CN111881941A - 一种基于压缩感知域的图像智能分类方法及系统 - Google Patents

一种基于压缩感知域的图像智能分类方法及系统 Download PDF

Info

Publication number
CN111881941A
CN111881941A CN202010632991.0A CN202010632991A CN111881941A CN 111881941 A CN111881941 A CN 111881941A CN 202010632991 A CN202010632991 A CN 202010632991A CN 111881941 A CN111881941 A CN 111881941A
Authority
CN
China
Prior art keywords
image
intelligent
column vector
classification
compressed sensing
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.)
Granted
Application number
CN202010632991.0A
Other languages
English (en)
Other versions
CN111881941B (zh
Inventor
辛蕾
李峰
詹邦成
鲁啸天
杨雪
张南
鹿明
肖变
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN202010632991.0A priority Critical patent/CN111881941B/zh
Publication of CN111881941A publication Critical patent/CN111881941A/zh
Application granted granted Critical
Publication of CN111881941B publication Critical patent/CN111881941B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明涉及一种基于压缩感知域的图像智能分类方法及系统，属于图像处理技术领域，解决了将压缩感知应用中的采样‑重构与深度学习相结合的图像分类方法存在的图像分类时效性低、计算复杂度高的问题。该方法包括以下步骤：将原始图像变换为列向量，所述列向量的长度为所述原始图像中包含的像素点总个数；基于所述列向量的长度及压缩率，构建稀疏随机测量矩阵；利用所述稀疏随机测量矩阵对所述列向量进行测量，获得测量值；将所述测量值线性投影至像方空间，并对投影后的测量值进行reshape操作，得到投影图像；将所述投影图像替代所述原始图像用于图像智能分类。

Description

一种基于压缩感知域的图像智能分类方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于压缩感知域的图像智能分类方法及系统。
背景技术
在传统的信号处理领域，采样过程必须遵守香农采样定理，而当信号带宽较高时，需要更高的采样速率，使得采样与压缩处理成本显著增加。压缩感知(CompressedSensing，CS)利用自然信号特有的稀疏性，采样冗余极少，在显著降低采样速率的同时重构出高质量的信号。与传统信号处理方式相比，压缩感知方法将运算量从信号获取的编码端转移至解码端，这对资源有限的成像技术如遥感等领域具有显著优势。然而，压缩感知在应用的过程中存在如下问题：第一，压缩感知需在解码端进行图像重构才能获得目标信息，而重构过程需要消耗大量时间和计算资源，时效性较低；第二，图像重构过程中会造成信息损失，若获得重构图像后再进行目标信息的提取，会降低处理精度；第三，常用的随机测量矩阵为高斯随机测量矩阵，由于其具备较高的复杂性，因此，难以在实际测量中进行应用，不利用硬件实现。
近年来，深度学习在学术界和工作界发展迅猛，在图像分类、识别等任务上取得了显著效果，显示了其处理复杂识别任务的能力。许多领域开始尝试利用深度学习解决本领域的一些问题。将压缩感知同深度学习进行有效结合，将卷积神经具备的优异特征表征能力用于经过压缩感知采样后的信号，通过大量训练样本学习信号的结构特征，进行图像信息的提取，获取图像类别。
但是，现有技术中将压缩感知应用中的采样-重构与深度学习相结合的图像分类方法，需要获得重构图像后再进行目标信息的提取，这种方式存在图像分类时效性低、计算复杂度高等缺陷。
发明内容
鉴于上述的分析，本发明旨在提供一种基于压缩感知域的图像智能分类方法及系统，用以解决现有技术中将压缩感知应用中的采样-重构与深度学习相结合的图像分类方法存在的图像分类时效性低、计算复杂度高的问题。
本发明的目的主要是通过以下技术方案实现的：
一方面，本发明提供了一种基于压缩感知域的图像智能分类方法，所述方法包括以下步骤：
将原始图像变换为列向量，所述列向量的长度为所述原始图像中包含的像素点总个数；
基于所述列向量的长度及压缩率，构建稀疏随机测量矩阵；
利用所述稀疏随机测量矩阵对所述列向量进行测量，获得测量值；将所述测量值线性投影至像方空间，并对投影后的测量值进行reshape操作，得到投影图像；
将所述投影图像替代所述原始图像用于图像智能分类。
在上述方案的基础上，本发明还做出了如下改进：
进一步，所述稀疏随机测量矩阵Φ的大小为(M×N)×N；其中，N表示所述列向量的长度；M表示测量率，M的取值为所述压缩率的倒数。
进一步，所述稀疏随机测量矩阵的每一列中均包括d个取值为1的元素，0<d＜M且1的位置随机生成，所述稀疏随机测量矩阵中的其余元素均设为0。
进一步，所述测量值y＝Φx，其中，x表示所述列向量；
所述将所述测量值线性投影至像方空间，执行ΦTy。
进一步，所述将所述投影图像替代所述原始图像用于图像智能分类，包括：
将用于图像智能分类的训练集中的各原始图像均替换为相应的投影图像，建立替换后的各投影图像与训练集中各原始图像对应的标签之间的映射关系，形成新的训练集，利用所述新的训练集训练图像智能分类模型；
将用于所述图像智能分类的测试集中的各原始图像均替换为相应的投影图像，形成新的测试集，并将所述新的测试集输入训练好的图像智能分类模型，得到图像智能分类结果。
进一步，所述图像智能分类模型为多层深度卷积神经网络模型。
进一步，所述将所述投影图像替代原始图像用于图像智能分类，还包括：
构建多层深度卷积神经网络模型；
初始化所述多层深度卷积神经网络模型中的权值参数；
利用所述新的训练集对初始化后的多层深度卷积神经网络模型进行有监督训练，并利用反向传播算法更新所述权值参数，直至获得训练好的多层深度卷积神经网络模型；
利用所述新的测试集对所述训练好的多层深度卷积神经网络模型进行测试，得到图像智能分类结果。
另一方面，本发明还提供了一种基于压缩感知域的图像智能分类系统，所述系统包括以下模块：
列向量获取模块，用于将原始图像变换为列向量，所述列向量的长度为所述原始图像中包含的像素点总个数；
稀疏随机测量矩阵构建模块，用于基于所述列向量的长度及压缩率，构建稀疏随机测量矩阵；
投影图像获取模块，用于利用所述稀疏随机测量矩阵对所述列向量进行测量，获得测量值；将所述测量值线性投影至像方空间，并对投影后的测量值进行reshape操作，得到投影图像；
图像智能分类模块，用于将所述投影图像替代所述原始图像用于图像智能分类。
本发明有益效果如下：
本发明提供的基于压缩感知域的图像智能分类方法及系统，不需要进行图像重构，可直接在压缩感知域上进行图像的智能分类，在提高采样效率的同时，能够快速获取图像的语义信息；同时，使用训练好的网络在压缩域上直接进行图像信息的提取，大大降低了计算复杂度，提高了信息获取的效率。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例1中基于压缩感知域的图像智能分类方法流程图；
图2为本发明实施例2中基于压缩感知域的图像智能分类方法流程图；
图3为本发明实施例2中经过压缩采样和线性投影后进入网络的图像；
图4为本发明实施例2中基于压缩采样值进行分类的结果；
图5为本发明实施例3中基于压缩感知域的图像智能分类系统结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明的一个具体实施例，公开了一种基于压缩感知域的图像智能分类方法，流程图如图1所示，该方法包括如下步骤：
步骤S1：将原始图像变换为列向量x，列向量的长度N为原始图像中包含的像素点总个数；
步骤S2：基于列向量的长度及压缩率，构建稀疏随机测量矩阵Φ；
具体地，稀疏随机测量矩阵Φ的大小为(M×N)×N；其中，M表示测量率，M的取值为压缩率的倒数。稀疏随机测量矩阵的每一列中均包括d个取值为1的元素，其中，0<d＜M且1的位置随机生成，稀疏随机测量矩阵中的其余元素均设为0。
步骤S3：利用稀疏随机测量矩阵Φ对列向量x进行测量，即y＝Φx，获得测量值y；将测量值线性投影至像方空间，即执行ΦTy，并对投影后的测量值进行reshape操作，得到投影图像；
步骤S4：将投影图像替代原始图像用于图像智能分类。
与现有技术相比，本发明实施例1提供的基于压缩感知域的图像智能分类方法，不需要进行图像重构，可直接在压缩感知域上进行图像的智能分类，在提高采样效率的同时，能够快速获取图像的语义信息；同时，使用训练好的网络在压缩域上直接进行图像信息的提取，大大降低了计算复杂度，提高了信息获取的效率。
优选地，在步骤S4中，通过以下方式将投影图像替代原始图像用于图像智能分类：
将用于图像智能分类的训练集中的各原始图像均替换为相应的投影图像，建立替换后的各投影图像与训练集中各原始图像对应的标签之间的映射关系，形成新的训练集，利用新的训练集训练图像智能分类模型；
将用于该图像智能分类的测试集中的各原始图像均替换为相应的投影图像，形成新的测试集，并将所述新的测试集输入训练好的图像智能分类模型，得到图像智能分类结果。
图像智能分类模型可根据实际分类需求进行选取。示例性地，图像智能分类模型可以选用多层深度卷积神经网络模型，此时，将投影图像替代原始图像用于图像智能分类，具体执行以下操作：
步骤S41：构建多层深度卷积神经网络模型；
步骤S42：初始化多层深度卷积神经网络模型中的权值参数；
步骤S43：利用新的训练集对初始化后的多层深度卷积神经网络模型进行有监督训练，并利用反向传播算法更新所述权值参数，直至获得训练好的多层深度卷积神经网络模型；
步骤S44：利用新的测试集对训练好的多层深度卷积神经网络模型进行测试，得到图像智能分类结果。
实施例2
本发明的另一个具体实施例，选用Cifar数据集生成原始的训练集和测试集，并采用本发明实施例1中的方法进行图像智能分类，以验证本发明实施例1中方法的可行性，流程图如图2所示，该方法包括以下步骤：
步骤S01：选用Cifar训练集，训练集中的图像大小均为32×32，将训练集中的各图像变换为相应的列向量x，变换后的列向量x的长度均为1024；
步骤S02：构建稀疏随机测量矩阵Φ，假定4倍压缩，因而设定测量率为0.25，则稀疏随机测量矩阵Φ的大小为256×1024，其中，稀疏随机测量矩阵每一列有128个元素值为1，且1的位置随机生成，稀疏随机测量矩阵中的其余元素均设为0。
Figure BDA0002566443440000071
步骤S03：利用稀疏随机测量矩阵Φ对步骤S01中的列向量x进行测量，即y＝Φx，获得测量值y，y的长度为256，保留原训练集标签，将测量值y线性投影至像方空间，即执行ΦTy，并对投影后的测量值进行reshape操作，转换成大小为32×32的矩阵，从而构建了以投影图像作为输入的新的训练集；图3示出了经过压缩采样、线性投影及reshape操作后进入网络的投影图像。
步骤S04：构建深度卷积神经网络模型。在构建的深度卷积神经网络模型中，第一层包括5个大小为3*3的卷积核，卷积步长为1，不补零；第二层为池化层，采用最大池化，核大小为2*2，步长为2；第三层包括10个大小为5*5的卷积核，卷积步长为1，不补零；第四层为池化层，采用最大池化，核大小为2*2，步长为2；第五层包括10个大小为5*5的卷积核，卷积步长为1，不补零；输出层损失函数采用Softmax函数；
步骤S05：初始化网络权值参数：权重设置为正态分布的随机数，偏置设置为零；
步骤S06：利用步骤S03中构建的新的训练集对步骤S04中构建的深度卷积神经网络模型进行有监督训练，并利用反向传播算法更新网络权值参数，直至获得训练好的多层深度卷积神经网络模型；
步骤S7：对测试集图像进行测量，将测量值输入已训练好的深度卷积神经网络模型，得到图像智能分类结果，即图像中物体所属的类别。图4示出了基于压缩采样值进行分类的结果。
需要说明的是，深度卷积神经网络模型并不限于实施例中所选用的网络结构。本发明未详细说明部分属本领域技术人员公知常识。
实施例3
本发明的又一实施例，公开了一种基于压缩感知域的图像智能分类系统，结构示意图如图5所示，该系统包括以下模块：
列向量获取模块，用于将原始图像变换为列向量，所述列向量的长度为所述原始图像中包含的像素点总个数；
稀疏随机测量矩阵构建模块，用于基于所述列向量的长度及压缩率，构建稀疏随机测量矩阵；
投影图像获取模块，用于利用所述稀疏随机测量矩阵对所述列向量进行测量，获得测量值；将所述测量值线性投影至像方空间，并对投影后的测量值进行reshape操作，得到投影图像；
图像智能分类模块，用于将所述投影图像替代所述原始图像用于图像智能分类。
本实施例的具体实施过程参见上述方法实施例即可，本实施例在此不再赘述。
由于本实施例与上述方法实施例原理相同，所以本系统也具有上述方法实施例相应的技术效果。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于压缩感知域的图像智能分类方法，其特征在于，所述方法包括以下步骤：
将原始图像变换为列向量，所述列向量的长度为所述原始图像中包含的像素点总个数；
基于所述列向量的长度及压缩率，构建稀疏随机测量矩阵；
利用所述稀疏随机测量矩阵对所述列向量进行测量，获得测量值；将所述测量值线性投影至像方空间，并对投影后的测量值进行reshape操作，得到投影图像；
将所述投影图像替代所述原始图像用于图像智能分类。
2.根据权利要求1所述的基于压缩感知域的图像智能分类方法，其特征在于，所述稀疏随机测量矩阵Φ的大小为(M×N)×N；其中，N表示所述列向量的长度；M表示测量率，M的取值为所述压缩率的倒数。
3.根据权利要求2所述的基于压缩感知域的图像智能分类方法，其特征在于，所述稀疏随机测量矩阵的每一列中均包括d个取值为1的元素，0<d＜M且1的位置随机生成，所述稀疏随机测量矩阵中的其余元素均设为0。
4.根据权利要求3所述的基于压缩感知域的图像智能分类方法，其特征在于，所述测量值y＝Φx，其中，x表示所述列向量；
所述将所述测量值线性投影至像方空间，执行ΦTy。
5.根据权利要求1-4中任一项所述的基于压缩感知域的图像智能分类方法，其特征在于，所述将所述投影图像替代所述原始图像用于图像智能分类，包括：
将用于图像智能分类的训练集中的各原始图像均替换为相应的投影图像，建立替换后的各投影图像与训练集中各原始图像对应的标签之间的映射关系，形成新的训练集，利用所述新的训练集训练图像智能分类模型；
将用于所述图像智能分类的测试集中的各原始图像均替换为相应的投影图像，形成新的测试集，并将所述新的测试集输入训练好的图像智能分类模型，得到图像智能分类结果。
6.根据权利要求5所述的基于压缩感知域的图像智能分类方法，其特征在于，所述图像智能分类模型为多层深度卷积神经网络模型。
7.根据权利要求6所述的基于压缩感知域的图像智能分类方法，其特征在于，所述将所述投影图像替代原始图像用于图像智能分类，还包括：
构建多层深度卷积神经网络模型；
初始化所述多层深度卷积神经网络模型中的权值参数；
利用所述新的训练集对初始化后的多层深度卷积神经网络模型进行有监督训练，并利用反向传播算法更新所述权值参数，直至获得训练好的多层深度卷积神经网络模型；
利用所述新的测试集对所述训练好的多层深度卷积神经网络模型进行测试，得到图像智能分类结果。
8.一种基于压缩感知域的图像智能分类系统，其特征在于，所述系统包括以下模块：
列向量获取模块，用于将原始图像变换为列向量，所述列向量的长度为所述原始图像中包含的像素点总个数；
稀疏随机测量矩阵构建模块，用于基于所述列向量的长度及压缩率，构建稀疏随机测量矩阵；
投影图像获取模块，用于利用所述稀疏随机测量矩阵对所述列向量进行测量，获得测量值；将所述测量值线性投影至像方空间，并对投影后的测量值进行reshape操作，得到投影图像；
图像智能分类模块，用于将所述投影图像替代所述原始图像用于图像智能分类。
CN202010632991.0A 2020-07-02 2020-07-02 一种基于压缩感知域的图像智能分类方法及系统 Active CN111881941B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010632991.0A CN111881941B (zh) 2020-07-02 2020-07-02 一种基于压缩感知域的图像智能分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010632991.0A CN111881941B (zh) 2020-07-02 2020-07-02 一种基于压缩感知域的图像智能分类方法及系统

Publications (2)

Publication Number Publication Date
CN111881941A true CN111881941A (zh) 2020-11-03
CN111881941B CN111881941B (zh) 2024-03-29

Family

ID=73150209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010632991.0A Active CN111881941B (zh) 2020-07-02 2020-07-02 一种基于压缩感知域的图像智能分类方法及系统

Country Status (1)

Country Link
CN (1) CN111881941B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722892A (zh) * 2012-06-13 2012-10-10 西安电子科技大学 基于低秩矩阵分解的sar图像变化检测方法
WO2015048232A1 (en) * 2013-09-26 2015-04-02 Tokitae Llc Systems, devices, and methods for classification and sensor identification using enhanced sparsity
CN107220991A (zh) * 2017-05-12 2017-09-29 深圳市美好幸福生活安全系统有限公司 一种基于压缩感知的实时目标跟踪算法
CN107633272A (zh) * 2017-10-09 2018-01-26 东华大学 一种基于小样本下压缩感知的dcnn纹理疵点识别方法
CN107689067A (zh) * 2017-08-30 2018-02-13 中国科学院光电技术研究所 一种基于压缩感知在图像重建中投影方式的优化方法
CN107918772A (zh) * 2017-12-10 2018-04-17 北京工业大学 基于压缩感知理论和gcForest的目标跟踪方法
CN109657707A (zh) * 2018-12-04 2019-04-19 浙江大学 一种基于观测矩阵变换维度的图像分类方法
CN110223357A (zh) * 2019-07-10 2019-09-10 哈尔滨理工大学 基于压缩感知多像素成像方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722892A (zh) * 2012-06-13 2012-10-10 西安电子科技大学 基于低秩矩阵分解的sar图像变化检测方法
WO2015048232A1 (en) * 2013-09-26 2015-04-02 Tokitae Llc Systems, devices, and methods for classification and sensor identification using enhanced sparsity
CN107220991A (zh) * 2017-05-12 2017-09-29 深圳市美好幸福生活安全系统有限公司 一种基于压缩感知的实时目标跟踪算法
CN107689067A (zh) * 2017-08-30 2018-02-13 中国科学院光电技术研究所 一种基于压缩感知在图像重建中投影方式的优化方法
CN107633272A (zh) * 2017-10-09 2018-01-26 东华大学 一种基于小样本下压缩感知的dcnn纹理疵点识别方法
CN107918772A (zh) * 2017-12-10 2018-04-17 北京工业大学 基于压缩感知理论和gcForest的目标跟踪方法
CN109657707A (zh) * 2018-12-04 2019-04-19 浙江大学 一种基于观测矩阵变换维度的图像分类方法
CN110223357A (zh) * 2019-07-10 2019-09-10 哈尔滨理工大学 基于压缩感知多像素成像方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SUHAS LOHIT 等: ""DIRECT INFERENCE ON COMPRESSIVE MEASUREMENTS USING CONVOLUTIONAL NEURAL NETWORKS"", IEEE *
刘阳 等: "基于压缩感知理论的实时目标跟踪算法研究及系统实现", 软件, no. 08 *
曹茸;李莹华;宋彬;: "基于测量域二次采样的自适应压缩感知图像编码", 中国科技论文, no. 20, 23 October 2016 (2016-10-23) *

Also Published As

Publication number Publication date
CN111881941B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
KR101880907B1 (ko) 비정상 세션 감지 방법
CN110211045B (zh) 基于srgan网络的超分辨率人脸图像重建方法
CN109886871B (zh) 基于通道注意力机制和多层特征融合的图像超分辨率方法
CN109255755B (zh) 基于多列卷积神经网络的图像超分辨率重建方法
CN110288524B (zh) 基于增强型上采样和辨别融合机制的深度学习超分辨率方法
CN110288526B (zh) 一种基于深度学习的图像重建算法提升单像素相机成像质量的优化方法
CN111667444B (zh) 一种基于多通道残差网络的图像压缩感知重建方法
CN110245683B (zh) 一种少样本目标识别的残差关系网络构建方法及应用
CN112132959A (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
Zeng et al. Cascade neural network-based joint sampling and reconstruction for image compressed sensing
CN113674172B (zh) 一种图像处理方法、系统、装置及存储介质
CN112699844A (zh) 一种基于多尺度残差层级密连接网络的图像超分辨率方法
Liu et al. Single image super resolution techniques based on deep learning: Status, applications and future directions
CN111667445A (zh) 一种基于Attention多特征融合的图像压缩感知重建方法
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
KR20210076691A (ko) 프레임워크 간 뉴럴 네트워크의 학습을 검증하는 방법 및 장치
CN115393289A (zh) 基于集成交叉伪标签的肿瘤图像半监督分割方法
CN110717958A (zh) 一种图像重建方法、装置、设备及介质
CN110728732A (zh) 一种图像重建方法、装置、设备及介质
CN111881941B (zh) 一种基于压缩感知域的图像智能分类方法及系统
US20230153591A1 (en) Semiconductor device, method of operating semiconductor device, and semiconductor system
Yang et al. Remote sensing image super‐resolution based on convolutional blind denoising adaptive dense connection
Liu et al. SRN-SZ: Deep Leaning-Based Scientific Error-bounded Lossy Compression with Super-resolution Neural Networks
KR20220023841A (ko) 알츠하이머 병 분류를 위한 mr 이미지 분석 시스템 및 방법
Kasem et al. DRCS-SR: Deep robust compressed sensing for single image super-resolution

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