - 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 - Google Patents
基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN109584161A CN109584161A CN201811439902.XA CN201811439902A CN109584161A CN 109584161 A CN109584161 A CN 109584161A CN 201811439902 A CN201811439902 A CN 201811439902A CN 109584161 A CN109584161 A CN 109584161A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural networks
- channel attention
- network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 230000008929 regeneration Effects 0.000 claims abstract description 5
- 238000011069 regeneration method Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100247599 Hordeum vulgare RCAB gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
- G06T3/4076—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution using the original low-resolution images to iteratively correct the high-resolution images
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法。本发明在提出的卷积神经网络中引入了通道注意力机制,可以利用各特征通道间的相互依赖关系,来提高网络的特征表达能力。主要包括以下步骤:设计并搭建基于通道注意力的卷积神经网络模型;用较小的遥感数据库,构建训练样本,预训练步骤一搭建的深度卷积神经网络模型;步骤二的模型训练达到收敛时,添加更大的遥感数据库来进行精调,进一步提升网络的性能;在遥感图像重建阶段,将低分辨率图像作为输入,利用步骤三中训练出的模型来重建出最终的高分辨率图像。本发明所述的方法可以获得更好的重建效果,是一种有效的遥感图像超分辨率重建方法。
Description
技术领域
本发明涉及遥感图像超分辨率重建技术,具体涉及一种基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,属于数字图像处理领域。
背景技术
随着现代航天技术的快速发展,遥感图像在各个领域的应用越来越广泛,其分辨率的要求也越来越高。但是在获取遥感图像的过程中,由于大气扰动、频率的混叠,以及成像、传输等诸多因素导致遥感图像分辨率的下降。由于依靠硬件提升分辨率受到制造工艺和生产成本的限制,因此,利用软件方法提高图像的分辨率,这种方法被称为超分辨率重建技术。
当前超分辨率重建的方法分为三类:基于插值的方法、基于重建的方法和基于学习的方法。基于插值的方法运算速度快,但是容易引入模糊和锯齿效应,适用于实时性较强的应用场景。基于重建的方法依赖于降质模型和各种图像先验,先验的使用使重建图像具备了相应的自然图像统计特性。基于学习的方法通过学习利用低分辨率图像与高分辨率图像间的关系,来实现分辨率的提高。近年来,使用卷积神经网络的方法在超分辨率重建领域取得了很好的成功。然而,很多基于卷积神经网络的超分辨率重建的方法同等地对待每一个特征通道,这种处理忽视了每一个特征通道的权重,降低了网络的特征表达能力,因此用于学习的超分辨率重建网络的性能仍有提升的空间。
发明内容
本发明的目的是利用卷积神经网络中通道注意力机制的优点,充分利用各特征通道间的依赖性,来提高网络的特征表达能力,进而构建一种有效的遥感图像超分辨率重建方法。
本发明提出的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,主要包括以下操作步骤:
(1)设计并搭建基于通道注意力的深度卷积神经网络模型;
(2)用较小的遥感数据库,构建训练样本,预训练步骤(1)搭建的深度卷积神经网络模型;
(3)步骤(2)的模型训练达到收敛时,添加更大的遥感数据库来进行精调,进一步提升网络的性能;
(4)在遥感图像重建阶段,将低分辨率图像作为输入,利用步骤(3)中训练出的模型来重建出最终的高分辨率图像。
附图说明
图1是本发明基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法的网络框图
图2是本发明提出的残差通道注意力模块的框图
图3是本发明与另外五种方法对不同尺度因子的图像重建结果的对比图。其中,图(a)为尺度因子为3的重建结果对比图,图(b)为尺度因子为4的重建结果对比图
具体实施方式
下面结合附图对本发明作进一步说明:
图1中,基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,具体可以分为以下几个步骤:
(1)设计并搭建基于通道注意力的深度卷积神经网络模型;
(2)用较小的遥感数据库,构建训练样本,预训练步骤(1)搭建的深度卷积神经网络模型;
(3)步骤(2)的模型训练达到收敛时,添加更大的遥感数据库来进行精调,进一步提升网络的性能;
(4)在遥感图像重建阶段,将低分辨率图像作为输入,利用步骤(3)中训练出的模型来重建出最终的高分辨率图像。
具体地,所述步骤(1)中,搭建的卷积神经网络模型如图1所示。本网络首先利用一个卷积层提取低分辨率图像的浅层特征,接下来经过一系列的残差通道注意力模块,再将这些模块提取的特征进行融合,将融合的特征通过一个卷积层来降低特征的维度,接着用一个卷积层进一步提取比较深层的特征来进行全局残差学习,然后利用一个反卷积进行上采样,最后通过一个卷积层重建出高分辨率图像。其中本发明提出的残差通道注意力模块(RCAB)如图2所示,该模块除了最后一个激励层是Sigmoid函数将权重归一化0到1之间,其余激励层都是ReLU激活函数。该模块首先由两个卷积层来获得残差,然后经过平均池化层获得各通道的全局信息,再使用卷积层和非线性激活函数来学习各通道间的非线性关系,来提高网络的特征表达能力。本发明采用最小化二范数损失函数(均方误差)来更新卷积神经网络的中卷积核参数,其过程可用式(1)表示
其中Yi为原始图像,为网络输出端预测的高分辨率图像,N为训练样本的数量,θ为卷积神经网络中卷积核参数,i为卷积神经网络当前批处理的个数。
所述步骤(2)中,对遥感数据库进行不同尺度下采样来生成低分辨率图像,利用步骤(1)搭建的深度卷积神经网络模型来学习低分辨率图像与高分辨率图像间的关系。
所述步骤(3)中,步骤(2)的模型训练达到收敛时,添加更大的遥感数据库来进行精调,进一步提升网络的性能。深度卷积神经网络通常需要更大的数据库训练来使网络达到最好的性能,本发明将精调策略引入到我们的网络训练中,进一步提升了网络的重建效果。
所述步骤(4)中,在遥感图像重建阶段,将低分辨率遥感图像输入到步骤(3)训练的网络模型中,得到最终的重建结果图。
通过实验论证,本发明的深度卷积神经网络可以充分利用各特征通道的依赖性来提高网络的特征表达能力,因此网络就能有选择性地加强有用信息的特征并且抑制无用或作用不大的特征。
为了更好地说明本发明的有效性,在常用遥感测试图库“UC Merced”(其中包含了21类遥感图像)进行试验。模拟低分辨率图像的生成方式:对测试图库进行尺度因子为2,3和4的下采样来生成低分辨率图像库。实验中,选取双三次插值方法以及4种基于卷积神经网络的图像超分辨率重建算法作为对比方法。
对比的图像超分辨率重建算法为:
方法1:Dong等人提出的方法,参考文献“Image super-resolution using deepconvolutional networks,”IEEE transactions on pattern analysis and machineintelligence,vol.38,no.2,pp.295–307,2016.
方法2:Dong等人提出的方法,参考文献“Accelerating the super-resolutionconvolutional neural network,”in European Conference on Computer Vision,pp.391–407,Springer,2016.
方法3:Lei等人提出的方法,参考文献“Super-resolution for remote sensingimages via local–global combined network,”IEEE Geoscience and Remote SensingLetters,vol.14,no.8,pp.1243–1247,2017.
方法4:Kim等人提出的方法,参考文献“Accurate image super-resolutionusing very deep convolutional networks,”in Proceedings of the IEEE conferenceon computer vision and pattern recognition,pp.1646–1654,2016.
对比实验的内容如下:
实验1,用尺度因子为2,3和4对测试图库“UC Merced”进行下采样,方法1到方法4以及本发明对下采样的图库进行超分辨率重建测试。图像超分辨率重建部分实验结果图如图3所示,重建结果的客观评价参数如表一所示。其中客观评价参数采用PSNR(Peak Signalto Noise Ratio)和SSIM(Structure Similarity Index)。两个参数的数值越高表明重建的效果越好。表一展示了对比算法及本发明在UC Merced测试库上评价指标的平均值。表二展示了UC Merced测试库里21类遥感图像库的平均值。从表一及表二所示的客观参数上看,在测试图库“UC Merced”上本发明均取得了较高的PSNR和SSIM值。
表一
表二
实验2,本发明探索了提出的卷积神经网络模型中全局特征融合,全局残差学习和通道注意力机制的影响。
表三
全局特征融合 | × | √ | × | √ | × | √ | × | √ |
全局残差学习 | × | × | √ | √ | × | × | √ | √ |
通道注意力机制 | × | × | × | × | √ | √ | √ | √ |
PSNR | 29.70dB | 29.74dB | 29.76dB | 29.77dB | 29.81dB | 29.78dB | 29.82dB | 29.87dB |
表三展示了提出的卷积神经网络模型中全局特征融合,全局残差学习和通道注意力机制在UC Merced测试库中第15类遥感库上的影响(×表示不使用,√表示使用)。从上表可以看出使用通道注意力机制可以获得更高的PSNR,这充分表明了通道注意力机制在遥感图像超分辨率重建中的有效性。除此之外,当使用全局特征融合和全局残差学习时,PSNR值会进一步提高,这些比较表明了全局特征融合和全局残差学习的必要性。
图3展示了在尺度因子为3和4的重建结果,相比于对比的方法,本发明可以产生更清晰的边缘和更丰富的细节。综上所述,相比于对比算法,本发明的重建结果在主客观评价上都有很大的优势。因此,本发明是一种有效的遥感图像超分辨率重建方法。
Claims (4)
1.基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,其特征在于包括以下步骤:
步骤一:设计并搭建基于通道注意力的深度卷积神经网络模型;
步骤二:用较小的遥感数据库,构建训练样本,预训练步骤一搭建的深度卷积神经网络模型;
步骤三:步骤二的模型训练达到收敛时,添加更大的遥感数据库来进行精调,进一步提升网络的性能;
步骤四:在遥感图像重建阶段,将低分辨率图像作为输入,利用步骤三中训练出的模型来重建出最终的高分辨率图像。
2.根据权利要求1所述的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,其特征在于步骤一中深度卷积神经网络,该深度卷积神经网络引入了通道注意力机制,通道注意力机制可以利用各特征通道间的相互依赖关系,来提高网络的特征表达能力。
3.根据权利要求1所述的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,其特征在于步骤一中的卷积神经网络将不同层次的基于通道注意力的特征进行融合,为了充分利用不同层次的基于通道注意力的特征,通过融合层将每个残差通道注意力模块提取出的特征进行融合。
4.根据权利要求1所述的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法,其特征在于步骤三中精调的训练策略,深度卷积神经网络模型通常需要更大的数据库训练来使网络达到最好的性能,本发明将精调策略引入到我们的网络训练中,进一步提升网络的性能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811439902.XA CN109584161A (zh) | 2018-11-29 | 2018-11-29 | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811439902.XA CN109584161A (zh) | 2018-11-29 | 2018-11-29 | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109584161A true CN109584161A (zh) | 2019-04-05 |
Family
ID=65925033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811439902.XA Pending CN109584161A (zh) | 2018-11-29 | 2018-11-29 | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584161A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070489A (zh) * | 2019-04-30 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种基于视差注意力机制的双目图像超分辨方法 |
CN110135325A (zh) * | 2019-05-10 | 2019-08-16 | 山东大学 | 基于尺度自适应网络的人群人数计数方法及系统 |
CN110322402A (zh) * | 2019-04-30 | 2019-10-11 | 武汉理工大学 | 基于稠密混合注意力网络的医学图像超分辨率重建方法 |
CN111028150A (zh) * | 2019-11-28 | 2020-04-17 | 武汉大学 | 一种快速时空残差注意力视频超分辨率重建方法 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN111369442A (zh) * | 2020-03-10 | 2020-07-03 | 西安电子科技大学 | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 |
CN111461978A (zh) * | 2020-03-30 | 2020-07-28 | 北京工业大学 | 一种基于注意力机制的逐分辨率提升图像超分辨率复原方法 |
CN111598781A (zh) * | 2020-05-15 | 2020-08-28 | 宜宾电子科技大学研究院 | 一种基于混合高阶注意网络的图像超分辨率方法 |
CN111612695A (zh) * | 2020-05-19 | 2020-09-01 | 华侨大学 | 一种低分辨率人脸图像超分辨重建方法 |
CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
CN111754404A (zh) * | 2020-06-18 | 2020-10-09 | 重庆邮电大学 | 基于多尺度机制和注意力机制的遥感图像时空融合方法 |
CN111754592A (zh) * | 2020-03-31 | 2020-10-09 | 南京航空航天大学 | 一种基于特征通道信息的端到端多光谱遥感图像压缩方法 |
WO2020238558A1 (zh) * | 2019-05-24 | 2020-12-03 | 鹏城实验室 | 一种图像超分辨方法和系统 |
CN112243132A (zh) * | 2019-07-19 | 2021-01-19 | 四川大学 | 结合非局部先验与注意力机制的压缩视频后处理方法 |
CN112308772A (zh) * | 2019-08-02 | 2021-02-02 | 四川大学 | 基于深度学习局部与非局部信息的超分辨率重建方法 |
CN112419155A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种全极化合成孔径雷达影像超分辨率重建方法 |
CN112614056A (zh) * | 2020-12-31 | 2021-04-06 | 中国科学院生物物理研究所 | 图像超分辨率处理方法 |
CN112712488A (zh) * | 2020-12-25 | 2021-04-27 | 北京航空航天大学 | 基于自注意力融合的遥感图像超分辨率重建方法 |
CN114547017A (zh) * | 2022-04-27 | 2022-05-27 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563965A (zh) * | 2017-09-04 | 2018-01-09 | 四川大学 | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 |
CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
-
2018
- 2018-11-29 CN CN201811439902.XA patent/CN109584161A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563965A (zh) * | 2017-09-04 | 2018-01-09 | 四川大学 | 基于卷积神经网络的jpeg压缩图像超分辨率重建方法 |
CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和系统 |
Non-Patent Citations (3)
Title |
---|
YULUN ZHANG等: "Image Super-Resolution Using Very Deep Residual Channel Attention Networks", 《COMPUTER VISION-ECCV 2018》 * |
王东飞: "基于通道注意力的卷积神经网络在图像超分辨率重建中的应用", 《广播与电视技术》 * |
郭慧峰: "基于卷积神经网络的12306验证码识别", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322402B (zh) * | 2019-04-30 | 2023-07-25 | 武汉理工大学 | 基于稠密混合注意力网络的医学图像超分辨率重建方法 |
CN110322402A (zh) * | 2019-04-30 | 2019-10-11 | 武汉理工大学 | 基于稠密混合注意力网络的医学图像超分辨率重建方法 |
CN110070489A (zh) * | 2019-04-30 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种基于视差注意力机制的双目图像超分辨方法 |
CN110135325A (zh) * | 2019-05-10 | 2019-08-16 | 山东大学 | 基于尺度自适应网络的人群人数计数方法及系统 |
CN110135325B (zh) * | 2019-05-10 | 2020-12-08 | 山东大学 | 基于尺度自适应网络的人群人数计数方法及系统 |
WO2020238558A1 (zh) * | 2019-05-24 | 2020-12-03 | 鹏城实验室 | 一种图像超分辨方法和系统 |
CN112243132A (zh) * | 2019-07-19 | 2021-01-19 | 四川大学 | 结合非局部先验与注意力机制的压缩视频后处理方法 |
CN112308772A (zh) * | 2019-08-02 | 2021-02-02 | 四川大学 | 基于深度学习局部与非局部信息的超分辨率重建方法 |
CN111028150A (zh) * | 2019-11-28 | 2020-04-17 | 武汉大学 | 一种快速时空残差注意力视频超分辨率重建方法 |
CN111047515B (zh) * | 2019-12-29 | 2024-01-09 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN111047515A (zh) * | 2019-12-29 | 2020-04-21 | 兰州理工大学 | 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法 |
CN111369442B (zh) * | 2020-03-10 | 2022-03-15 | 西安电子科技大学 | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 |
CN111369442A (zh) * | 2020-03-10 | 2020-07-03 | 西安电子科技大学 | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 |
CN111461978A (zh) * | 2020-03-30 | 2020-07-28 | 北京工业大学 | 一种基于注意力机制的逐分辨率提升图像超分辨率复原方法 |
CN111754592A (zh) * | 2020-03-31 | 2020-10-09 | 南京航空航天大学 | 一种基于特征通道信息的端到端多光谱遥感图像压缩方法 |
CN111598781A (zh) * | 2020-05-15 | 2020-08-28 | 宜宾电子科技大学研究院 | 一种基于混合高阶注意网络的图像超分辨率方法 |
CN111612695B (zh) * | 2020-05-19 | 2023-08-01 | 华侨大学 | 一种低分辨率人脸图像超分辨重建方法 |
CN111612695A (zh) * | 2020-05-19 | 2020-09-01 | 华侨大学 | 一种低分辨率人脸图像超分辨重建方法 |
CN111681166A (zh) * | 2020-06-02 | 2020-09-18 | 重庆理工大学 | 一种堆叠注意力机制编解码单元的图像超分辨率重建方法 |
CN111754404A (zh) * | 2020-06-18 | 2020-10-09 | 重庆邮电大学 | 基于多尺度机制和注意力机制的遥感图像时空融合方法 |
CN111754404B (zh) * | 2020-06-18 | 2022-07-01 | 重庆邮电大学 | 基于多尺度机制和注意力机制的遥感图像时空融合方法 |
CN112419155A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种全极化合成孔径雷达影像超分辨率重建方法 |
CN112419155B (zh) * | 2020-11-26 | 2022-04-15 | 武汉大学 | 一种全极化合成孔径雷达影像超分辨率重建方法 |
CN112712488A (zh) * | 2020-12-25 | 2021-04-27 | 北京航空航天大学 | 基于自注意力融合的遥感图像超分辨率重建方法 |
CN112712488B (zh) * | 2020-12-25 | 2022-11-15 | 北京航空航天大学 | 基于自注意力融合的遥感图像超分辨率重建方法 |
CN112614056A (zh) * | 2020-12-31 | 2021-04-06 | 中国科学院生物物理研究所 | 图像超分辨率处理方法 |
CN112614056B (zh) * | 2020-12-31 | 2023-09-05 | 北京纳析光电科技有限公司 | 图像超分辨率处理方法 |
CN114547017A (zh) * | 2022-04-27 | 2022-05-27 | 南京信息工程大学 | 一种基于深度学习的气象大数据融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109584161A (zh) | 基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法 | |
US11450066B2 (en) | 3D reconstruction method based on deep learning | |
CN111259905B (zh) | 一种基于下采样的特征融合遥感图像语义分割方法 | |
CN109035142B (zh) | 一种对抗网络结合航拍图像先验的卫星图像超分辨方法 | |
CN113240580A (zh) | 一种基于多维度知识蒸馏的轻量级图像超分辨率重建方法 | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN111563902A (zh) | 一种基于三维卷积神经网络的肺叶分割方法及系统 | |
CN111325165B (zh) | 考虑空间关系信息的城市遥感影像场景分类方法 | |
Wen et al. | Image recovery via transform learning and low-rank modeling: The power of complementary regularizers | |
Li et al. | Deep learning methods in real-time image super-resolution: a survey | |
CN113807355A (zh) | 一种基于编解码结构的图像语义分割方法 | |
Luo et al. | Lattice network for lightweight image restoration | |
Li et al. | Hst: Hierarchical swin transformer for compressed image super-resolution | |
CN111583285A (zh) | 一种基于边缘关注策略的肝脏影像语义分割方法 | |
CN113240683B (zh) | 基于注意力机制的轻量化语义分割模型构建方法 | |
CN116468645B (zh) | 一种对抗性高光谱多光谱遥感融合方法 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN112669248A (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
CN110349170A (zh) | 一种全连接crf级联fcn和k均值脑肿瘤分割算法 | |
CN115775316A (zh) | 基于多尺度注意力机制的图像语义分割方法 | |
CN110288529B (zh) | 一种基于递归局部合成网络的单幅图像超分辨率重建方法 | |
Zhang et al. | Memory-efficient hierarchical neural architecture search for image restoration | |
Song et al. | Semi-MapGen: Translation of remote sensing image into map via semisupervised adversarial learning | |
CN112288626B (zh) | 一种基于双路径深度融合的人脸幻构方法及系统 | |
CN116993639A (zh) | 基于结构重参数化的可见光与红外图像融合方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |