CN110717856A - 一种用于医学成像的超分辨率重建算法 - Google Patents
一种用于医学成像的超分辨率重建算法 Download PDFInfo
- Publication number
- CN110717856A CN110717856A CN201910827129.2A CN201910827129A CN110717856A CN 110717856 A CN110717856 A CN 110717856A CN 201910827129 A CN201910827129 A CN 201910827129A CN 110717856 A CN110717856 A CN 110717856A
- Authority
- CN
- China
- Prior art keywords
- attention
- module
- feature
- global
- image
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 16
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013215 result calculation Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种用于医学成像的超分辨率重建算法,包括步骤:利用全局注意力网络提取目标医学图像的包含高频信息的浅层特征,以及包括抽象信息的深层特征;对图像尺寸上采样放大后,进行全局注意力处理,获得全局特征;在所述全局特征的基础上,进行图像重建,输出重建后的图像。本发明通过双注意力机制提取输入图像的重要特征成分,提高超分辨率重建的图像质量,恢复对医学分析极为关键的图像细节,减少神经网络参数,加快神经网络收敛速度。
Description
技术领域
本发明涉及计算机视觉技术领域,特别是涉及一种用于医学成像的超分辨率重建算法。
背景技术
基于深度学习的超分辨率重建技术如卷积神经网络、残差学习和密集连接广泛地应用到超分辨率重建工作中,如用于单图像超分辨率重建任务的的三层卷积神经网络(CNN),称为SRCNN,以端到端的方式优化特征提取、非线性映射和图像重建阶段。然而受自身卷积层数的限制,该方法提取的特征有限,恢复质量仍有待提高。SRCNN基础上,有人提出更深层的网络结构--VDSR,深度达到20层,并引入残差学习和梯度裁剪以降低训练难度。随着深度的增加,网络产生的冗余信息越来越多,这会浪费大量计算资源,甚至会降低网络性能。
卷积神经网络的深度对网络的性能影响很大,但是过深的网络却难以训练。网络的浅层特征包含丰富的高频信息,这对图像细节的重建非常重要,但这些高频信息在通道间被平等对待,这阻碍了网络的表达能力。
发明内容
本发明的目的是针对现有技术中存在的技术缺陷,而提供一种基于双注意力机制与深度学习的用于医学成像的超分辨率重建算法,通过提出全局注意力网络,应用于单图像超分辨率重建任务,达到提升输入图像分辨率,优化生成图像视觉质量的目的。
为实现本发明的目的所采用的技术方案是:
一种用于医学成像的超分辨率重建算法,包括步骤:
利用全局注意力网络提取目标医学图像的包含高频信息的浅层特征,以及包括抽象信息的深层特征;
对图像尺寸上采样放大后,进行全局注意力处理,获得全局特征;
在所述全局特征的基础上,进行图像重建,输出重建后的图像。
其中,所述全局注意力网络包括依次顺序连接的浅层特征提取模块,深层特征提取模块、上采样模块、全局特征模块以及图像重建模块。
其中,所述浅层特征提取模块包含一个3×3的卷积层;
所述深层特征提取模块包括依次顺序连接的卷积模块、通道注意力模块与空间注意力模块;所述卷积模块包括两个基本卷积块以及位于两个基本卷积块之间一个过渡卷积层,所述基本卷积块采用密集残差结构,所述过渡卷积层卷积核大小为3×3;
所述上采样模块包含两层反卷积层,用于输入LR的尺寸放大到HR大小;
所述图像重建模块包括一层卷积核大小为1×1的卷积层。
其中,所述通道注意力模块包括:
降维模块,用于对输入特征图采用平均池化与最大池化的方法进行降维;
特征评估模块,用于在输入特征图降维后进行特征评估得到各自权重;
结果计算模块,用于将上述权重相加并通过sigmoid归一化得到最终的通道注意力结果--通道注意力特征图;通道注意力特征图表述如下:
其中,所述空间注意力模块,基于通道注意力模块的输出结果,在通道维度上使用最大池化和平均池化得到两个不同特征图和并在通道维度上将两个所述特征图连接,最后经过一个7×7卷积层得到空间注意力结果;空间注意力满足方程:
MS(F)=σ(f7×7([AvgPool(F);MaxPool(F)]),
其中,MS(F)表示空间注意力特征图,σ为sigmoid函数;f7×7()为7×7的卷积操作;AvgPool()为均值池化函数;MaxPool()为最大池化函数;[;]表示通道维度上特征的连接操作。
其中,所述全局特征模块包括依次顺序连接的全局特征单元,特征传递单元以及特征聚合单元;所述全局特征单元包括一个1×1的卷积层与softmax分类器,所述特征传递单元包括一个1×1的卷积层、一个Instance_Norm层,Relu 层,所述特征聚合单元包括一个1×1的卷积层。
本发明通过双注意力机制提取输入图像的重要特征成分,提高超分辨率重建的图像质量,恢复对医学分析极为关键的图像细节,减少神经网络参数,加快神经网络收敛速度。
附图说明
图1所示为医学成像的超分辨率重建算法所用全局双注意力网络结构图;
图2所示为通道注意力模块的结构图;
图3所示为空间注意力模块的结构图;
图4所示为全局注意力模块的结构图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1-4所示,本发明用于医学成像的超分辨率重建算法,是利用所构建的全局注意力网络来依次进行以下操作而实现,其步骤具体如下:
S1.利用浅层特征提取模块提取浅层特征Fshallow(x):
Fshallow(x)=Conv3×3(x)
S2.利用深层特征提取模块提取深层特征Fdeep(x):
Fdeep(x)=BLOCK(x)
=ReLu(InstanceNorm(Conv3×3(x)))
其中,Conv3×3()是卷积层,InstanceNorm()是实例归一化层,ReLu是非线性层,共同级联构成BLOCK模块。
S3.利用上采样模块进行上采样恢复图像尺寸Fup_smpxn(x):
Fup_smp×n(x)=Up_Sample×n(x)
S 4.利用全局特征提取模块提取全局特征Fglobal(x):
S 5.利用图像重建模块进行图像重建,获得重建图像Xgen:
Xgen(x)=Gen(x)。
图2是本发明所用的全局双注意力网络结构。
利用全局注意力网络的通道注意力(chanel attention)模块提取图像的抽象信息,即图像中的内容。利用全局注意力网络的空间注意力(spatial attetion)模块提取图像中的位置信息,即图像中各要素间的相对位置。另外,上述双注意力模块采用池化操作,可以对输入图像进行特征层面的降噪,全局注意力网络的全局注意力(global attetion)模块,负责计算图像中所有像素点对于某一特定像素的映射,即图像中所有像素点在当前像素点的映射加权和,权重值由softmax函数求得,其中全局池化操作,可以提高网络的拟合能力,减少网络层数,加快训练速度。
注意力机制(Visual Attention Mechanism,VA),认为人类在面对一个场景时,有优先关注对感兴趣区域而选择性地忽略不感兴趣区域,这大大提高了大脑处理图像信息的效率。在计算机视觉领域,利用注意力机制可使网络优先关注包含信息丰富的特征区域,将这一特性应用到超分辨率重建任务中,提升了网络的性能,改善了重建图像的视觉效果。
本发明中,所述全局双注意力网络包含五部分:
(1)浅层特征提取模块,用于提取浅层特征(纹理、细节、灰度值等),这些浅层特征包含大量的高频信息,由一个3×3的卷积层构成;
(2)深层特征提取模块,用于提取深层特征(抽象语义,比如图像内容是什么),这些特征包含抽象信息,由两个基本卷积块basic_0和basic_1以及一个过渡卷积层构成,基本卷积块采用的是密集残差结构,过渡卷积层卷积核大小为3×3;
本发明中,密集残差网络不是单纯的将每层进行像素级别的相加,而是进行信道级别连接,实验证明,这种连接方式会节省计算资源,加速网络训练。
(3)上采样模块,用于将输入低分辨率图像LR((Low Resolution)的尺寸放大到输出的高分辨率图像HR((High Resolution)大小,由两层反卷积构成;
(4)全局特征提取模块,由全局注意力网络或模块构成;
(5)图像重建模块,由一层卷积核大小为1×1的卷积层构成,因为生成的是彩色图像,所以输出通道为3。
图2是本发明中所用通道注意力模块结构图。通道注意力(chanel attention)模块关注输入的抽象信息。输入图像各特征通道间信息有高度相关性,利用此相关性,滤除通道冗余信息,使网络专注于有用信息,生成通道注意力。
网络的浅层特征包含丰富的高频信息,这对图像细节的重建非常重要,但这些高频信息在通道间被平等对待,这阻碍了网络的表达能力。为克服这一缺点,本发明将通道注意力机制引入到医学图像的超分辨率重建中。
由于通道注意力是关注输入的抽象信息。为有效地计算通道注意力,对输入特征图降维。常用降维方法是均值池化,但均值池化会损失一些高频信息。为此同时使用了均值池化与最大池化,实验证明效果比单独使用均值池化性能优异。降维之后特征图记为和定义某中间特征图为F∈RC×H×W(C为通道数,H、W为特征图尺寸),通道注意力特征图为MC∈RC×1×1,之后进行特征评估得到权重W0、W1,将权重相加并通过sigmoid归一化得到最终的通道注意力。通道注意力满足方程:
图3是本发明中所用的空间注意力(spatial attetion)模块结构图。与通道注意力不同,空间注意力关注输入中的位置信息,利用所有像素特征的加权和来选择性地聚合每个位置处的特征。利用特征的空间关系生成空间注意力,首先在通道维度上使用平均池化和最大池化得到两个不同的特征图和(H、W为特征图尺寸),并在通道维度上将这两个特征图连接,最后经过一个7×7的卷积层得到空间注意力。空间注意力满足方程:
式中:σ为sigmoid函数;f7×7()为7×7的卷积操作;AvgPool()为均值池化函数;MaxPool()为最大池化函数;[;]表示通道维度上特征的连接操作。
图4是本发明中所用的全局注意力(global attetion)模块结构图。全局注意力计算全局其他片区(比如很远的像素)对当前区域的贡献。
在卷积神经网络中,设卷积核为n×n,则该层卷积只关注邻域为n的区域,即使通过增加层数、采用扩张卷积使感受野越来越大,终究还是局部区域的运算,这样就忽略了全局其他片区(比如很远的像素)对当前区域的贡献。本发明提出的全局注意力网络模块,就是提取这种长程依赖关系,也就是图像中任何像素在当前像素的映射的叠加。首先使用1×1的卷积提取图像每一个像素点的权重,并使用softmax对所有权重进行估值,该过程得到的权重在网络训练过程不断更新。
图像重建模块,该算法使用端到端的重建方式,提取的各层次特征经过一个1×1的卷积层进行特征融合,利用反向传播算法进行监督学习,优化生成图像与ground truth之间损失,包括像素级损失MSE(mean square error)、感知损失(perceptual loss),其中感知损失是基于VGG19预训练的深层神经网络, VGG19提取生成图像各层风格特征与语义特征,并由ground truth参与监督优化。
本发明提出的单图像超分辨率模型,称为全局双重注意网络(GDAN),应用频道注意力和空间注意力以不等方式处理低分辨率图像,可以突出高频成分,并利用全局注意力模块来提取上下文信息。
本发明将双重注意模块与残留密集结构相结合,以便GDAN可轻松堆叠成一个非常深入和可训练的网络架构。对各种基准数据集的广泛评估验证了所提出的模型与最先进的SR算法相比的有效性。
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种用于医学成像的超分辨率重建算法,其特征在于,包括步骤:
利用全局注意力网络提取目标医学图像的包含高频信息的浅层特征,以及包括抽象信息的深层特征;
对图像尺寸上采样放大后,进行全局注意力处理,获得全局特征;
在所述全局特征的基础上,进行图像重建,输出重建后的图像。
2.根据权利要求1所述用于医学成像的超分辨率重建算法,其特征在于,所述全局注意力网络包括依次顺序连接的浅层特征提取模块,深层特征提取模块、上采样模块、全局特征模块以及图像重建模块。
3.根据权利要求1所述用于医学成像的超分辨率重建算法,其特征在于,所述浅层特征提取模块包含一个3×3的卷积层;
所述深层特征提取模块包括依次顺序连接的卷积模块、通道注意力模块与空间注意力模块;所述卷积模块包括两个基本卷积块以及位于两个基本卷积块之间一个过渡卷积层,所述基本卷积块采用密集残差结构,所述过渡卷积层卷积核大小为3×3;
所述上采样模块包含两层反卷积层,用于输入LR的尺寸放大到HR大小;
所述图像重建模块包括一层卷积核大小为1×1的卷积层。
6.根据权利要求5所述用于医学成像的超分辨率重建算法,其特征在于,所述全局特征模块包括依次顺序连接的全局特征单元,特征传递单元以及特征聚合单元;所述全局特征单元包括一个1×1的卷积层与softmax分类器,所述特征传递单元包括一个1×1的卷积层、一个Instance_Norm层,Relu层,所述特征聚合单元包括一个1×1的卷积层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827129.2A CN110717856A (zh) | 2019-09-03 | 2019-09-03 | 一种用于医学成像的超分辨率重建算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910827129.2A CN110717856A (zh) | 2019-09-03 | 2019-09-03 | 一种用于医学成像的超分辨率重建算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110717856A true CN110717856A (zh) | 2020-01-21 |
Family
ID=69210300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910827129.2A Pending CN110717856A (zh) | 2019-09-03 | 2019-09-03 | 一种用于医学成像的超分辨率重建算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110717856A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340744A (zh) * | 2020-02-20 | 2020-06-26 | 合肥工业大学 | 基于注意力双流深度网络的低质量图像降采样方法及其系统 |
CN111429355A (zh) * | 2020-03-30 | 2020-07-17 | 新疆大学 | 一种基于生成对抗网络的图像超分辨率重建方法 |
CN111462041A (zh) * | 2020-03-02 | 2020-07-28 | 北京东软医疗设备有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111667444A (zh) * | 2020-05-29 | 2020-09-15 | 湖北工业大学 | 一种基于多通道残差网络的图像压缩感知重建方法 |
CN111951165A (zh) * | 2020-08-18 | 2020-11-17 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
CN111986092A (zh) * | 2020-09-07 | 2020-11-24 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及系统 |
CN112102388A (zh) * | 2020-09-18 | 2020-12-18 | 中国矿业大学 | 基于巡检机器人单目图像获取深度图像的方法及装置 |
CN112101438A (zh) * | 2020-09-08 | 2020-12-18 | 南方科技大学 | 一种左右眼分类方法、装置、服务器和存储介质 |
CN112116527A (zh) * | 2020-09-09 | 2020-12-22 | 北京航空航天大学杭州创新研究院 | 基于级联网络框架的图像超分辨率方法、级联网络 |
CN112465924A (zh) * | 2020-12-11 | 2021-03-09 | 上海科技大学 | 一种基于多特征融合的快速医学图像重构方法 |
CN112560828A (zh) * | 2021-02-25 | 2021-03-26 | 佛山科学技术学院 | 一种轻量级口罩人脸识别方法、系统、存储介质及设备 |
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 |
CN113256494A (zh) * | 2021-06-02 | 2021-08-13 | 同济大学 | 一种文本图像超分辨率方法 |
CN113256503A (zh) * | 2020-02-13 | 2021-08-13 | 北京小米移动软件有限公司 | 图像优化方法及装置、移动终端及存储介质 |
CN113627487A (zh) * | 2021-07-13 | 2021-11-09 | 西安理工大学 | 一种基于深层注意力机制的超分辨率重建方法 |
CN114125454A (zh) * | 2022-01-26 | 2022-03-01 | 广东电网有限责任公司中山供电局 | 一种视频图像编码系统及方法 |
CN116503300A (zh) * | 2023-06-25 | 2023-07-28 | 广东电网有限责任公司湛江供电局 | 一种电力设备的图像融合方法、系统、设备和介质 |
WO2023211248A1 (en) * | 2022-04-28 | 2023-11-02 | Samsung Electronics Co., Ltd. | Method and electronic device for determining optimal global attention in deep learning model |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544451A (zh) * | 2018-11-14 | 2019-03-29 | 武汉大学 | 一种基于渐进式迭代反投影的图像超分辨率重建方法和系统 |
WO2019071754A1 (zh) * | 2017-10-09 | 2019-04-18 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
CN109919838A (zh) * | 2019-01-17 | 2019-06-21 | 华南理工大学 | 基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法 |
-
2019
- 2019-09-03 CN CN201910827129.2A patent/CN110717856A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019071754A1 (zh) * | 2017-10-09 | 2019-04-18 | 哈尔滨工业大学深圳研究生院 | 一种基于深度学习的图像隐私感知方法 |
CN109544451A (zh) * | 2018-11-14 | 2019-03-29 | 武汉大学 | 一种基于渐进式迭代反投影的图像超分辨率重建方法和系统 |
CN109919838A (zh) * | 2019-01-17 | 2019-06-21 | 华南理工大学 | 基于注意力机制提升轮廓清晰度的超声图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
SANGHYUN WOO等: ""CBAM: Convolutional Block Attention Module"" * |
张涛;陈有志;雷志春;: "基于时空特性自适应插值的混合去隔行方法" * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256503A (zh) * | 2020-02-13 | 2021-08-13 | 北京小米移动软件有限公司 | 图像优化方法及装置、移动终端及存储介质 |
CN113256503B (zh) * | 2020-02-13 | 2024-03-08 | 北京小米移动软件有限公司 | 图像优化方法及装置、移动终端及存储介质 |
CN111340744A (zh) * | 2020-02-20 | 2020-06-26 | 合肥工业大学 | 基于注意力双流深度网络的低质量图像降采样方法及其系统 |
CN111462041A (zh) * | 2020-03-02 | 2020-07-28 | 北京东软医疗设备有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111462041B (zh) * | 2020-03-02 | 2023-05-05 | 北京东软医疗设备有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111429355A (zh) * | 2020-03-30 | 2020-07-17 | 新疆大学 | 一种基于生成对抗网络的图像超分辨率重建方法 |
CN111539325A (zh) * | 2020-04-23 | 2020-08-14 | 四川旅游学院 | 基于深度学习的森林火灾探测方法 |
CN111612751A (zh) * | 2020-05-13 | 2020-09-01 | 河北工业大学 | 基于嵌入分组注意力模块的Tiny-yolov3网络的锂电池缺陷检测方法 |
CN111667444A (zh) * | 2020-05-29 | 2020-09-15 | 湖北工业大学 | 一种基于多通道残差网络的图像压缩感知重建方法 |
CN111667444B (zh) * | 2020-05-29 | 2021-12-03 | 湖北工业大学 | 一种基于多通道残差网络的图像压缩感知重建方法 |
CN111951165A (zh) * | 2020-08-18 | 2020-11-17 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机设备和计算机可读存储介质 |
CN111986092A (zh) * | 2020-09-07 | 2020-11-24 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及系统 |
CN111986092B (zh) * | 2020-09-07 | 2023-05-05 | 山东交通学院 | 一种基于双重网络的图像超分辨率重建方法及系统 |
CN112101438B (zh) * | 2020-09-08 | 2024-04-16 | 南方科技大学 | 一种左右眼分类方法、装置、服务器和存储介质 |
CN112101438A (zh) * | 2020-09-08 | 2020-12-18 | 南方科技大学 | 一种左右眼分类方法、装置、服务器和存储介质 |
CN112116527B (zh) * | 2020-09-09 | 2024-02-23 | 北京航空航天大学杭州创新研究院 | 基于级联网络框架的图像超分辨率方法、级联网络 |
CN112116527A (zh) * | 2020-09-09 | 2020-12-22 | 北京航空航天大学杭州创新研究院 | 基于级联网络框架的图像超分辨率方法、级联网络 |
CN112102388B (zh) * | 2020-09-18 | 2024-03-26 | 中国矿业大学 | 基于巡检机器人单目图像获取深度图像的方法及装置 |
CN112102388A (zh) * | 2020-09-18 | 2020-12-18 | 中国矿业大学 | 基于巡检机器人单目图像获取深度图像的方法及装置 |
CN112465924B (zh) * | 2020-12-11 | 2023-09-29 | 上海科技大学 | 一种基于多特征融合的快速医学图像重构方法 |
CN112465924A (zh) * | 2020-12-11 | 2021-03-09 | 上海科技大学 | 一种基于多特征融合的快速医学图像重构方法 |
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 |
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 |
CN112560828A (zh) * | 2021-02-25 | 2021-03-26 | 佛山科学技术学院 | 一种轻量级口罩人脸识别方法、系统、存储介质及设备 |
CN113256494A (zh) * | 2021-06-02 | 2021-08-13 | 同济大学 | 一种文本图像超分辨率方法 |
CN113627487B (zh) * | 2021-07-13 | 2023-09-05 | 西安理工大学 | 一种基于深层注意力机制的超分辨率重建方法 |
CN113627487A (zh) * | 2021-07-13 | 2021-11-09 | 西安理工大学 | 一种基于深层注意力机制的超分辨率重建方法 |
CN114125454A (zh) * | 2022-01-26 | 2022-03-01 | 广东电网有限责任公司中山供电局 | 一种视频图像编码系统及方法 |
WO2023211248A1 (en) * | 2022-04-28 | 2023-11-02 | Samsung Electronics Co., Ltd. | Method and electronic device for determining optimal global attention in deep learning model |
CN116503300A (zh) * | 2023-06-25 | 2023-07-28 | 广东电网有限责任公司湛江供电局 | 一种电力设备的图像融合方法、系统、设备和介质 |
CN116503300B (zh) * | 2023-06-25 | 2023-10-03 | 广东电网有限责任公司湛江供电局 | 一种电力设备的图像融合方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717856A (zh) | 一种用于医学成像的超分辨率重建算法 | |
CN106683067B (zh) | 一种基于残差子图像的深度学习超分辨率重建方法 | |
CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN110599401A (zh) | 遥感图像超分辨率重建方法、处理装置及可读存储介质 | |
CN109903223B (zh) | 一种基于稠密连接网络与生成式对抗网络的图像超分辨率方法 | |
CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
CN110689482B (zh) | 一种基于有监督逐像素生成对抗网络的人脸超分辨率方法 | |
CN112132023A (zh) | 基于多尺度上下文增强网络的人群计数方法 | |
CN112767251A (zh) | 基于多尺度细节特征融合神经网络的图像超分辨率方法 | |
CN109902809B (zh) | 一种利用生成对抗网络辅助语义分割模型 | |
CN112991173A (zh) | 基于双通道特征迁移网络的单帧图像超分辨率重建方法 | |
CN109949217B (zh) | 基于残差学习和隐式运动补偿的视频超分辨率重建方法 | |
Sun et al. | Multiscale generative adversarial network for real‐world super‐resolution | |
CN112634163A (zh) | 基于改进型循环生成对抗网络去图像运动模糊方法 | |
CN111508013A (zh) | 立体匹配方法 | |
CN112017116B (zh) | 基于非对称卷积的图像超分辨率重建网络及其构建方法 | |
CN112907448A (zh) | 一种任意比率图像超分辨率方法、系统、设备及存储介质 | |
Zhan et al. | Video deblurring via motion compensation and adaptive information fusion | |
Wang et al. | Towards high-quality thermal infrared image colorization via attention-based hierarchical network | |
Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
CN113222819A (zh) | 一种基于深度卷积神经网络的遥感图像超分辨重建方法 | |
CN116934592A (zh) | 一种基于深度学习的图像拼接方法、系统、设备及介质 | |
Wang et al. | Single image haze removal via attention-based transmission estimation and classification fusion network | |
CN116486074A (zh) | 一种基于局部和全局上下文信息编码的医学图像分割方法 | |
Pham et al. | Low-light image enhancement for autonomous driving systems using DriveRetinex-Net |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240524 |