CN112434749A - 一种基于U-Net的多模光纤散斑图重建与识别方法 - Google Patents
一种基于U-Net的多模光纤散斑图重建与识别方法 Download PDFInfo
- Publication number
- CN112434749A CN112434749A CN202011395502.0A CN202011395502A CN112434749A CN 112434749 A CN112434749 A CN 112434749A CN 202011395502 A CN202011395502 A CN 202011395502A CN 112434749 A CN112434749 A CN 112434749A
- Authority
- CN
- China
- Prior art keywords
- layer
- speckle
- feature
- reconstruction
- feature layer
- 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 18
- 239000000835 fiber Substances 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 230000004913 activation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007526 fusion splicing Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F18/21—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
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于U‑Net的多模光纤散斑图重建与识别方法,通过制作的数据集对构建的散斑重建识别神经网络进行训练和测试,形成散斑重建识别模型,训练测试后的散斑重建识别模型能快速地对散斑图进行有效准确地识别,在尽可能保留散斑图的空间信息下,构成重建图像,并获取到散斑图的类别信息,具有识别率高、操作便捷有效的优点。
Description
技术领域
本发明涉及一种图像重建识别方法,特别是一种基于U-Net的多模光纤散斑图重建与识别方法。
背景技术
光纤通讯可应用于医学成像、通信、传感器等领域,多模光纤是一种高散射介质,相干光在传输的过程中会被打乱,导致图像在多模光纤中传输后,输出端得到的是失去完整图案信息的散斑图,现有将散斑图像与输入图像信息对应的技术包括以下几种:
1、使用光纤传输矩阵计算的方式恢复和识别输出端的散斑图,但效果不佳;
2、基于散斑图以及卷积神经网络极强的特征提取能力进行原图的重建,对重建图进行识别,可有效识别图像信息,但重建与识别分离的;
3、利用人工神经网络对散斑图进行识别,但该方式会失去了散斑图的空间信息,识别效果不佳。
发明内容
为了克服现有技术的不足,本发明提供一种识别率高、基于U-Net的多模光纤散斑图重建与识别方法。
本发明解决其技术问题所采用的技术方案是:
一种基于U-Net的多模光纤散斑图重建与识别方法,它包括以下步骤:
(1)、基于U-Net构建散斑重建识别神经网络;
(2)、制作散斑重建识别神经网络的数据集,该数据集包括训练集和测试集;
(3)、通过训练集训练散斑重建识别神经网络,采用损失函数进行损失计算,将损失以相同权重回传至散斑重建识别神经网络,将散斑重建识别神经网络训练收敛为散斑重建识别模型;
(4)、将测试集导入散斑重建识别模型,获取以测试集为数据源的重构图像和重构图类别信息,当重构图像和重构图类别信息表现最优则完成散斑重建识别模型的训练与测试。
所述步骤1的散斑重建识别神经网络包括依次相连的输入层、第一特征图层、第二特征图层、第三特征图层、第四特征图层、第五特征图层、第六特征图层、第七特征图层和输出层,所述第四特征图层依次连接有FC层和softmax层,所述第一特征图层、第二特征图层和第三特征图层分别与所述第七特征图层、第六特征图层和第五特征图层跳跃连接。
所述输入层、第一特征图层、第二特征图层、第三特征图层、第四特征图层、第五特征图层、第六特征图层、第七特征图层和输出层的尺寸分别为32*32*1、32*32*32、16*16*64、8*8*128、4*4*256、8*8*128、16*16*64、32*32*32和32*32*1。
所述步骤2的训练集与所述测试集训的数据种类相同,所述数据种类包括为散斑图、原图和原图类别,所述训练集与所述测试集训的图片数据比例为7:3。
所述步骤3的散斑重建识别神经网络训练包括以下步骤:
(1)、训练集的散斑图输入至输入层,输入层将散斑图统一缩放至32x32x1尺寸,对其进行卷积后通过激活函数ReLU进行拟合;
(2)、第一特征图层对拟合后的散斑图进行下采样,提取散斑图的特征后进行卷积拟合形成第一特征图,第二特征图层、第三特征图层和第四特征图层对分别其本身上一结构层的特征图采用相同方式生成第二特征图、第三特征图和第四特征图;
(3)、FC层对第四特征图进行全连接,整合第四特征图中具有类别区分性的局部信息;
(4)、softmax层将FC层输出的局部信息通过损失函数进行分类,获取散斑图的预测类别;
(5)、第五特征图层对第四特征图进行上采样,与跳跃连接的第三特征图层的第三特征图进行融合拼接以及反卷积,并通过激活函数ReLU拟合成第五重构图;
(6)、第六特征图层和第七个特征图层对其本身上一结构层生成的重构图采用相同方式分别形成第六重构图和第七重构图,输出层将第七重构图压缩转换为最终重构图;
(7)、训练集对该散斑图的原图与最终重构图通过损失函数计算图像损失,训练集对该散斑图的原图类别与预测类别通过损失函数计算类别损失,以相同权重回传,更新散斑重建识别神经网络后进行下一散斑图的训练,将散斑重建识别神经网络训练收敛为散斑重建识别模型。
所述损失函数为交叉熵损失。
本发明的有益效果是:本发明通过制作的数据集对构建的散斑重建识别神经网络进行训练和测试形成散斑重建识别模型,训练测试后的散斑重建识别模型能快速地对散斑图进行有效准确地识别,在尽可能保留散斑图的空间信息下,构成重建图像,并获取到散斑图的类别信息,具有识别率高、操作便捷有效的优点。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是散斑重建识别模型的结构示意图。
具体实施方式
参照图1,一种基于U-Net的多模光纤散斑图重建与识别方法,它包括以下步骤:
(1)、基于U-Net构建散斑重建识别神经网络;
所述步骤1的散斑重建识别神经网络包括依次相连的输入层1、第一特征图层2、第二特征图层3、第三特征图层4、第四特征图层5、第五特征图层6、第六特征图层7、第七特征图层8和输出层9,所述第四特征图层5依次连接有FC层10和softmax层11,所述第一特征图层2、第二特征图层3和第三特征图层4分别与所述第七特征图层8、第六特征图层7和第五特征图层6跳跃连接;所述输入层1、第一特征图层2、第二特征图层3、第三特征图层4、第四特征图层5、第五特征图层6、第六特征图层7、第七特征图层8和输出层9的尺寸分别为32*32*1、32*32*32、16*16*64、8*8*128、4*4*256、8*8*128、16*16*64、32*32*32和32*32*1;
对于一般简单的数据集,采用一或两层的卷积神经网络结构作为解码或编码部分足以,而采用了多种神经网络结构进行测试,对于涉及光纤散斑图像则需要将散斑重建识别神经网络的结构构建为输入层1、第一特征图层2、第二特征图层3、第三特征图层4、第四特征图层5为编码部分,第五特征图层6、第六特征图层7、第七特征图层8和输出层9为解码部分,理论上层数越多,模型越深,训练出的能力更强,效果更好,但实际上更深的层数会增加训练难度,使模型难以收敛,因此,将散斑重建识别神经网络为九层、深度为五层的结构最为适应,在尽可能地保留原图空间信息的情况下,限定最少量、最精简的模型结构,使得训练出的散斑重建识别模型能更好地对散斑图进行特征提取以及重构图的重建。
需要说明的是,重建识别神经网络是基于U-Net构建而成,未说明的细微部分均与U-Net相同,如下文的重建识别神经网络中提及的“提取散斑图的特征后进行卷积”,具体就是U-Net中的3*3(卷积核)卷积操作,又如重建识别神经网络实际采用更新和计算影响的优化器是SGD。
(2)、制作散斑重建识别神经网络的数据集,该数据集包括训练集和测试集;所述训练集与所述测试集训的数据种类相同,所述数据种类包括为散斑图、原图和原图类别,所述训练集与所述测试集训的图片数据比例为7:3,以七成的数据集训练散斑重建识别神经网络形成散斑重建识别模型,以三成数据集进行测试,以该比例收敛出的散斑重建识别模型对光线散斑图的重构以及类别信息识别更为地可靠、精准。
(3)、通过训练集训练散斑重建识别神经网络,采用损失函数进行损失计算,将损失以相同权重回传至散斑重建识别神经网络,将散斑重建识别神经网络训练收敛为散斑重建识别模型;所述损失函数为交叉熵损失
(4)、将测试集导入散斑重建识别模型,获取以测试集为数据源的重构图像和重构图类别信息。
所述步骤3的散斑重建识别神经网络训练包括以下步骤:
(1)、训练集的散斑图输入至输入层1,输入层1将散斑图统一缩放至32x32x1尺寸,对其进行卷积后通过激活函数ReLU进行拟合;
(2)、第一特征图层2对拟合后的散斑图进行下采样,提取散斑图的特征后进行卷积拟合形成第一特征图,第二特征图层3、第三特征图层4和第四特征图层5对分别其本身上一结构层的特征图采用相同方式生成第二特征图、第三特征图和第四特征图;
(3)、FC层10通过激活函数ReLU对第四特征图进行全连接,整合第四特征图中具有类别区分性的局部信息;
(4)、softmax层11将FC层10输出的局部信息通过损失函数进行分类,获取散斑图的预测类别,也使得训练测试后的散斑重建识别模型具备图像信息的识别能力,能快速地获取散斑图的类别;
(5)、第五特征图层6对第四特征图进行上采样,与跳跃连接的第三特征图层4的第三特征图进行融合拼接以及反卷积,并通过激活函数ReLU拟合成第五重构图;
(6)、第六特征图层7、第七个特征图层和输出层9对其本身上一结构层生成的重构图采用相同方式分别形成第六重构图、第七重构图和最终重构图;
(7)、训练集对该散斑图的原图与最终重构图通过损失函数计算图像损失,训练集对该散斑图的原图类别与预测类别通过损失函数计算类别损失,以相同权重回传,更新散斑重建识别神经网络后进行下一散斑图的训练,将散斑重建识别神经网络训练收敛为散斑重建识别模型;所述损失函数为交叉熵损失。
因此,本多模光纤散斑图重建与识别方法能快速便捷地对多模光纤散斑图进行重建以及类型信息的获取,经训练与测试的散斑重建识别模型只需导入散斑图像即可进行有效准确地识别,在尽可能保留散斑图的空间信息下,构成重建图像以及输出散斑图的预测类别,具有识别率高、操作便捷有效的优点。
以上的实施方式不能限定本发明创造的保护范围,专业技术领域的人员在不脱离本发明创造整体构思的情况下,所做的均等修饰与变化,均仍属于本发明创造涵盖的范围之内。
Claims (6)
1.一种基于U-Net的多模光纤散斑图重建与识别方法,其特征在于它包括以下步骤:
(1)、基于U-Net构建散斑重建识别神经网络;
(2)、制作散斑重建识别神经网络的数据集,该数据集包括训练集和测试集;
(3)、通过训练集训练散斑重建识别神经网络,采用损失函数进行损失计算,将损失以相同权重回传至散斑重建识别神经网络,将散斑重建识别神经网络训练收敛为散斑重建识别模型;
(4)、将测试集导入散斑重建识别模型,获取以测试集为数据源的重构图像和重构图类别信息。
2.根据权利要求1所述的基于U-Net的多模光纤散斑图重建与识别方法,其特征在于所述步骤1的散斑重建识别神经网络包括依次相连的输入层、第一特征图层、第二特征图层、第三特征图层、第四特征图层、第五特征图层、第六特征图层、第七特征图层和输出层,所述第四特征图层依次连接有FC层和softmax层,所述第一特征图层、第二特征图层和第三特征图层分别与所述第七特征图层、第六特征图层和第五特征图层跳跃连接。
3.根据权利要求2所述的基于U-Net的多模光纤散斑图重建与识别方法,其特征在于所述输入层、第一特征图层、第二特征图层、第三特征图层、第四特征图层、第五特征图层、第六特征图层、第七特征图层和输出层的尺寸分别为32*32*1、32*32*32、16*16*64、8*8*128、4*4*256、8*8*128、16*16*64、32*32*32和32*32*1。
4.根据权利要求2所述的基于U-Net的多模光纤散斑图重建与识别方法,其特征在于所述步骤2的训练集与所述测试集训的数据种类相同,所述数据种类包括为散斑图、原图和原图类别,所述训练集与所述测试集训的图片数据比例为7:3。
5.根据权利要求4所述的基于U-Net的多模光纤散斑图重建与识别方法,其特征在于所述步骤3的散斑重建识别神经网络训练包括以下步骤:
(1)、训练集的散斑图输入至输入层,输入层将散斑图统一缩放至32x32x1尺寸,对其进行卷积后通过激活函数ReLU进行拟合;
(2)、第一特征图层对拟合后的散斑图进行下采样,提取散斑图的特征后进行卷积拟合形成第一特征图,第二特征图层、第三特征图层和第四特征图层对分别其本身上一结构层的特征图采用相同方式生成第二特征图、第三特征图和第四特征图;
(3)、FC层对第四特征图进行全连接,整合第四特征图中具有类别区分性的局部信息;
(4)、softmax层将FC层输出的局部信息通过损失函数进行分类,获取散斑图的预测类别;
(5)、第五特征图层对第四特征图进行上采样,与跳跃连接的第三特征图层的第三特征图进行融合拼接以及反卷积,并通过激活函数ReLU拟合成第五重构图;
(6)、第六特征图层和第七个特征图层对其本身上一结构层生成的重构图采用相同方式分别形成第六重构图和第七重构图,输出层将第七重构图压缩转换为最终重构图;
(7)、训练集对该散斑图的原图与最终重构图通过损失函数计算图像损失,训练集对该散斑图的原图类别与预测类别通过损失函数计算类别损失,以相同权重回传,更新散斑重建识别神经网络后进行下一散斑图的训练,将散斑重建识别神经网络训练收敛为散斑重建识别模型。
6.根据权利要求1或5所述的基于U-Net的多模光纤散斑图重建与识别方法,其特征在于所述损失函数为交叉熵损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395502.0A CN112434749A (zh) | 2020-12-02 | 2020-12-02 | 一种基于U-Net的多模光纤散斑图重建与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395502.0A CN112434749A (zh) | 2020-12-02 | 2020-12-02 | 一种基于U-Net的多模光纤散斑图重建与识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434749A true CN112434749A (zh) | 2021-03-02 |
Family
ID=74691154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395502.0A Pending CN112434749A (zh) | 2020-12-02 | 2020-12-02 | 一种基于U-Net的多模光纤散斑图重建与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434749A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762460A (zh) * | 2021-04-01 | 2021-12-07 | 天津理工大学 | 基于数值散斑的多模光纤传输图像迁移重构算法 |
CN115424214A (zh) * | 2022-11-03 | 2022-12-02 | 之江实验室 | 基于塑料光纤的准分布式液漏检测方法及装置、电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150015879A1 (en) * | 2012-03-29 | 2015-01-15 | Ecole Polytechnique Federale De Lausanne (Epfl) | Methods and apparatus for imaging with multimode optical fibers |
CN107180248A (zh) * | 2017-06-12 | 2017-09-19 | 桂林电子科技大学 | 基于联合损失增强网络的高光谱图像分类方法 |
CN110675326A (zh) * | 2019-07-24 | 2020-01-10 | 西安理工大学 | 基于U-Net网络的计算鬼成像重建恢复的方法 |
CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
CN111340183A (zh) * | 2020-02-12 | 2020-06-26 | 南京理工大学 | 基于深度学习的散射成像装置和方法 |
WO2020165196A1 (en) * | 2019-02-14 | 2020-08-20 | Carl Zeiss Meditec Ag | System for oct image translation, ophthalmic image denoising, and neural network therefor |
CN111739116A (zh) * | 2020-07-16 | 2020-10-02 | 南京理工大学 | 基于深度神经网络透过散射介质的目标定位和重建方法 |
-
2020
- 2020-12-02 CN CN202011395502.0A patent/CN112434749A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150015879A1 (en) * | 2012-03-29 | 2015-01-15 | Ecole Polytechnique Federale De Lausanne (Epfl) | Methods and apparatus for imaging with multimode optical fibers |
CN107180248A (zh) * | 2017-06-12 | 2017-09-19 | 桂林电子科技大学 | 基于联合损失增强网络的高光谱图像分类方法 |
WO2020165196A1 (en) * | 2019-02-14 | 2020-08-20 | Carl Zeiss Meditec Ag | System for oct image translation, ophthalmic image denoising, and neural network therefor |
CN110675326A (zh) * | 2019-07-24 | 2020-01-10 | 西安理工大学 | 基于U-Net网络的计算鬼成像重建恢复的方法 |
CN110916664A (zh) * | 2019-12-10 | 2020-03-27 | 电子科技大学 | 一种基于深度学习的快速磁共振图像重建方法 |
CN111340183A (zh) * | 2020-02-12 | 2020-06-26 | 南京理工大学 | 基于深度学习的散射成像装置和方法 |
CN111739116A (zh) * | 2020-07-16 | 2020-10-02 | 南京理工大学 | 基于深度神经网络透过散射介质的目标定位和重建方法 |
Non-Patent Citations (4)
Title |
---|
EIRINI KAKKAVA 等: "Imaging through multimode fibers using deep learning: The effects of intensity versus holographic recording of the speckle pattern", 《OPTICAL FIBER TECHNOLOGY》 * |
KAKKAVA E. 等: "Image Classification and Reconstruction through Multimode Fibers by Deep Neural Networks", 《2018 CONFERENCE ON LASERS AND ELECTRO-OPTICS PACIFIC RIM (CLEO-PR)》 * |
NAVID BORHANI 等: "Learning to see through multimode fibers", 《OPTICA》 * |
卢顺 等: "利用神经网络实现多模光纤传输散斑的识别", 《光学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762460A (zh) * | 2021-04-01 | 2021-12-07 | 天津理工大学 | 基于数值散斑的多模光纤传输图像迁移重构算法 |
CN113762460B (zh) * | 2021-04-01 | 2023-10-24 | 天津理工大学 | 基于数值散斑的多模光纤传输图像迁移重构算法 |
CN115424214A (zh) * | 2022-11-03 | 2022-12-02 | 之江实验室 | 基于塑料光纤的准分布式液漏检测方法及装置、电子设备 |
CN115424214B (zh) * | 2022-11-03 | 2023-04-07 | 之江实验室 | 基于塑料光纤的准分布式液漏检测方法及装置、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886273B (zh) | 一种cmr图像分割分类系统 | |
CN111179187B (zh) | 基于循环生成对抗网络的单幅图像去雨方法 | |
CN110782462A (zh) | 一种基于双流特征融合的语义分割方法 | |
CN112434749A (zh) | 一种基于U-Net的多模光纤散斑图重建与识别方法 | |
CN109993269B (zh) | 基于注意力机制的单张图像人群计数方法 | |
CN112116601B (zh) | 基于生成对抗残差网络的压缩感知采样重建方法及系统 | |
CN113888412B (zh) | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 | |
CN111340183B (zh) | 基于深度学习的散射成像装置和方法 | |
CN109214989A (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 | |
WO2021120961A1 (zh) | 大脑成瘾结构图谱评估方法及装置 | |
CN110210492A (zh) | 一种基于深度学习的立体图像视觉显著性检测方法 | |
CN111104532B (zh) | 一种基于双流网络的rgbd图像联合恢复方法 | |
CN113822805A (zh) | 图像超分辨率重建方法、中药植物叶病诊断方法及设备 | |
CN115546046A (zh) | 一种融合频率和内容特征的单幅图像去雾方法 | |
CN114418987B (zh) | 一种多阶段特征融合的视网膜血管分割方法及系统 | |
CN117137488B (zh) | 基于脑电数据与面部表情影像的抑郁症病症辅助识别方法 | |
CN116091492B (zh) | 一种图像变化像素级检测方法与系统 | |
CN117114076A (zh) | 一种基于自监督Graph-Transformer的多模态大脑网络重要区域识别方法 | |
CN112734638A (zh) | 一种遥感影像超分辨重建方法、装置及存储介质 | |
Huerta et al. | Inter-subject clustering of brain fibers from whole-brain tractography | |
CN116740567A (zh) | 用于泡桐幼苗栽培的土壤含水率检测方法及系统 | |
CN114708353B (zh) | 图像重建方法、装置、电子设备与存储介质 | |
Yang et al. | RSAMSR: A deep neural network based on residual self-encoding and attention mechanism for image super-resolution | |
CN113935908B (zh) | 一种基于双支路通道和特征强化机制的遥感图像去云方法 | |
CN115131244A (zh) | 基于对抗学习的单幅图像去雨方法及系统 |
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 |