CN115170916A - 一种多尺度特征融合的图像重建方法及系统 - Google Patents
一种多尺度特征融合的图像重建方法及系统 Download PDFInfo
- Publication number
- CN115170916A CN115170916A CN202211081419.5A CN202211081419A CN115170916A CN 115170916 A CN115170916 A CN 115170916A CN 202211081419 A CN202211081419 A CN 202211081419A CN 115170916 A CN115170916 A CN 115170916A
- Authority
- CN
- China
- Prior art keywords
- feature
- features
- image
- dense
- fusion
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 230000006835 compression Effects 0.000 claims abstract description 11
- 238000007906 compression Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 4
- 238000007634 remodeling Methods 0.000 claims description 3
- 108091006146 Channels Proteins 0.000 claims 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 1
- 229910052799 carbon Inorganic materials 0.000 claims 1
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像重建领域的一种多尺度特征融合的图像重建方法及系统,包括:对原图像进行压缩测量得到测量向量;根据测量向量生成初始重建图像;采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合;将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;采用注意力模块将密集特征T1和残差特征En‑1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征;计算全局融合特征的残差后与初始重建图像相加得到最终重建图像;本发明提升了图像重建质量并减少网络的计算量。
Description
技术领域
本发明属于图像重建领域,具体涉及图像压缩感知重建方法及系统。
背景技术
图像压缩感知重建技术是一种将图像压缩然后再恢复的方法。在信息传输中,压缩对于传输有着至关重要的重用,相较于奈奎斯特采样,压缩感知对采样条件要求更低,它的特殊采样方式打破了奈奎斯特采样定律的限制,拥有更高的计算效率。近年来,在压缩与解压缩运算量激增的大数据时代背景下,压缩感知受到学术界与业界的广泛关注。传统的图像压缩感知重建算法中,在较低采样率下的图像恢复质量较差,重建图像如何得到更好重建精度,并减少空间占用,成为相关安全部门的迫切需求。
近年来,随着基于深度学习的图像压缩感知重建技术的算法出现,通过卷积网络、残差网络或注意力网络来提升图像的重建质量,这在恢复图像中的纹理复杂区域提供了极大的帮助。但是现有的算法为了尽可能的提高图像的重建精度,提升网络深度导致模型训练时间偏长。而且大多数网络在特征融合阶段对局部特征的学习效率低下,对纹理复杂区域的学习效果不明显。
发明内容
本发明的目的在于提供一种多尺度特征融合的图像重建方法及系统,提升图像重建质量并减少网络的计算量。
为达到上述目的,本发明所采用的技术方案是:
本发明第一方面提供了一种多尺度特征融合的图像重建方法,包括:
对原图像进行压缩测量得到测量向量;根据测量向量生成初始重建图像;
采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合E={E1,E2,…,En};将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;
采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征;
计算全局融合特征的残差后与初始重建图像相加得到最终重建图像。
优选的,对原图像进行压缩测量得到测量向量的方法包括:
将原图像转为灰度图后进行区块处理获得图像块,将图像块进行旋转和翻转后构建图像块数据集;
对图像块数据集中的图像块进行采样后,通过测量矩阵对图像块行压缩测量得到测量向量,表达公式为:
优选的,根据测量向量生成初始重建图像的方法包括:
将测量向量转化为初始重建图像块的表达公式为:
将各初始重建图像块进行叠加生成初始重建图像。
优选的,采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合的方法包括:
将初始重建图像输入至残差模块,对初始重建图像分别进行3×3卷积和5×5卷积后进行相互连接,获得叠加特征;将叠加特征进7×7卷积获得残差特征E1;
重新采用残差模块对残差特征E1进行特征提取获得残差特征E2,采用残差模块对残差特征E2进行特征提取获得残差特征E3;构建残差特征集合E={E1,E2,E3}。
优选的,将残差特征En输入至多种尺度卷积核的密集模块提取密集特征的方法包括:
通过DensNet分别对残差特征En进行3×3卷积后,使用1×1卷积降维获得初始密集特征P1;通过另一DensNet分别对残差特征En进行5×5卷积后,使用1×1卷积降维获得初始密集特征P2;将初始密集特征P1与初始密集特征P2连接后依次进行1×1卷积和ReLU函数处理后获得密集特征。
优选的,采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2的方法包括:
通过空间注意力对残差特征En-1进行重要性加权生成残差融合特征;通过通道注意力对密集特征T1进行重要性加权生成密集融合特征;将残差融合特征和密集融合特征执行Concat连接后依次进行1×1卷积和ReLU函数处理后获得密集特征T2。
优选的,通过通道注意力对密集特征进行重要性加权生成密集融合特征的方法包括:
优选的,通过空间注意力对残差特征进行重要性加权生成残差融合特征的方法包括:
本发明第二方面提供了一种多尺度特征融合的图像重建系统,包括:
图像重建模块,用于对原图像进行压缩测量得到测量向量;根据测量向量生成初始重建图像;
特征提取模块,用于采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合E={E1,E2,…,En};将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;
特征融合模块,用于采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征;
图像生成模块,用于计算全局融合特征的残差后与初始重建图像相加得到最终重建图像。
本发明第三方面提供了计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现所述图像重建方法的步骤。
与现有技术相比,本发明的有益效果:
本发明中采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合E={E1,E2,…,En};将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征,更高效的融合所有局部特征,实现局部与全局依赖性的集成;计算全局融合特征的残差后与初始重建图像相加得到最终重建图像;本发明提升图像重建质量并减少网络的计算量。
附图说明
图1是本发明实施例提供的一种多尺度特征融合的图像重建方法的概括流程图;
图2是本发明实施例提供的一种多尺度特征融合的图像重建方法的具体流程图;
图3是本发明实施例提供的一种多尺度特征融合的图像重建系统的结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
如图1至图3所示,一种多尺度特征融合的图像重建方法,包括:
对原图像进行压缩测量得到测量向量的方法包括:
将原图像转为灰度图后进行区块处理获得图像块,将图像块进行旋转和翻转后构建图像块数据集;
对图像块数据集中的图像块进行采样后,通过测量矩阵对图像块行压缩测量得到测量向量,表达公式为:
根据测量向量生成初始重建图像的方法包括:
将测量向量转化为初始重建图像块的表达公式为:
将各初始重建图像块进行叠加生成初始重建图像。
采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合;方法包括:
将初始重建图像输入至残差模块,对初始重建图像分别进行3×3卷积和5×5卷积后进行相互连接,获得叠加特征;将叠加特征进7×7卷积获得残差特征E1;
重新采用残差模块对残差特征E1进行特征提取获得残差特征E2,采用残差模块对残差特征E2进行特征提取获得残差特征E3;构建残差特征集合E={E1,E2,E3}。
将残差特征En输入至多种尺度卷积核的密集模块提取密集特征的方法包括:
通过DensNet分别对残差特征En进行3×3卷积后,使用1×1卷积降维获得初始密集特征P1;通过另一DensNet分别对残差特征En进行5×5卷积后,使用1×1卷积降维获得初始密集特征P2;将初始密集特征P1与初始密集特征P2连接后依次进行1×1卷积和ReLU函数处理后获得密集特征。
采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2的方法包括:
通过空间注意力对残差特征En-1进行重要性加权生成残差融合特征;通过通道注意力对密集特征T1进行重要性加权生成密集融合特征;将残差融合特征和密集融合特征执行Concat连接后依次进行1×1卷积和ReLU函数处理后获得密集特征T2;注意力模块拥有更高的性能与更少的参数以减少网络的计算量。
通过通道注意力对密集特征进行重要性加权生成密集融合特征的方法包括:
通过空间注意力对残差特征进行重要性加权生成残差融合特征的方法包括:
重复迭代直至全局的残差特征融合完成,获得全局融合特征;更高效的融合所有局部特征,实现局部与全局依赖性的集成。
采用均方差函数作为损失函数,表达公式为:
M表示为原图像中图像块的数量,根据损失函数对图像重建方法进行优化。
计算全局融合特征的残差后与初始重建图像相加得到最终重建图像,表达公式为:
实施例二
如图3所示,一种多尺度特征融合的图像重建系统,本实施例提供的所述图像重建系统可以应用于实施例一所述的图像重建方法,图像重建系统包括:
图像重建模块,用于对原图像进行压缩测量得到测量向量;根据测量向量生成初始重建图像;
特征提取模块,用于采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合E={E1,E2,…,En};将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;
特征融合模块,用于采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征;
图像生成模块,用于计算全局融合特征的残差后与初始重建图像相加得到最终重建图像。
实施例三
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一所述图像重建方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种多尺度特征融合的图像重建方法,其特征在于,包括:
对原图像进行压缩测量得到测量向量;根据测量向量生成初始重建图像;
采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合E={E1,E2,…,En};将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;
采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征;
计算全局融合特征的残差后与初始重建图像相加得到最终重建图像。
4.根据权利要求1或权利要求3所述的一种多尺度特征融合的图像重建方法,其特征在于,采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合的方法包括:
将初始重建图像输入至残差模块,对初始重建图像分别进行3×3卷积和5×5卷积后进行相互连接,获得叠加特征;将叠加特征进7×7卷积获得残差特征E1;
重新采用残差模块对残差特征E1进行特征提取获得残差特征E2,采用残差模块对残差特征E2进行特征提取获得残差特征E3;构建残差特征集合E={E1,E2,E3}。
5.根据权利要求1所述的一种多尺度特征融合的图像重建方法,其特征在于,将残差特征En输入至多种尺度卷积核的密集模块提取密集特征的方法包括:
通过DensNet分别对残差特征En进行3×3卷积后,使用1×1卷积降维获得初始密集特征P1;通过另一DensNet分别对残差特征En进行5×5卷积后,使用1×1卷积降维获得初始密集特征P2;将初始密集特征P1与初始密集特征P2连接后依次进行1×1卷积和ReLU函数处理后获得密集特征。
6.根据权利要求1所述的一种多尺度特征融合的图像重建方法,其特征在于,采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2的方法包括:
通过空间注意力对残差特征En-1进行重要性加权生成残差融合特征;通过通道注意力对密集特征T1进行重要性加权生成密集融合特征;将残差融合特征和密集融合特征执行Concat连接后依次进行1×1卷积和ReLU函数处理后获得密集特征T2。
8.根据权利要求7所述的一种多尺度特征融合的图像重建方法,其特征在于,通过空间注意力对残差特征进行重要性加权生成残差融合特征的方法包括:
9.一种多尺度特征融合的图像重建系统,其特征在于,包括:
图像重建模块,用于对原图像进行压缩测量得到测量向量;根据测量向量生成初始重建图像;
特征提取模块,用于采用多个残差模块对初始重建图像依次进行特征提取,获得残差特征集合E={E1,E2,…,En};将残差特征En输入至多种尺度卷积核的密集模块提取密集特征T1;
特征融合模块,用于采用注意力模块将密集特征T1和残差特征En-1进行局部特征融合形成密集特征T2;重复迭代直至全局的残差特征融合完成,获得全局融合特征;
图像生成模块,用于计算全局融合特征的残差后与初始重建图像相加得到最终重建图像。
10.计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1至权利要求8任意一项所述的一种多尺度特征融合的图像重建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081419.5A CN115170916B (zh) | 2022-09-06 | 2022-09-06 | 一种多尺度特征融合的图像重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081419.5A CN115170916B (zh) | 2022-09-06 | 2022-09-06 | 一种多尺度特征融合的图像重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115170916A true CN115170916A (zh) | 2022-10-11 |
CN115170916B CN115170916B (zh) | 2023-01-31 |
Family
ID=83481768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211081419.5A Active CN115170916B (zh) | 2022-09-06 | 2022-09-06 | 一种多尺度特征融合的图像重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170916B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147589A1 (en) * | 2017-11-10 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
CN113592718A (zh) * | 2021-08-12 | 2021-11-02 | 中国矿业大学 | 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 |
CN114049251A (zh) * | 2021-09-01 | 2022-02-15 | 中国矿业大学 | 一种用于ai视频分析的模糊图像超分辨率重建方法及装置 |
CN114821100A (zh) * | 2022-04-13 | 2022-07-29 | 桂林电子科技大学 | 基于结构组稀疏网络的图像压缩感知重建方法 |
CN114841856A (zh) * | 2022-03-07 | 2022-08-02 | 中国矿业大学 | 基于深度残差通道空间注意力的密集连接网络的图像超像素重建方法 |
-
2022
- 2022-09-06 CN CN202211081419.5A patent/CN115170916B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147589A1 (en) * | 2017-11-10 | 2019-05-16 | Shenzhen United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
CN113592718A (zh) * | 2021-08-12 | 2021-11-02 | 中国矿业大学 | 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 |
CN114049251A (zh) * | 2021-09-01 | 2022-02-15 | 中国矿业大学 | 一种用于ai视频分析的模糊图像超分辨率重建方法及装置 |
CN114841856A (zh) * | 2022-03-07 | 2022-08-02 | 中国矿业大学 | 基于深度残差通道空间注意力的密集连接网络的图像超像素重建方法 |
CN114821100A (zh) * | 2022-04-13 | 2022-07-29 | 桂林电子科技大学 | 基于结构组稀疏网络的图像压缩感知重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115170916B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079532B (zh) | 一种基于文本自编码器的视频内容描述方法 | |
CN110992270A (zh) | 基于注意力的多尺度残差注意网络图像超分辨率重建方法 | |
CN110728219A (zh) | 基于多列多尺度图卷积神经网络的3d人脸生成方法 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN111368662A (zh) | 一种人脸图像属性编辑方法、装置、存储介质及设备 | |
CN113077377B (zh) | 一种基于生成对抗网络的彩色图像隐写方法 | |
CN110929736A (zh) | 多特征级联rgb-d显著性目标检测方法 | |
CN109300128B (zh) | 基于卷积神经网隐含结构的迁移学习图像处理方法 | |
CN111860138A (zh) | 基于全融合网络的三维点云语义分割方法及系统 | |
CN113516133B (zh) | 一种多模态图像分类方法及系统 | |
CN115345866B (zh) | 一种遥感影像中建筑物提取方法、电子设备及存储介质 | |
CN114820341A (zh) | 一种基于增强Transformer的图像盲去噪方法及系统 | |
CN109447897B (zh) | 一种真实场景图像合成方法及系统 | |
Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
CN112529862A (zh) | 一种交互循环特征重塑的显著性图像检测方法 | |
CN111738435A (zh) | 一种基于移动设备的在线稀疏训练方法及系统 | |
CN117454495B (zh) | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 | |
CN113313077A (zh) | 基于多策略和交叉特征融合的显著物体检测方法 | |
CN115170916B (zh) | 一种多尺度特征融合的图像重建方法及系统 | |
CN113222160A (zh) | 一种量子态的转换方法及装置 | |
CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
CN113496228A (zh) | 一种基于Res2Net、TransUNet和协同注意力的人体语义分割方法 | |
Lin et al. | Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression | |
CN117173552B (zh) | 一种水下目标检测方法、系统、电子设备及存储介质 | |
CN116071275B (zh) | 基于在线知识蒸馏和预训练先验的人脸图像修复方法 |
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 |