CN112561909A - 一种基于融合变异的图像对抗样本生成方法 - Google Patents

一种基于融合变异的图像对抗样本生成方法 Download PDF

Info

Publication number
CN112561909A
CN112561909A CN202011579491.1A CN202011579491A CN112561909A CN 112561909 A CN112561909 A CN 112561909A CN 202011579491 A CN202011579491 A CN 202011579491A CN 112561909 A CN112561909 A CN 112561909A
Authority
CN
China
Prior art keywords
image
layer
gaussian
melt
pyramid
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
CN202011579491.1A
Other languages
English (en)
Other versions
CN112561909B (zh
Inventor
张智轶
余泽田
罗文伟
李远航
陈兵
黄志球
陶传奇
周玉倩
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202011579491.1A priority Critical patent/CN112561909B/zh
Publication of CN112561909A publication Critical patent/CN112561909A/zh
Application granted granted Critical
Publication of CN112561909B publication Critical patent/CN112561909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于融合变异的图像对抗样本生成方法。方法包括：分别建立原始图像与干扰图像的高斯金字塔，在高斯金字塔的运算过程中，用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的重构图像，得到每一层损失信息，建立拉普拉斯金字塔存储这些损失信息；提取生成的两个高斯金字塔顶层的图像，用像素选择函数对两个图像进行融合；对融合后的图像进行上采样操作，再加上相应层次的原始图片拉普拉斯金字塔中的损失信息，再次进行上采样操作，重复上述操作，最终得到一个与原始图像相同大小的变异图像，形成图像对抗样本。本发明能够在测试数据不足的情况下生成足够多且高质量的测试数据。

Description

一种基于融合变异的图像对抗样本生成方法
技术领域
本发明属于计算机领域，涉及到图像识别模型的训练中对抗样本数据集的生成，具体为一种基于融合变异的图像对抗样本生成方法。
背景技术
目前航空航天领域图像识别信息服务能够有效辅助用户快速识别图像信息，但对于测评机构而言，军用信息服务的测试图像较少，部分测试数据可能还依赖于厂家的训练数据的问题，导致测试结果可信度受到影响，缺陷发现能力不高。
然而对于这样软件可靠性要求较高的领域，人们不仅需要能够高效的识别出不加干扰的图像信息，也要能以较高置信度的得到加以干扰后的图像信息，所以需要得到原始数据集的一系列对抗样本。如何对原始数据集进行变异测试并得到可靠的对抗样本数据集成为关键问题。
发明内容
发明目的：针对现有技术的不足，本发明提出一种基于融合变异的图像对抗样本生成方法，解决在测试数据不足的情况下如何生成足够多且高质量的测试数据的问题。
技术方案：一种基于融合变异的图像对抗样本生成方法，利用分割变异技术通过对数据进行变异，从而实现测试数据的生成，包括以下步骤：
(1)获取原始图像与干扰图像；
(2)分别建立原始图像与干扰图像的高斯金字塔，在高斯金字塔的运算过程中，用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的重构图像，得到每一层损失信息，建立拉普拉斯金字塔存储这些损失信息；
(3)提取生成的两个高斯金字塔顶层的图像，用像素选择函数对两个图像进行融合；
(4)对融合后的图像进行上采样操作，再加上相应层次的原始图片拉普拉斯金字塔中的损失信息，重复进行上述操作，最终得到一个与原始图像相同大小的变异图像，形成图像对抗样本。
其中，所述步骤(2)中高斯金字塔的建立包括：将原图视为第1层图像，对第N层图像G(N)进行低通滤波，再进行下采样，得到第N+1层图像G(N+1)，G(N+1)的长与宽均为G(N)的1/2，则G(N+1)尺寸为G(N)尺寸的1/4，G(1),G(2)······G(N)组成高斯金字塔。
所述步骤(2)中建立拉普拉斯金字塔包括：对G(N+1)层图像进行上采样，得到与G(N)的尺寸相同的T(N)，计算T(N)与G(N)的差L(N)，L(1),L(2)······L(N)组成拉普拉斯金字塔。
所述步骤(3)中用像素选择函数对两个图像进行融合包括：
记原始图像的高斯金字塔顶层图像为G原(s)，干扰图像的高斯金字塔顶层图像为G扰(s)，根据如下公式对两个图像进行组合：
G融(s)＝τ(ρ,G原(s))+τ((1-ρ),G扰(s))
其中，G融(s)为融合后的图像，G融(s)[i,j]表示了G融(s)的第i行，第j列的像素点，τ(ρ,G)表示从G中按高斯分布随机挑选像素点，ρ∈[0,1]是一个比例因子，表示所提取像素个数占全部像素的百分比，且随机挑选的像素点位置不能重复。
有益效果：本发明通过对原始图像进行融合变异，从而实现对抗样本的生成。在高斯金字塔的运算过程中，图像经过卷积和下采样操作会损失部分高频细节信息，本发明用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的重构图像可得到每一层损失信息，利用拉普拉斯金字塔来存储这些信息，在图像融合中对损失信息进行有效补偿。利用本方法能够在测试数据不足的情况下生成足够多且高质量的测试数据。
附图说明
图1是本发明实施例提供的基于融合变异的图像对抗样本生成方法流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
参照图1，本发明所提出的基于融合变异的图像对抗样本生成方法，包括以下步骤：
步骤(1)，准备好原始图像与干扰图像。
原始图像需结合被测模型的应用领域，应具备代表性。干扰图像可任意选择。
步骤(2)，分别建立原始图像与干扰图像的高斯金字塔，并用拉普拉斯金字塔来存储损失信息。
在高斯金字塔的运算过程中，图像经过卷积和下采样操作会损失部分高频细节信息，为描述这些高频信息，用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的重构图像可得到每一层损失信息，利用拉普拉斯金字塔来存储这些信息。
高斯金字塔的建立具体包括：将原图视为第1层图像，对第N层图像G(N)进行高斯内核卷积，若G(N)的行数/列数为奇数，则利用区域插值法将G(N)的行数/列数调整为向下最近的偶数，再进行下采样，去除所有的偶数行和偶数列，得到第N+1层图像G(N+1)，G(N+1)的长与宽均为G(N)的1/2，则G(N+1)尺寸为G(N)尺寸的1/4，G(1),G(2)······G(N)组成高斯金字塔。
拉普拉斯金字塔的建立方式如下：对G(N+1)层图像进行上采样，在每一列的右边新增一列，每一行的下边新增一行，新增的行列以0填充，使用先前下采样时的高斯核(大小不变，数值乘以4)进行卷积后利用线性插值法得到与G(N)的尺寸相同的T(N)，计算T(N)与G(N)的差L(N)，L(1),L(2)······L(N)组成拉普拉斯金字塔。
步骤(3)，提取生成的两个高斯金字塔顶层的图像，用像素选择函数对两个图像进行融合。
图像融合(Image Fusion)是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。
本发明中，在进行图像融合时，先建立高斯金字塔与拉普拉斯金字塔，得到原图高斯金字塔顶层图像G原(s)与干扰图像高斯金字塔顶层图像G扰(s)，然后用像素选择函数生成G融(s)。仅针对顶层融合，s表示的是最顶层的图像。G融(s)的生成公式如下：
G融(s)＝τ(ρ,G原(s))+τ((1-ρ),G扰(s))
其中，G融(s)[i,j]表示了G融(s)的第i行，第j列的像素点，τ(ρ,G)表示从G中按高斯分布随机挑选像素点，ρ∈[0,1]是一个比例因子，表示所提取像素个数占全部像素的百分比，且随机挑选的像素点位置不能重复。
步骤(4)，对融合后的图像进行上采样操作，加上相应层次的原始图像拉普拉斯金字塔中的损失信息，重复上述操作，最终得到一个与原始图像相同大小的变异图像，形成图像对抗样本。
以高斯金字塔有s层，拉普拉斯金字塔有s-1层为例，将干扰图像高斯金字塔顶层图像G扰(s)的部分像素覆盖到原图高斯金字塔顶层图像G原(s)相同位置的像素上，得到新图像G融(s)，然后对G融(s)进行上采样得到G融(s-1)，接着将G融(s-1)与原始图像拉普拉斯金字塔第s-1层的损失信息L原(s-1)相加得到G融(s-2)，再对G融(s-2)进行上采样和与L原(s-2)相加，反复进行以上操作，直到得到G融(1)，G融(1)即是产生的图像对抗样本。
具体而言，根据G融(s)生成G融(s-1)的公式如下：
G融(s-1)＝σ(G融(s)+L原(s))
其中σ(G+L)表示将G与L逐像素相加，并对255取模，确保每个像素值在[0,255]间，得到中间图像TMP，在TMP偶数行和列插入0，公式如下：
Figure BDA0002864028950000041
其中m,n分别表示像素的行坐标和列坐标，之后对TMP*用下采样时使用的高斯核(大小不变，数值乘以4)滤波，得到G融(s-1)，根据以上步骤对G融(s-1)再次进行操作，最终得到G融(1)。
基于上述步骤(1)-(4)所描述的基于融合变异的图像对抗样本生成方法，构建了如下的算法：
1)算法的输入
A、原始目标图像G原；
B、干扰图像G扰；
C、干扰比例ρ。
2)算法的输出：图像对抗样本G融。
3)初始化，将G扰的尺寸放缩到与G原相同。
4)分别建立G原和G扰的高斯金字塔与拉普拉斯金字塔，随后根据ρ与G原高斯金字塔底层图像(G原(s))个数计算其需替换的像素数n，建立一个列表记录替换的像素位置(row,col)，若已替换的像素数x<n：
从G扰(s)随机选取像素点，其行坐标row与列坐标col服从高斯分布，若(row,col)不在已选取像素坐标列表里，则用G扰(s)[row,col]替换G原(last)[row,col]，将(row,col)加入已选取像素坐标列表里；
得到初始融合图像G融(s)，对G融(s)进行上采样操作得到G融(s-1)。
5)将G融(s-1)加上原始图像拉普拉斯金字塔对应层次的L原(s-1)，进行上采样操作得到G融(s-2)。
6)重复5)，直到得到G融(1)。
本发明通过对原始图像进行融合变异，从而实现对抗样本的生成。在高斯金字塔的运算过程中，图像经过卷积和下采样操作会损失部分高频细节信息，本发明用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的重构图像可得到每一层损失信息，利用拉普拉斯金字塔来存储这些信息，在图像融合中对损失信息进行有效补偿。利用本方法能够在测试数据不足的情况下生成足够多且高质量的测试数据。

Claims (6)

1.一种基于融合变异的图像对抗样本生成方法，其特征在于，包括以下步骤：
(1)获取原始图像与干扰图像；
(2)分别建立原始图像与干扰图像的高斯金字塔，在高斯金字塔的运算过程中，用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的重构图像，得到每一层损失信息，建立拉普拉斯金字塔存储这些损失信息；
(3)提取生成的两个高斯金字塔顶层的图像，用像素选择函数对两个图像进行融合；
(4)对融合后的图像进行上采样操作，再加上相应层次的原始图片拉普拉斯金字塔中的损失信息，重复进行上述操作，最终得到一个与原始图像相同大小的变异图像，形成图像对抗样本。
2.根据权利要求1所述的基于融合变异的图像对抗样本生成方法，其特征在于，所述步骤(2)中高斯金字塔的建立包括：将原图视为第1层图像，对第N层图像G(N)进行高斯内核卷积，再进行下采样，得到第N+1层图像G(N+1)，G(N+1)的长与宽均为G(N)的1/2，则G(N+1)尺寸为G(N)尺寸的1/4，G(1)，G(2)……G(N)组成高斯金字塔。
3.根据权利要求2所述的基于融合变异的图像对抗样本生成方法，其特征在于，所述步骤(2)中建立拉普拉斯金字塔包括：对G(N+1)层图像进行上采样，得到与G(N)的尺寸相同的T(N)，计算T(N)与G(N)的差L(N)，L(1)，L(2)……L(N)组成拉普拉斯金字塔。
4.根据权利要求3所述的基于融合变异的图像对抗样本生成方法，其特征在于，所述对G(N+1)层图像进行上采样，得到与G(N)的尺寸相同的T(N)具体包括：对G(N+1)层图像，在每一列的右边新增一列，每一行的下边新增一行，新增的行列以0填充，使用先前下采样时的高斯核进行卷积后利用线性插值法得到与G(N)的尺寸相同的T(N)。
5.根据权利要求1所述的基于融合变异的图像对抗样本生成方法，其特征在于，所述步骤(3)中用像素选择函数对两个图像进行融合包括：
记原始图像的高斯金字塔顶层图像为G原(s)，干扰图像的高斯金字塔顶层图像为G扰(s)，根据如下公式对两个图像进行组合：
G融(s)＝τ(ρ，G原(s))+τ((1-ρ)，G扰(s))
其中，G融(s)为融合后的图像，G融(s)[i，j]表示了G融(s)的第i行，第j列的像素点，τ(ρ，G)表示从G中按高斯分布随机挑选像素点，ρ∈[0，1]是一个比例因子，表示所提取像素个数占全部像素的百分比，且随机挑选的像素点位置不能重复。
6.根据权利要求5所述的基于融合变异的图像对抗样本生成方法，其特征在于，所述步骤(4)包括：使用如下公式从G融(s)得到G融(s-1)：
G融(s-1)＝σ(G融(s)+L原(s))
其中L原(s)为原始图像拉普拉斯金字塔第s层的损失信息，σ(G+L)表示将G与L逐像素相加，并对255取模，得到中间图像TMP(s)，在TMP(s)偶数行和列插入0，公式如下：
Figure FDA0002864028940000021
之后对TMP*(m，n)用下采样时使用的高斯核滤波，得到G融(s-1)，其中m，n分别表示像素的行坐标和列坐标；
重复上述操作，最终得到G融(1)，即为产生的图像对抗样本。
CN202011579491.1A 2020-12-28 2020-12-28 一种基于融合变异的图像对抗样本生成方法 Active CN112561909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011579491.1A CN112561909B (zh) 2020-12-28 2020-12-28 一种基于融合变异的图像对抗样本生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011579491.1A CN112561909B (zh) 2020-12-28 2020-12-28 一种基于融合变异的图像对抗样本生成方法

Publications (2)

Publication Number Publication Date
CN112561909A true CN112561909A (zh) 2021-03-26
CN112561909B CN112561909B (zh) 2024-05-28

Family

ID=75033921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011579491.1A Active CN112561909B (zh) 2020-12-28 2020-12-28 一种基于融合变异的图像对抗样本生成方法

Country Status (1)

Country Link
CN (1) CN112561909B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361582A (zh) * 2021-06-01 2021-09-07 珠海大横琴科技发展有限公司 一种对抗样本的生成方法和装置
CN113469965A (zh) * 2021-06-25 2021-10-01 中国人民解放军陆军工程大学 一种利用掩模限制扰动噪声的对抗样本生成方法
CN113536971A (zh) * 2021-06-28 2021-10-22 中科苏州智能计算技术研究院 一种基于增量学习的目标检测方法
CN114549377A (zh) * 2022-01-11 2022-05-27 上海应用技术大学 医疗影像融合方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8885976B1 (en) * 2013-06-20 2014-11-11 Cyberlink Corp. Systems and methods for performing image fusion
CN104616273A (zh) * 2015-01-26 2015-05-13 电子科技大学 一种基于拉普拉斯金字塔分解的多曝光图像融合方法
CN108615048A (zh) * 2018-04-04 2018-10-02 浙江工业大学 基于扰动进化对图像分类器对抗性攻击的防御方法
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN110956601A (zh) * 2019-12-04 2020-04-03 山东大学 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质
CN111709904A (zh) * 2020-05-27 2020-09-25 盛视科技股份有限公司 一种图像融合方法及装置
CN112102334A (zh) * 2020-09-15 2020-12-18 南京航空航天大学 一种基于分割变异的测试数据生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8885976B1 (en) * 2013-06-20 2014-11-11 Cyberlink Corp. Systems and methods for performing image fusion
CN104616273A (zh) * 2015-01-26 2015-05-13 电子科技大学 一种基于拉普拉斯金字塔分解的多曝光图像融合方法
CN108615048A (zh) * 2018-04-04 2018-10-02 浙江工业大学 基于扰动进化对图像分类器对抗性攻击的防御方法
CN110021031A (zh) * 2019-03-29 2019-07-16 中广核贝谷科技有限公司 一种基于图像金字塔的x射线图像增强方法
CN110956601A (zh) * 2019-12-04 2020-04-03 山东大学 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质
CN111709904A (zh) * 2020-05-27 2020-09-25 盛视科技股份有限公司 一种图像融合方法及装置
CN112102334A (zh) * 2020-09-15 2020-12-18 南京航空航天大学 一种基于分割变异的测试数据生成方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
付争方;朱虹;: "多尺度细节融合的多曝光高动态图像重建", 计算机工程与应用, no. 24, 8 April 2018 (2018-04-08) *
余美晨;孙玉秋;王超;: "基于拉普拉斯金字塔的图像融合算法研究", 长江大学学报(自科版), no. 34, 5 December 2016 (2016-12-05) *
陈浩;王延杰;: "基于拉普拉斯金字塔变换的图像融合算法研究", 激光与红外, no. 04, 20 April 2009 (2009-04-20) *
马永强;王顺利;孙伟;刘宝娥;: "基于高斯金字塔和拉普拉斯金字塔融合的图像对比度增强算法研究", 信息与电脑(理论版), no. 04, 25 February 2018 (2018-02-25) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361582A (zh) * 2021-06-01 2021-09-07 珠海大横琴科技发展有限公司 一种对抗样本的生成方法和装置
CN113469965A (zh) * 2021-06-25 2021-10-01 中国人民解放军陆军工程大学 一种利用掩模限制扰动噪声的对抗样本生成方法
CN113536971A (zh) * 2021-06-28 2021-10-22 中科苏州智能计算技术研究院 一种基于增量学习的目标检测方法
CN114549377A (zh) * 2022-01-11 2022-05-27 上海应用技术大学 医疗影像融合方法
CN114549377B (zh) * 2022-01-11 2024-02-02 上海应用技术大学 医疗影像融合方法

Also Published As

Publication number Publication date
CN112561909B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN112561909A (zh) 一种基于融合变异的图像对抗样本生成方法
CN108764368B (zh) 一种基于矩阵映射的图像超分辨率重建方法
CN113673590B (zh) 基于多尺度沙漏密集连接网络的去雨方法、系统和介质
Zhang et al. LR-Net: Low-rank spatial-spectral network for hyperspectral image denoising
CN106683048A (zh) 一种图像超分辨率方法及设备
CN110211046A (zh) 一种基于生成对抗网络的遥感图像融合方法、系统和终端
CN113298718A (zh) 一种单幅图像超分辨率重建方法及系统
EP3937120B1 (en) Computer-implemented method, computer program product and system for processing images
CN109886351B (zh) 高光谱数据和高分辨率图像融合方法
WO2013177189A1 (en) Predictive modeling relating molecular imaging modalities
CN108288256A (zh) 一种多光谱马赛克图像复原方法
CN108764247A (zh) 基于稠密连接的深度学习物体检测方法及装置
CN114494223A (zh) Pcb缺陷检测模型训练方法、装置、电子设备和存储介质
CN116071309B (zh) 元器件的声扫缺陷检测方法、装置、设备和存储介质
CN108446588A (zh) 一种双时相遥感影像变化检测方法及系统
Majdabadi et al. Msg-capsgan: Multi-scale gradient capsule gan for face super resolution
Deng et al. Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution
CN106530231A (zh) 一种基于深层协作表达的超分辨率图像的重建方法及系统
Xu et al. Hyperspectral Image Super-Resolution With ConvLSTM Skip-Connections
Rezvani et al. Single image denoising via a new lightweight learning-based model
Wang et al. Neighbor Spectra Maintenance and Context Affinity Enhancement for Single Hyperspectral Image Super-Resolution
Mahmood Shape from focus by total variation
Zheng et al. Deep residual spatial attention network for hyperspectral pansharpening
CN112558022A (zh) 一种雷达回波图像处理方法、系统、装置和存储介质
CN105241813B (zh) 压缩采样光声显微成像方法及装置

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