CN113850269A - 一种基于多分支选择性内核嵌套连接残差网络的方法 - Google Patents
一种基于多分支选择性内核嵌套连接残差网络的方法 Download PDFInfo
- Publication number
- CN113850269A CN113850269A CN202111449907.2A CN202111449907A CN113850269A CN 113850269 A CN113850269 A CN 113850269A CN 202111449907 A CN202111449907 A CN 202111449907A CN 113850269 A CN113850269 A CN 113850269A
- Authority
- CN
- China
- Prior art keywords
- residual
- residual error
- branch
- convolution
- nested
- 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
Links
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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
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)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及地震数据处理技术领域,公开了一种基于多分支选择性内核嵌套连接残差网络的方法,包括以下处理步骤:将多层残差模块进行嵌套相连得到残差嵌套网络;添加多分支选择性内核,并把残差嵌套网络作为多分支选择性内核的输入,每个分支使用不同尺度的卷积进行特征提取、计算并输出最终图像。本发明采用嵌套残差连接,能减少残差连接,提高计算效率。本发明的嵌套残差连接与多分支选择性内核结合,能把嵌套连接残差网络输出的特征图作为多分支选择性内核模块的输入,使用不同大小的卷积核进行多分支融合,以获内容丰富特征图,从而适应复杂数据处理。本发明具有较高的运算效率和去噪性能,可被广泛用于实际地震资料随机噪音处理。
Description
技术领域
本发明涉及地震数据处理技术领域,具体涉及一种基于多分支选择性内核嵌套连接残差网络的方法。
背景技术
随机噪音由各种因素综合作用形成,没有固定频率和传播方向,分布于全时、全频段,因此很难将其从地震记录中有效地分离出来。传统的地震数据噪音压制方法如小波变换,f-x域滤波,曲波变换,高斯滤波等主要基于地震数据可预测性和稀疏性等特征,其噪音压制效果受限模型假设和参数设置等因素,无法自适应地处理复杂区地震数据,去噪效果有待提升。
近年来,鉴于深度学习在计算机视觉和图像处理(图像分类、超分辨率重建等)中的良好表现,深度神经网络算法被引入地震数据处理中,以实现大批量地震数据智能化处理:通过深度卷积神经网络、深度卷积自编码、深度残差网络、双重残差网络等方式对随机噪声压制;深度神经网络虽能自适应地进行地震数据去噪,但其网络结构随网络深度增加存在退化,容易出现梯度消散及梯度爆炸等问题,去噪效果待提升。
发明内容
本发明的目的在于提供一种基于多分支选择性内核嵌套连接残差网络的方法,解决传统方法无法自适应地处理复杂地震数据噪音压制的问题。
为实现上述发明目的,本发明所采用的技术方案是:一种基于多分支选择性内核嵌套连接残差网络的方法,包括以下处理步骤:
将多层残差模块进行嵌套相连得到残差嵌套网络;
添加多分支选择性内核,并把残差嵌套网络作为多分支选择性内核的输入,每个分支使用不同尺度的卷积进行特征提取、计算并输出最终图像。
优选地,每层残差模块包括两个依次相连的卷积神经网络单元和一个恒等映射单元,所述恒等映射单元的输入侧连接在第一个卷积神经网络单元的输入侧且作为该层残差模块的输入端,所述恒等映射单元的输出侧连接在第二卷积神经网络单元的输出侧,恒等映射单元的输出侧与第二个卷积神经网络单元的输出侧进行求和作为该层残差模块的输出。
优选地,多层残差模块嵌套相连的具体连接方法为:下层的残差模块的输入端连接在上层残差模块的第一个卷积神经网络单元的输出侧,下层残差模块的输出端连接在上层残差模块的第二个卷积神经模块的输入侧。
优选地,每个卷积神经网络单元包括进行两次的卷积操作和激活函数处理。
优选地,所述多分支选择性内核包括以下处理子步骤:
得到残差嵌套网络的特征图U∈R W×H×N ,R为实数集,W、H和N分别为特征图宽度、高度和通道数;
利用三个不同大小的卷积核进行卷积运算,分别得到U 1∈R W×H×N 、U 2∈R W×H×N 和U 3∈R W×H×N 三个特征图,并逐元素求和得到特征图U 4∈R W×H×N ;
使用全局平均池化将U 4的全局信息压缩为特征图U 5∈R1×1×N ;
利用N/S个神经元进行全连接FC 1操作,将N通道的特征图U 5∈R1×1×N 降维成N/S个通道,其中S为缩放因子,得到特征图U 6∈R1×1×N/S ;
利用N个神经元进行全连接FC 2操作,将U 6∈R1×1×N/S 升维成N个通道的特征图,分别为U 7∈R1×1×N 、U 8∈R1×1×N 和U 9∈R1×1×N ;
并利用其与对应特征图中第k个通道像素值相乘求和,得到最终输出图像V;
优选地,所述U 1、U 2、U 3分别采用3×3卷积核、5×5卷积核,7×7卷积核。
本发明的有益效果集中体现在:
1、本发明采用嵌套残差连接,能减少残差连接,提高计算效率。
2、本发明的嵌套残差连接与多分支选择性内核结合,能把嵌套连接残差网络输出的特征图作为多分支选择性内核模块的输入,使用不同大小的卷积核进行多分支融合,以获内容丰富特征图,从而适应复杂数据处理。
3、本发明具有较高的运算效率和去噪性能,可被广泛用于实际地震资料随机噪音处理。
附图说明
图1是本发明的整体处理流程图;
图2是现有技术中的残差网络示意图;
图3是现有技术中的18层网络结构示意图;
图4是本发明18层网络结构示意图;
图5是本发明的多分支选择性内核结构示意图;
图6是本发明的第100条Inline线;
图7是本发明的第4500条Inline线测试结果;
图8是本发明的第4500条Inline线测试结果续图一;
图9是本发明的第4500条Inline线测试结果续图二。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
如图1-5所示,一种基于多分支选择性内核嵌套连接残差网络的方法,需说明,残差网络是针对深层卷积神经网络难以训练而提出的一种网络架构,其可克服因网络深度增加导致的网络退化问题,但网络层数较多,计算效率待提升;残差网络由一系列如图2中b的残差模块(Residual Module, ResM)组成,其在图2中a的卷积神经网络模块(ConvolutionNeural Network Module ,CNNM)基础上增加恒等映射(Identity Mapping, IM)即f (x) =x;当网络达到最优即H(x) = 0时,残差模块只剩下恒等映射,使网络处于最优状态,避免网络退化问题。
图2中:Conv为卷积操作,用于提取信号特征;ReLU为激活函数,其在线性函数中加入非线性因素,增强线性模型表达能力;若假设ResM的输入为x,则其输出可表示为:
在图3所示的ResNet-18(包含18次卷积操作)结构为例,其主要包含两个独立卷积层Conv1和Conv2,八个残差模块(ResM1、ResM2、ResM3和ResM4均含2个ResM,共八次残差连接);假设输入图像大小为128×128,且独立卷积层Conv1含有128个(特征通道数)卷积核,则其输出为128个128×128的特征图;若ResM1、ResM2、ResM3和ResM4的四个卷积层中均有128个卷积核,其输出为128个128×128的特征图;独立卷积层Conv2含有1个卷积核,其输出为128×128的图像。
残差网络中的ResM一般采用3×3卷积核,其网络冗余,计算效率低;另外,残差网络的图像细节恢复能力存在不足;多尺度特征融合能解决该问题,但其通常是以元素求和方式将特征组合或串联,对不同尺度特征不加区分处理,不能自适应表达多尺度特征,图像细节恢复能力依然有待提升。
针对上述问题,本发明提出以下改进,如图1所示,包括以下处理步骤:
S1、将多层残差模块进行嵌套相连得到残差嵌套网络;
具体地,如图4所示,每层残差模块包括两个依次相连的卷积神经网络单元和一个恒等映射单元,在本实施例中,对底层的残差模块可具有一个卷积神经网络单元或者两个卷积神经网络单元,根据所需要的网络层数来设定;通常来说具有两个卷积神经网络单元时,所述恒等映射单元的输入侧连接在第一个卷积神经网络单元的输入侧且作为该层残差模块的输入端,所述恒等映射单元的输出侧连接在第二卷积神经网络单元的输出侧,恒等映射单元的输出侧与第二个卷积神经网络单元的输出侧进行求和作为该层残差模块的输出。
并且多层残差模块嵌套相连的具体连接方法为:下层的残差模块的输入端连接在上层残差模块的第一个卷积神经网络单元的输出侧,下层残差模块的输出端连接在上层残差模块的第二个卷积神经模块的输入侧;并且每个卷积神经网络单元包括进行两次的卷积操作和激活函数处理。
在本实施例中,同样以18层网络为例,图3中只含有五次残差连接,使训练网络更加容易,加快网络收敛速度,提高计算效率;另外,其可把前期特征图跳跃传输至后续卷积层,有利于图像细节恢复。
S2、添加多分支选择性内核,并把残差嵌套网络作为多分支选择性内核的输入,每个分支使用不同尺度的卷积进行特征提取、计算并输出最终图像。
具体地,如图5所示,所述多分支选择性内核包括以下处理子步骤:
S21、得到残差嵌套网络的特征图U∈R W×H×N ,R为实数集,W、H和N分别为特征图宽度、高度和通道数;
S22、利用三个不同大小的卷积核进行卷积运算,分别得到U 1∈R W×H×N 、U 2∈R W×H×N 和U 3∈R W×H×N 三个特征图,在本实施例中所述U 1 、U 2 、U 3 分别采用3×3卷积核、5×5卷积核,7×7卷积核,并逐元素求和得到特征图U 4∈R W×H×N ;
S23、使用全局平均池化(Global average pool,GAP)将U 4的全局信息压缩为特征图U 5∈R1×1×N ;
S24、利用N/S个神经元进行全连接FC 1操作,将N通道的特征图U 5∈R1×1×N 降维成N/S个通道,其中S为缩放因子,得到特征图U 6∈R1×1×N/S ;
S27、并利用其与对应特征图中第k个通道像素值相乘求和,得到最终输出图像V;
本发明的每个分支使用不同尺度(大小)卷积核进行特征提取,从而适应不同尺度图像,进一步提升图像细节恢复能力;相比于常用多尺度特征融合,多分支选择性内核在各分支后利用通道注意力机制,自动获取每个特征通道的重要程度(加权参数),提高重要特征提取能力。
本发明具有以下测试实验,如图6-9所示:
从公开的三维时间偏移地震数据中选取4000条Inline线数据(每条Inline线128道,每道128个采样点,采样间隔1毫秒),构成4000组原始训练样本;然后,选取另外1000条Inline线数据(每条Inline线128道,每道128个采样点,采样间隔1毫秒),构成1000组原始测试样本;接下来,对原始训练样本和测试样本按公式(3)加入随机噪音,构成4000组加噪训练样本和1000组加噪测试样本;紧接着,利用原始训练样本和加噪训练样本对本发明的网络进行训练,并利用训练好的网络对测试样本和实际数据进行去噪处理;最后,将本发明的网络去噪结果和中值滤波、高斯滤波、卷积神经网络的去噪结果进行对比。同时,利用公式(4)的峰值信噪比(Peak signal to noise ratio,PSNR),定量比较不同方法的去噪性能。
其中:(i, j)为像素点坐标;a(i, j)为加入的随机噪音;Scale为加噪百分比;M为m×n大小原始数据中的像素值绝对值的最大值;rand(0, 1)表示产生0至1间随机数;b(i,j)为去除的噪音中像素点(i, j)处的像素值。
图6中的a、b分别为第100条Inline线原始和加噪训练样本(PSNR = 37.1444),图6中的c为添加随机噪音(Scale = 5%);对比a和b可知:加噪训练样本同相轴连续性变差,断层模糊,信噪比明显降低。
为测试训练周期对本文网络去噪性能的影响,将训练周期设置为50、60、70、80、90、100和120次,利用4000条Inline线进行网络训练,并对第160条Inline线的训练样本进行去噪处理和PSNR计算,得到表1的网络性能参数。由表1可知:训练时间和去噪时间随训练周期增大而增大;训练周期小于80次时,PSNR随训练周期增大而逐步增大,网络去噪性能逐渐提升;训练周期超过80次时,PSNR随训练周期增大而逐步减小,网络去噪性能逐渐退化;因此,本次网络训练周期选为70次。
表1不同训练周期时,本文网络性能参数对比
训练周期/次 | 50 | 60 | 70 | 80 | 90 | 100 | 120 |
训练时间/秒 | 1200 | 1500 | 1860 | 2040 | 2400 | 2460 | 3300 |
去噪时间/秒 | 3.2 | 3.4 | 4.0 | 4.0 | 4.3 | 4.7 | 5.0 |
PSNR/分贝 | 58.2086 | 60.6574 | 63.2978 | 60.5064 | 60.1886 | 59.8836 | 59.4842 |
测试结构如图7-9所示,图7的a为测试样本中第4500条Inline线的大小原始测试样本,图7的b为对图7的a数据加入的8%随机噪声(Scale = 8%),图8的d为对图7的a加入图7的b所示随机噪音后的加噪测试样本;图7的c为对图7的a数据加入的10%随机噪声(Scale =10%),图9的g为对图7的a加入图7的c所示随机噪音后的加噪测试样本。图8的e和图8的f分别为利用本文训练好的网络对图7的d数据的去噪效果和去除的噪音,图9的h和i分别为利用本文训练好的网络对图9的g数据的去噪效果和去除的噪音。
由图7-9可知:本发明的网络去噪结果同相轴连续清晰,去除的噪音中未见有效信号,去噪效果良好。
表2 不同噪声水平时,四种方法去噪结果PSNR对比
表2为不同噪声水平时,四种方法对第4500条Inline线测试样本去噪结果PSNR;对比可知:四种方法去噪结果PSNR都提升;本发明的方法去噪结果PSNR更高,鲁棒性更强。
需要说明的是,对于前述的各个方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某一些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和单元并不一定是本申请所必须的。
Claims (6)
1.一种基于多分支选择性内核嵌套连接残差网络的方法,其特征在于:包括以下处理步骤:
将多层残差模块进行嵌套相连得到残差嵌套网络;
添加多分支选择性内核,并把残差嵌套网络作为多分支选择性内核的输入,每个分支使用不同尺度的卷积进行特征提取、计算并输出最终图像。
2.根据权利要求1所述的一种基于多分支选择性内核嵌套连接残差网络的方法,其特征在于:每层残差模块包括两个依次相连的卷积神经网络单元和一个恒等映射单元,所述恒等映射单元的输入侧连接在第一个卷积神经网络单元的输入侧且作为该层残差模块的输入端,所述恒等映射单元的输出侧连接在第二卷积神经网络单元的输出侧,恒等映射单元的输出侧与第二个卷积神经网络单元的输出侧进行求和作为该层残差模块的输出。
3.根据权利要求2所述的一种基于多分支选择性内核嵌套连接残差网络的方法,其特征在于:多层残差模块嵌套相连的具体连接方法为:下层的残差模块的输入端连接在上层残差模块的第一个卷积神经网络单元的输出侧,下层残差模块的输出端连接在上层残差模块的第二个卷积神经模块的输入侧。
4.根据权利要求3所述的一种基于多分支选择性内核嵌套连接残差网络的方法,其特征在于:每个卷积神经网络单元包括进行两次的卷积操作和激活函数处理。
5.根据权利要求1-4任一项所述的一种基于多分支选择性内核嵌套连接残差网络的方法,其特征在于:所述多分支选择性内核包括以下处理子步骤:
得到残差嵌套网络的特征图U ∈R W×H×N ,R为实数集,W、H和N分别为特征图宽度、高度和通道数;
利用三个不同大小的卷积核进行卷积运算,分别得到U 1∈R W×H×N 、U 2∈R W×H×N 和U 3∈R W ×H×N 三个特征图,并逐元素求和得到特征图U 4∈R W×H×N ;
使用全局平均池化将U 4的全局信息压缩为特征图U 5∈R1×1×N ;
利用N/S个神经元进行全连接FC 1操作,将N通道的特征图U 5∈R1×1×N 降维成N/S个通道,其中S为缩放因子,得到特征图U 6∈R1×1×N/S ;
利用N个神经元进行全连接FC 2操作,将U 6∈R1×1×N/S 升维成N个通道的特征图,分别为U 7∈R1×1×N 、U 8∈R1×1×N 和U 9∈R1×1×N ;
并利用其与对应特征图中第k个通道像素值相乘求和,得到最终输出图像V;
6.根据权利要求5所述的一种基于多分支选择性内核嵌套连接残差网络的方法,其特征在于:所述U 1、U 2、U 3分别采用3×3卷积核、5×5卷积核,7×7卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449907.2A CN113850269B (zh) | 2021-12-01 | 2021-12-01 | 一种基于多分支选择性内核嵌套连接残差网络的去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111449907.2A CN113850269B (zh) | 2021-12-01 | 2021-12-01 | 一种基于多分支选择性内核嵌套连接残差网络的去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113850269A true CN113850269A (zh) | 2021-12-28 |
CN113850269B CN113850269B (zh) | 2022-03-15 |
Family
ID=78982658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111449907.2A Active CN113850269B (zh) | 2021-12-01 | 2021-12-01 | 一种基于多分支选择性内核嵌套连接残差网络的去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850269B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937362B1 (en) * | 2000-04-05 | 2005-08-30 | Eastman Kodak Company | Method for providing access to an extended color gamut digital image and providing payment therefor |
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
CN110221346A (zh) * | 2019-07-08 | 2019-09-10 | 西南石油大学 | 一种基于残差块全卷积神经网络的数据噪声压制方法 |
CN110717354A (zh) * | 2018-07-11 | 2020-01-21 | 哈尔滨工业大学 | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 |
CN111145102A (zh) * | 2019-11-22 | 2020-05-12 | 南京理工大学 | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 |
CN111445422A (zh) * | 2020-04-17 | 2020-07-24 | 山东大学 | 基于神经网络的随机渐近式光子映射图像降噪方法及系统 |
CN111696036A (zh) * | 2020-05-25 | 2020-09-22 | 电子科技大学 | 基于空洞卷积的残差神经网络及两阶段图像去马赛克方法 |
CN112926552A (zh) * | 2021-04-23 | 2021-06-08 | 河南大学 | 基于深度神经网络的遥感影像车辆目标识别模型及方法 |
CN113298181A (zh) * | 2021-06-16 | 2021-08-24 | 合肥工业大学智能制造技术研究院 | 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统 |
-
2021
- 2021-12-01 CN CN202111449907.2A patent/CN113850269B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6937362B1 (en) * | 2000-04-05 | 2005-08-30 | Eastman Kodak Company | Method for providing access to an extended color gamut digital image and providing payment therefor |
CN106204467A (zh) * | 2016-06-27 | 2016-12-07 | 深圳市未来媒体技术研究院 | 一种基于级联残差神经网络的图像去噪方法 |
CN108921029A (zh) * | 2018-06-04 | 2018-11-30 | 浙江大学 | 一种融合残差卷积神经网络和pca降维的sar自动目标识别方法 |
CN110717354A (zh) * | 2018-07-11 | 2020-01-21 | 哈尔滨工业大学 | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 |
CN109903226A (zh) * | 2019-01-30 | 2019-06-18 | 天津城建大学 | 基于对称残差卷积神经网络的图像超分辨率重建方法 |
CN110221346A (zh) * | 2019-07-08 | 2019-09-10 | 西南石油大学 | 一种基于残差块全卷积神经网络的数据噪声压制方法 |
CN111145102A (zh) * | 2019-11-22 | 2020-05-12 | 南京理工大学 | 一种基于卷积神经网络的合成孔径雷达图像去噪方法 |
CN111445422A (zh) * | 2020-04-17 | 2020-07-24 | 山东大学 | 基于神经网络的随机渐近式光子映射图像降噪方法及系统 |
CN111696036A (zh) * | 2020-05-25 | 2020-09-22 | 电子科技大学 | 基于空洞卷积的残差神经网络及两阶段图像去马赛克方法 |
CN112926552A (zh) * | 2021-04-23 | 2021-06-08 | 河南大学 | 基于深度神经网络的遥感影像车辆目标识别模型及方法 |
CN113298181A (zh) * | 2021-06-16 | 2021-08-24 | 合肥工业大学智能制造技术研究院 | 基于密集连接的Yolov3网络的井下管道异常目标识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
ABHISHEK CHAURASIA等: "LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation", 《ARXIV:1707.03718V1 [CS.CV]》 * |
P. QIAN等: "Residual-Network-Leveraged Vehicle-Thrown-Waste Identification in Real-Time Traffic Surveillance Videos", 《INTELLIGENT TRANSPORTATION SYSTEMS》 * |
XIANG LI等: "Selective Kernel Networks", 《ARXIV:1903.06586V2 [CS.CV] 》 * |
王婕等: "一种改进的多尺度融合并行稠密残差去噪网络", 《小型微型计算机系统》 * |
罗一梁等: "U-Net与注意力机制结合的断层识别研究", 《全域地球物理探测与智能感知学术研讨会会议摘要集》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113850269B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275643B (zh) | 基于通道和空间注意力的真实噪声盲去噪网络系统及方法 | |
CN111144329B (zh) | 一种基于多标签的轻量快速人群计数方法 | |
CN110648292B (zh) | 一种基于深度卷积网络的高噪声图像去噪方法 | |
CN113592718A (zh) | 基于多尺度残差网络的矿井图像超分辨率重建方法及系统 | |
CN110223304B (zh) | 一种基于多路径聚合的图像分割方法、装置和计算机可读存储介质 | |
CN111815516B (zh) | 一种弱监督红外遥感图像超分辨率重建方法 | |
CN111932461A (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
CN113392711B (zh) | 一种基于高层语义与噪声抑制的烟雾语义分割方法及系统 | |
CN111768340B (zh) | 一种基于密集多路径网络的超分辨图像重构方法和系统 | |
CN106709877A (zh) | 一种基于多参数正则优化模型的图像去模糊方法 | |
CN111598804B (zh) | 基于深度学习的图像多级去噪方法 | |
CN110533591B (zh) | 基于编解码器结构的超分辨图像重建方法 | |
CN115953303B (zh) | 结合通道注意力的多尺度图像压缩感知重构方法及系统 | |
CN113421187B (zh) | 一种超分辨率重建方法、系统、存储介质、设备 | |
CN111931927B (zh) | 一种在npu中减少计算资源占用的方法及装置 | |
CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
CN110838089B (zh) | 一种基于OctBlock密集块的快速图像去噪方法 | |
CN116612010A (zh) | 基于光谱相关信息和空间高低频信息的超分辨率图像重建方法 | |
CN116128898A (zh) | 一种基于Transformer双分支模型的皮肤病变图像分割方法 | |
CN115953294A (zh) | 一种基于浅层通道分离与聚合的单图像超分辨率重建方法 | |
CN114936977A (zh) | 一种基于通道注意力和跨尺度特征融合的图像去模糊方法 | |
CN109819256B (zh) | 基于特征感知的视频压缩感知方法 | |
CN113743301B (zh) | 一种基于残差自编码器卷积神经网络的固态纳米孔测序电信号降噪处理方法 | |
CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
CN111199237A (zh) | 一种基于注意力的卷积神经网络分频特征提取方法 |
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 |