CN112163609A - 一种基于深度学习的图像块相似度计算方法 - Google Patents
一种基于深度学习的图像块相似度计算方法 Download PDFInfo
- Publication number
- CN112163609A CN112163609A CN202010999365.5A CN202010999365A CN112163609A CN 112163609 A CN112163609 A CN 112163609A CN 202010999365 A CN202010999365 A CN 202010999365A CN 112163609 A CN112163609 A CN 112163609A
- Authority
- CN
- China
- Prior art keywords
- image block
- test
- data
- network model
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 23
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 14
- 230000001537 neural effect Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于深度学习的图像块相似度计算方法,包括S1,根据使用者所给出的训练图像集,加入噪声并划分图像块集合,以获得训练图像块集合Xtrain;S2,选择待测试的对象,也加入噪声并划分图像块集合,以得到测试图像块集合Xtest;S3,建立孪生自编码器网络模型;S4,向孪生自编码器网络模型中输入训练图像块集合Xtrain以对孪生自编码器网络模型进行训练;S5,将测试图像块集合Xtest输入完成训练后的孪生自编码器网络模型,根据训练完成的网络权重,得到测试图像块集合对应的特征信息数据集;S6,在得到特征信息数据集后,根据特征信息数据集计算每对图像块的相似度。本发明通过获取的图像块的相似度来对图像块进行比较,可以得到较高的准确率,而且参数调试简便。
Description
技术领域
本发明涉及图像处理技术领域,具体为一种基于深度学习的图像块相似度计算方法。
背景技术
图像块是包含细节纹理和结构信息的图像部分,尽管它是基础的图像特征的描述,但是目前在很多图像领域,基于图像块的方法总能够实现很好的效果。例如在图像滤波、计算机视觉、图像建模等方面均有出色的成果。而在图像处理领域中,图像块的比较也是一项重要的任务,往往带有噪声的图像块更不容易进行比较。
发明内容
本发明的目的在于提供一种基于深度学习的图像块相似度计算方法,至少可以解决现有技术中的部分缺陷。
为实现上述目的,本发明实施例提供如下技术方案:一种基于深度学习的图像块相似度计算方法,包括如下步骤:
S1,根据使用者所给出的训练图像集,加入噪声并划分图像块集合,以获得训练图像块集合Xtrain;
S2,选择待测试的对象,也加入噪声并划分图像块集合,以得到测试图像块集合Xtest;
S3,建立孪生自编码器网络模型;
S4,向孪生自编码器网络模型中输入训练图像块集合Xtrain以对孪生自编码器网络模型进行训练;
S5,将测试图像块集合Xtest输入完成训练后的孪生自编码器网络模型,根据训练完成的网络权重,得到测试图像块集合对应的特征信息数据集;
S6,在得到特征信息数据集后,根据特征信息数据集计算每对图像块的相似度。
进一步,在S3步骤中,建立的孪生自编码器网络模型包含了七种超参数,分别为有学习率、迭代次数、激活函数的类型、输入数据尺寸、编码层神经节点个数、反编码层神经节点个数以及输出数据的尺寸。
进一步,在S4步骤中,对孪生自编码器网络模型进行训练的方式是调整七种超参数,最终得到基于训练图像块集合Xtrain的孪生自编码器网络模型的代价函数为:
其中,M表示训练集的有效数据的个数,W表示孪生自编码器网络模型的权重,Xtrain表示训练集中有效数据集,X1i表示训练集Xtrain分成相同数量的两组数据集中第1组数据,X2i表示训练集Xtrain分成相同数量的两组数据集中第2组数据,F1i表示训练集第一组数据X1i经过编码层所提取出的特征信息数据集,F2i表示训练集第二组数据X2i经过编码层所提取出的特征信息数据集,β表示训练过程中的正则化因数,i表示训练集Xtrain分成相同数量的两组的数据集中每组中数据集序数。
进一步,利用自适应梯度下降算法对孪生自编码器网络模型进行训练,使网络训练模型的代价函数J(W;Xtrain)最小化,得到孪生自编码器网络模型最小化后的代价函数。
进一步,在S5步骤中的输入前,将测试图像块集合Xtest分成相同数量的两组测试图像块集合Xtest_1k和Xtest_2k,其中,k表示每组测试图像块集合中数据的序号,k为自然数;然后再将Xtest_1k和Xtest_2k同时输入完成训练后的孪生自编码器网络模型,以得到与二者对应的特征信息数据集Ftest_1k和Ftest_2k。
进一步,在S6步骤中,根据特征信息数据集Ftest_1k和Ftest_2k,计算每对图像块的相似度:
其中,k表示测试集Xtest分成相同数量的两组的数据集中每组中数据集序数。
进一步,在S3步骤中,建立的孪生自编码器网络模型为双通道孪生自编码器网络模型,其包括双输入层、编码层、反编码层、双输出层。
进一步,在S3步骤中,建立的孪生自编码器网络模型的学习率为α,迭代次数为t次,编码层有J(j×j)个神经节点,反编码层有个J神经节点,输入层接收图像块数据的尺寸为1×J,编码层输出的特征信息数据尺寸为1×J,输出层输出数据的尺寸为1×J,两个输入层每次同时接收两个图像块数据,两个输出层每次同时输出两个数据,两个输入层均使用Relu函数作为激活函数。
进一步,在S1步骤和S2步骤中,均采用噪声强度为σ的高斯噪声,且在S1步骤中,划分的方式是将每张图片按照尺寸为j×j分割为数量为n的图像块集合,并对图像块集合进行(0~1)标准化,而在S2步骤中,划分的方式是将每张图片按照尺寸为j×j分割为数量为m的图像块集合,并对图像块集合进行(0~1)标准化。
与现有技术相比,本发明的有益效果是:
1、通过所获取的图像块的相似度来对图像块进行比较,可以得到较高的准确率,而且参数调试简便。
2、充分利用双通道孪生自编码器网络模型参数共享和自动提取图像特征信息的优点,显著降低了人工提取图像特征的复杂度,从而使得基于深度学习的图像块相似度计算的学习方法的最优模型结构简单。
3、将数量为n的训练图像块集合输入到双通道孪生自编码器网络,通过调整7种超参数得到训练集的双通道孪生自编码器网络模型的代价函数,在多次实验中选择代价函数最小的模型为最优模型,最优模型是双通道孪生自编码器网络模型对数据泛化能力最好的模型,从而使得学习方法的最优模型稳定性好。
4、通过多次的迭代最小化代价函数,降低最优模型的误差,从而使得学习方法的准确性高,并且得到的图像块相似度计算结果更准确。
5、最优模型结构简单、最优模型稳定性好和基于深度学习的图像块相似度计算的学习方法相似关系更准确的特点,得到的图像块相似度能更好的描述两个图像块的关系。
附图说明
图1为本发明实施例提供的一种基于深度学习的图像块相似度计算方法的步骤流程图;
图2为本发明实施例提供的一种基于深度学习的图像块相似度计算方法的双通道孪生自编码器网络模型的示意图。
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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1和图2,本发明实施例提供一种基于深度学习的图像块相似度计算方法,包括如下步骤:S1,根据使用者所给出的训练图像集,加入噪声并划分图像块集合,以获得训练图像块集合Xtrain;S2,选择待测试的对象,也加入噪声并划分图像块集合,以得到测试图像块集合Xtest;S3,建立孪生自编码器网络模型;S4,向孪生自编码器网络模型中输入训练图像块集合Xtrain以对孪生自编码器网络模型进行训练;S5,将测试图像块集合Xtest输入完成训练后的孪生自编码器网络模型,根据训练完成的网络权重,得到测试图像块集合对应的特征信息数据集;S6,在得到特征信息数据集后,根据特征信息数据集计算每对图像块的相似度。在本实施例中,通过对建立的孪生自编码器网络模型进行训练,然后再将测试的图像块集合Xtest输入该训练好的模型中,根据训练完成的网络权重,得到测试图像块集合对应的特征信息数据集,然后再根据该特征信息数据集计算每对图像块的相似度,进而能够通过所获取的图像块的相似度来对图像块进行比较,可以得到较高的准确率,而且参数调试简便。优选的,建立的孪生自编码器网络模型的学习率为α,迭代次数为t次,编码层有J(j×j)个神经节点,反编码层有个J神经节点,输入层接收图像块数据的尺寸为1×J,编码层输出的特征信息数据尺寸为1×J,输出层输出数据的尺寸为1×J,两个输入层每次同时接收两个图像块数据,两个输出层每次同时输出两个数据,两个输入层均使用Relu函数作为激活函数。具体地:
根据PASCALVocdevkit数据集的1000张训练图像集,加入噪声强度为20的高斯噪声,将每张图片按照尺寸为5×5分割,即每个图像块有25个特征,训练图像集分割为数量为7131304的图像块集合,并对图像块集合进行(0~1)标准化,由7131304个量测有效图像块数据构成的数据集称为训练图像块集合Xtrain(详见表1)。
表1 7131304个有效数据组
然后选择待测试的图像Boat、Fingerprint、Flowers、House、Lena,并加入噪声强度为20的高斯噪声,将每张图片按照尺寸为5×5分割,即每个图像块有25个特征,并对图像块集合进行(0~1)标准化,由872784个量测有效图像块数据构成的数据集称为测试图像块集合Xtest(详见表2)。
表2 872784个有效数据组
作为本发明实施例的优化方案,请参阅图2,建立的孪生自编码器网络模型为双通道孪生自编码器网络模型,其包括双输入层、编码层、反编码层、双输出层。且建立的孪生自编码器网络模型包含了七种超参数,分别为有学习率、迭代次数、激活函数的类型、输入数据尺寸、编码层神经节点个数、反编码层神经节点个数以及输出数据的尺寸。对孪生自编码器网络模型进行训练的方式是调整七种超参数,最终得到基于训练图像块集合Xtrain的孪生自编码器网络模型的代价函数为:
其中,M表示训练集的有效数据的个数,W表示孪生自编码器网络模型的权重,Xtrain表示训练集中有效数据集,X1i表示训练集Xtrain分成相同数量的两组数据集中第1组数据,X2i表示训练集Xtrain分成相同数量的两组数据集中第2组数据,F1i表示训练集第一组数据X1i经过编码层所提取出的特征信息数据集,F2i表示训练集第二组数据X2i经过编码层所提取出的特征信息数据集,β表示训练过程中的正则化因数,i表示训练集Xtrain分成相同数量的两组的数据集中每组中数据集序数。
具体地,向双通道孪生自编码器网络模型输入训练图像块集合Xtrain,通过调整7种超参数(详见表3)。
表3调整双通道孪生自编码器网络模型所对应的7种超参数
得到训练集的双通道孪生自编码器网络模型的代价函数J(W;Xtrain):
上式中:
M表示训练集的有效数据的个数,M=7131304;
W表示双通道孪生自编码器网络模型的权重,W是通过对双通道孪生自编码器网络模型的迭代优化得到;
Xtrain表示训练集中有效数据集(详见表1);
X1i表示训练集Xtrain分成相同数量的两组数据集中第1组数据(详见表1中1~3565652行);
X2i表示训练集Xtrain分成相同数量的两组数据集中第2组数据(详见表1中3565653~7131304行);
F1i表示训练集第一组数据X1i经过编码层所提取出的特征信息数据集(详见表4);F2i表示训练集第二组数据X2i经过编码层所提取出的特征信息数据集(详见表5);
β表示训练过程中的正则化因数,β=0.01;
i表示训练集Xtrain分成相同数量的两组的数据集中每组中数据集序数,i为从1~3565652的自然数;
利用自适应梯度下降算法对训练集双通道孪生自编码器网络模型的代价函数J(W;Xtrain)最小化;相应地,得到双通道孪生自编码器网络模型最小化后的代价函数:
J(W;Xtrain)=0.0012。
训练集数据X1i和X2i经过编码层所提取出的特征信息数据集详见表4、表5。其中:表4为训练集第一组数据X1i经过编码层所提取出的特征信息数据集,
表4特征信息数据集F1i
表5为训练集第二组数据X2i经过编码层所提取出的特征信息数据集,
表5特征信息数据集F2i
作为本发明实施例的优化方案,在S5步骤中的输入前,线将测试图像块集合Xtest分成相同数量的两组测试图像块集合Xtest_1k和Xtest_2k,其中,k表示每组测试图像块集合中数据的序号,k为自然数,k为1~436392的自然数(详见表2),表2中1~436392行数据为测试图像块集合Xtest_1k,436393~872784行数据为测试图像块集合Xtest_2k;然后再将Xtest_1k和Xtest_2k同时输入完成训练后的孪生自编码器网络模型,以得到与二者对应的特征信息数据集Ftest_1k和Ftest_2k。训练集数据X1i和X2i经过编码层所提取出的特征信息数据集详见表6、表7。
其中:
表6为训练集第一组数据Xtest_1k经过编码层所提取出的特征信息数据集
表6特征信息数据集Ftest_1k
表7为训练集第二组数据Xtest_2k经过编码层所提取出的特征信息数据集表7特征信息数据集Ftest_2k
进一步优化上述方案,根据特征信息数据集Ftest_1k和Ftest_2k,计算每对图像块的相似度:
其中,k表示测试集Xtest分成相同数量的两组的数据集中每组中数据集序数,k为1~436392的自然数。
S(Ftest_1k,Ftest_2k)即为所计算的图像块的相似度(详见表8)
表8相似度S(Ftest_1k,Ftest_2k)
作为本发明实施例的优化方案,表9显示了各个算法的图像去噪性能,NLM表示非局部均值去噪算法(Non-Local Means),NLM-AE表示利用基于深度学习的图像块相似度计算方法的NLM算法,利用峰值信噪比PSNR(Peak signal-to-noise ratio)来比较算法性能。
表9各算法去噪性能比较表(噪声强度为20)
由表9也可看出利用基于深度学习的图像块相似度计算方法的NLM算法在相同的噪声强度下,对同一张图像去噪效果提高,去噪性能更优。实验可证明本发明的一种基于深度学习的图像块相似度计算的学习方法提高了图像块相似度计算的准确度。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于深度学习的图像块相似度计算方法,其特征在于,包括如下步骤:
S1,根据使用者所给出的训练图像集,加入噪声并划分图像块集合,以获得训练图像块集合Xtrain;
S2,选择待测试的对象,也加入噪声并划分图像块集合,以得到测试图像块集合Xtest;
S3,建立孪生自编码器网络模型;
S4,向孪生自编码器网络模型中输入训练图像块集合Xtrain以对孪生自编码器网络模型进行训练;
S5,将测试图像块集合Xtest输入完成训练后的孪生自编码器网络模型,根据训练完成的网络权重,得到测试图像块集合对应的特征信息数据集;
S6,在得到特征信息数据集后,根据特征信息数据集计算每对图像块的相似度。
2.如权利要求1的一种基于深度学习的图像块相似度计算方法,其特征在于:在S3步骤中,建立的孪生自编码器网络模型包含了七种超参数,分别为学习率、迭代次数、激活函数的类型、输入数据尺寸、编码层神经节点个数、反编码层神经节点个数以及输出数据的尺寸。
3.如权利要求2的一种基于深度学习的图像块相似度计算方法,其特征在于,在S4步骤中,对孪生自编码器网络模型进行训练的方式是调整七种超参数,最终得到基于训练图像块集合Xtrain的孪生自编码器网络模型的代价函数为:
其中,M表示训练集的有效数据的个数,W表示孪生自编码器网络模型的权重,Xtrain表示训练集中有效数据集,X1i表示训练集Xtrain分成相同数量的两组数据集中第1组数据,X2i表示训练集Xtrain分成相同数量的两组数据集中第2组数据,F1i表示训练集第一组数据X1i经过编码层所提取出的特征信息数据集,F2i表示训练集第二组数据X2i经过编码层所提取出的特征信息数据集,β表示训练过程中的正则化因数,i表示训练集Xtrain分成相同数量的两组的数据集中每组中数据集序数。
4.如权利要求3的一种基于深度学习的图像块相似度计算方法,其特征在于:利用自适应梯度下降算法对孪生自编码器网络模型进行训练,使网络训练模型的代价函数J(W;Xtrain)最小化,得到孪生自编码器网络模型最小化后的代价函数。
5.如权利要求1的一种基于深度学习的图像块相似度计算方法,其特征在于:在S5步骤中的输入前,将测试图像块集合Xtest分成相同数量的两组测试图像块集合Xtest_1k和Xtest_2k,其中,k表示每组测试图像块集合中数据的序号,k为自然数;然后再将Xtest_1k和Xtest_2k同时输入完成训练后的孪生自编码器网络模型,以得到与二者对应的特征信息数据集Ftest_1k和Ftest_2k。
7.如权利要求1的一种基于深度学习的图像块相似度计算方法,其特征在于:在S3步骤中,建立的孪生自编码器网络模型为双通道孪生自编码器网络模型,其包括双输入层、编码层、反编码层、双输出层。
8.如权利要求7的一种基于深度学习的图像块相似度计算方法,其特征在于:在S3步骤中,建立的孪生自编码器网络模型的学习率为α,迭代次数为t次,编码层有J(j×j)个神经节点,反编码层有个J神经节点,输入层接收图像块数据的尺寸为1×J,编码层输出的特征信息数据尺寸为1×J,输出层输出数据的尺寸为1×J,两个输入层每次同时接收两个图像块数据,两个输出层每次同时输出两个数据,两个输入层均使用Relu函数作为激活函数。
9.如权利要求1的一种基于深度学习的图像块相似度计算方法,其特征在于:在S1步骤和S2步骤中,均采用噪声强度为σ的高斯噪声,且在S1步骤中,划分的方式是将每张图片按照尺寸为j×j分割为数量为n的图像块集合,并对图像块集合进行(0~1)标准化,而在S2步骤中,划分的方式是将每张图片按照尺寸为j×j分割为数量为m的图像块集合,并对图像块集合进行(0~1)标准化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999365.5A CN112163609A (zh) | 2020-09-22 | 2020-09-22 | 一种基于深度学习的图像块相似度计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999365.5A CN112163609A (zh) | 2020-09-22 | 2020-09-22 | 一种基于深度学习的图像块相似度计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163609A true CN112163609A (zh) | 2021-01-01 |
Family
ID=73863333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999365.5A Pending CN112163609A (zh) | 2020-09-22 | 2020-09-22 | 一种基于深度学习的图像块相似度计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163609A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338165A (zh) * | 2021-12-29 | 2022-04-12 | 北京工业大学 | 基于伪孪生堆栈自编码器的网络入侵检测方法 |
CN114972709A (zh) * | 2022-07-14 | 2022-08-30 | 彼图科技(青岛)有限公司 | 一种基于块相似度的图像人工智能算法 |
CN115391160A (zh) * | 2022-10-26 | 2022-11-25 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
CN117333492A (zh) * | 2023-12-01 | 2024-01-02 | 深圳菲尔泰光电有限公司 | 基于图像处理的光学薄膜质量检测方法及相关装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
CN109727246A (zh) * | 2019-01-26 | 2019-05-07 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
CN109840556A (zh) * | 2019-01-24 | 2019-06-04 | 浙江大学 | 一种基于孪生网络的图像分类识别方法 |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111401384A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种变电设备缺陷图像匹配方法 |
-
2020
- 2020-09-22 CN CN202010999365.5A patent/CN112163609A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160093048A1 (en) * | 2014-09-25 | 2016-03-31 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
CN109840556A (zh) * | 2019-01-24 | 2019-06-04 | 浙江大学 | 一种基于孪生网络的图像分类识别方法 |
CN109727246A (zh) * | 2019-01-26 | 2019-05-07 | 福州大学 | 一种基于孪生网络的对比学习图像质量评估方法 |
CN110263697A (zh) * | 2019-06-17 | 2019-09-20 | 哈尔滨工业大学(深圳) | 基于无监督学习的行人重识别方法、装置及介质 |
CN111401384A (zh) * | 2020-03-12 | 2020-07-10 | 安徽南瑞继远电网技术有限公司 | 一种变电设备缺陷图像匹配方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338165A (zh) * | 2021-12-29 | 2022-04-12 | 北京工业大学 | 基于伪孪生堆栈自编码器的网络入侵检测方法 |
CN114972709A (zh) * | 2022-07-14 | 2022-08-30 | 彼图科技(青岛)有限公司 | 一种基于块相似度的图像人工智能算法 |
CN115391160A (zh) * | 2022-10-26 | 2022-11-25 | 北京必示科技有限公司 | 一种异常变更检测方法、装置、设备及存储介质 |
CN117333492A (zh) * | 2023-12-01 | 2024-01-02 | 深圳菲尔泰光电有限公司 | 基于图像处理的光学薄膜质量检测方法及相关装置 |
CN117333492B (zh) * | 2023-12-01 | 2024-03-15 | 深圳菲尔泰光电有限公司 | 基于图像处理的光学薄膜质量检测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163609A (zh) | 一种基于深度学习的图像块相似度计算方法 | |
CN109785258B (zh) | 一种基于多判别器生成对抗网络的人脸图像修复方法 | |
CN114140353A (zh) | 一种基于通道注意力的Swin-Transformer图像去噪方法及系统 | |
CN109754376A (zh) | 图像去噪方法及装置 | |
Wu et al. | Stereo matching with fusing adaptive support weights | |
CN109948573A (zh) | 一种基于级联深度卷积神经网络的噪声鲁棒人脸识别方法 | |
CN110992354A (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN111739076A (zh) | 面向多种ct肺部纹理识别的非监督保内容域适应方法 | |
CN110570364A (zh) | 基于深度神经网络的分焦平面偏振图像去噪方法 | |
CN103049892A (zh) | 基于相似块矩阵秩最小化的非局部图像去噪方法 | |
Bare et al. | An accurate deep convolutional neural networks model for no-reference image quality assessment | |
CN110245678A (zh) | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 | |
CN111626927A (zh) | 采用视差约束的双目图像超分辨率方法、系统及装置 | |
CN112634146B (zh) | 基于多种注意力机制的多通道cnn医学ct图像去噪方法 | |
CN112116601A (zh) | 一种基于线性采样网络及生成对抗残差网络的压缩感知采样重建方法及系统 | |
CN110223231A (zh) | 一种含噪图像的快速超分辨重建算法 | |
CN114926883A (zh) | 一种满足多种降质模型的人脸图像处理方法 | |
Zhang et al. | Med-SRNet: GAN-based medical image super-resolution via high-resolution representation learning | |
CN116051849A (zh) | 一种脑网络数据特征提取方法及装置 | |
CN113191968B (zh) | 三维超声图像盲去噪模型的建立方法及其应用 | |
CN107622476A (zh) | 基于概率生成模型的图像超分辨处理方法 | |
CN115051363B (zh) | 一种配网台区户变关系辨识方法、装置及计算机存储介质 | |
CN116612167A (zh) | 一种实木锯材去缺陷的纹理拼接方法 | |
CN114744618A (zh) | 考虑气象特征的深度学习短期风电功率预测方法及系统 | |
Feng et al. | Stereoscopic video quality assessment with multi-level binocular fusion network considering disparity and multi-scale information |
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 |