CN115239564A - 一种结合语义信息的矿井图像超分辨率重建方法 - Google Patents
一种结合语义信息的矿井图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN115239564A CN115239564A CN202210992327.6A CN202210992327A CN115239564A CN 115239564 A CN115239564 A CN 115239564A CN 202210992327 A CN202210992327 A CN 202210992327A CN 115239564 A CN115239564 A CN 115239564A
- Authority
- CN
- China
- Prior art keywords
- network
- resolution
- convolution
- image
- super
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000605 extraction Methods 0.000 claims abstract description 57
- 230000011218 segmentation Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000010339 dilation Effects 0.000 claims description 12
- 238000004821 distillation Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 10
- 239000003245 coal Substances 0.000 description 6
- 230000008447 perception Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4053—Super resolution, i.e. output image resolution higher than sensor resolution
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供一种结合语义信息的矿井图像超分辨率重建方法,其主要目的是通过语义分割网络所产生的概率图对超分辨率网络的深层特征提取前的输入进行调整,以此达到提高图像重建质量的结果。该方法主要包括这几部分:1.构建一个较深的超分辨率网络,其结构主要包括:浅层特征提取模块、深层特征提取模块、上采样模块;2.构建一个语义分割网络,用于产生作为深层特征提取模块的部分输入;3.确定损失函数、学习率调整策略。
Description
技术领域
本发明涉及涉及图像重建领域,尤其涉及一种结合语义信息的矿井图像超分辨率重建方法。
背景技术
得益于计算机与网络通信技术的飞速发展,深度学习迸发出强大的生命力,大大促进了各种计算机视觉任务的发展,同时对煤矿行业带来巨大的效益。矿井图像能够直观展现煤矿场景,为矿井监控、行为识别,人员检测等煤矿智能分析提供输入信息,然而受到图像采集设备性能、煤矿恶劣环境以及预算成本的限制,导致所采集到的低分辨率煤矿图像的视觉效果不佳,使得煤矿智能分析的准确度下降。而图像超分辨率技术能够利用低分辨率的特征,图像间的相似性或冗余性等先验知识重建出相应的高分辨率图像。近些年来,卷积神经网络被广泛地应用于图像超分辨率研究中,并取得了优异的效果。图像超分辨率技术的两大评价指标分别是:峰值信噪比(PSNR)和结构相似性(SSIM),相比于前者,后者考虑了人眼的视觉特征,更符合人的主观感觉。目前的超分辨率网络都致力于提升指标参数,但指标的提升并不意味着图像质量的增加。由于图像超分辨率技术的病态问题,指标的提升并不意味着重建出的图像更接近原始真值图像。例如两个不同但相似区域的纹理特征,在重建的过程中可能会被划分为统一区域的特征。因此,如何对纹理特征进行保持,并将同一区域的纹理特征进行约束,使得不同区域的纹理特征不会彼此影响,重建出更高质量且更符合人类感知的图像,成为一个非常有意义的课题。
如何对图像的纹理特征进行保持并划分,是此课题所需要关注的问题。我们注意到,网络的深度很大影响着重建图像的质量。图像超分辨率网络主要包括三个部分:头部的千层特征提取,中间的深层特征提取以及最后尾部的重建模块,先前的工作已经证明了,千层特征保留了更多的纹理细节,深层特征则更多地体现出图像的语义信息。为此提出结合语义分割网络的一种图像超分辨率方法,该方法通过讲原始低分辨率图片送入一个语义分割网络中去,通过将语义分割网络所输出的语义分割概率图和图像超分辨率网络的中间层的输入,一同作为输入,送入深层特征提取层,以此增加图像的纹理细节信息。
现在的存在的问题是:第一,现有的超分辨率网络大多追求指标的提升,并没有注重重建出的图像是否符合人的感知,与真值图像是否接近等;第二,直接加入不变的知识,并不能很大提升网络的性能。
发明内容
为解决上述问题,本发明提供一种结合语义信息的矿井图像超分辨率重建方法,包括有构建超分辨率网络和构建语义分割网络,构建超分辨率网络包括有浅层特征提取、深层特征提取和上采样;
方法步骤如下:
步骤一,浅层特征提取:将3*3的标准卷积的输出结果替换为三个卷积核分别为:3*3、3*1和1*3的卷积之和,此卷积为ACB,将一个ACB作为本网络中的浅层提取模块,从原始低分辨率图像提取出丰富信息的特征图,并将网络中的其他的3*3卷积通过ACB替代;
步骤二,构建语义分割网络,将原始低分辨率图片送入到构建出的语义分割网络中,生成语义分割概率图;
步骤三,深层特征提取:深层特征提取模块采用残差局部特征网络RLFN中的特征提取模块RLFB;
步骤四,上采样:将步骤三得到的丰富纹理和细节信息的特征图,用于图像重建,在上采样部分,使用超分辨率网络中的上采样技术:PixelShuffle方法,将低分辨率的特征图,通过卷积和多通道间的重组得到高分辨率的特征图。
进一步改进在于,所述步骤一公式表达如下:
卷积核为3*3的重参数化卷积数学表达式为:
进一步改进在于,所述步骤二语义分割网络采用ESPNet的结构,ESPNet基于ESP模块构成,ESP模块基于卷积分解原理,将一个标准卷积分解为两个步骤:(1)逐点卷积;(2)扩张卷积的空间金字塔;
进一步改进在于,所述步骤二在使用不同膨胀率的核获得的特征映射在拼接之前进行层次化添加去除网格效应。
进一步改进在于,所述步骤三逐级特征细化通过一个浅残差块组成的细化模块对提取的特征进行细化,蒸馏模块使用单个1*1卷积对特征进行提取的RLFB移除了蒸馏模块,将浅层特征提取层的输出作为每个RLFB的一部分输入,与上一个RLFB的输出一同输入到当前的RLFB中,以此来充分利用浅层特征中的纹理和细节信息;
则深层特征提取模块的输出为:
其中,为sigmoid函数,,分别代表浅层特征提取模块和深层特征提取模块的输出,为第一个RLFB的输入,即加入语义分割概率图的浅层特征,表示为经过第i个RLFB后网络所学习到的映射函数,表示ACB模块所学习到的映射。
进一步改进在于,所述步骤四:特征图的尺寸为,通过将特征图的长和宽的维度扩大倍,变成,PixelShuffle方法是通过深度为的卷积对的特征图进行卷积操作得到的特征图,然后通过“周期洗牌”的方式将的特征图编排成的特征图,
周期洗牌操作的过程中像素位置和通道的数学计算方式为:
通过使用PixelShuffle,可以得到重建后的高分辨率图像SR:
通过上采样模块,得到重建后的高分辨率图像,通过将重建后的图像与真值图像进行比较,计算其损失函数,再通过梯度更新,使得重建后的图像更加接近真值图像。
其中,,表示m层神经网络的权重和偏差,代之整个重建网络的函数表达,低分辨率图像通过该函数重建为高分辨率图像,是用来最小化和之间差异的损失函数,表示使目标函数取最小值时的变量值;由于L1范数损失函数对数据的波动敏感,可以有效知道模型参数的更新并防止梯度的变化,获得更高质量的重建图像。
本发明的有益效果:本发明通过语义分割网络所产生的概率图对超分辨率网络的深层特征提取前的输入进行调整,以此达到提高图像重建质量的结果。该方法主要包括这几部分:1.构建一个较深的超分辨率网络,其结构主要包括:浅层特征提取模块、深层特征提取模块、上采样模块; 2.构建一个语义分割网络,用于产生作为深层特征提取模块的部分输入; 3.确定损失函数、学习率调整策略。
本发明将语义分割网络引入图像超分辨率网络中去,增加了超分辨率网络的纹理和细节,改善重建出的图片质量,使其更加地符合人眼感知。本发明将浅层特征提取后的输出作为语义分割网络的输入,将网络的输出作为超分辨率网络的中间层输入,语义分割网络跟随超分辨率网络一起进行训练,从而让网络自己学习最好的权重,大幅度提升网络性能。
随着网路的加深,所提取的特征包含的语义信息就更加的丰富,因此,本发明将语义分割网络和超分辨率网络这两个不同的计算机视觉任务进行结合,来改善现今超分辨率网络中普遍存在的缺陷,提升网络的性能。
而如今数据的获得更加的容易,这就使得能够从大数据中自动学习特征的深度学习变得越来越受欢迎。正是由于卷积神经网络能够进行自主学习,找到最适合网络的权重,所以本发明将语义分割网络加入超分辨率网络一起进行训练,相比于单纯加入语义信息,能够大幅度提升超分辨率网络的重建性能。
本发明的网络通过结合语义分割网络,来对超分辨率网络重建出的图像进行矫正,得到更高质量的超分辨率网络。语义分割网络产生概率图,用于对超分辨率中的特征图的纹理和细节信息进行约束,但是由于深层特征图不像浅层特征图那样,包含丰富的纹理和细节信息。所以将浅层提取模块提取出的浅层特征通过残差连接,输入到每个深层特征提取子模块的输入前,与上一个子模块的输出联合浅层特征一起输入到下一个子模块中,以此增加特征图的纹理和细节信息。并通过语义分割概率图对补充的纹理和细节进行约束,保证不同纹理区域的特征不会相互产生影响。
本发明通过添加语义分割网络在超分辨率网络中,而非加入训练好的知识。使得训练过程中,产生概率图的网络可以随着超分辨率网络一起进行训练,这样就保证了网络能够自适应地为图像产生所需要的概率图。
本发明采用重参数化的方法,由于卷积操作具有线性,因此可以将网络中3*3的标准卷积的输出结果替换为三个卷积核分别为:3*3、3*1和1*3的卷积之和(ACB),在不引入额外参数的情况下,和部署模型完全相同的情况下,只需要多训练一会就能得到性能提升。
附图说明
图1是本发明的框架图。
图2是本发明具体实施方式卷积操作示意图。
图3是本发明具体实施方式ESP模块的结构图。
图4是本发明具体实施方式ESP模块构成的ESPNet的结构图。
图5是本发明具体实施方式RLFB和深层特征提取模块的结构图。
图6是本发明具体实施方式输出的特征图。
图7是原网络深层特征提取模块的输出特征图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明作进一步的详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
如图1所示,本实施例提供一种结合语义信息的矿井图像超分辨率重建方法,包括有构建超分辨率网络和构建语义分割网络,构建超分辨率网络包括有浅层特征提取、深层特征提取和上采样;
方法步骤如下:
S1:浅层特征提取
在图像超分辨率网络任务中,浅层提取模块输出的特征包含着丰富的纹理和细节信息。目前主流的超分辨率网络的浅层特征提取模块都是通过一个3*3的标准卷积层来实现,受到重参数化技术的启发,由于卷积操作具有线性,因此可以将3*3的标准卷积的输出结果替换为三个卷积核分别为:3*3、3*1和1*3的卷积之和。这样不仅可以增强卷积操作的特征提取能力,而且在推理阶段等效为一个3*3的标准卷积,没有引入额外的参数;一公式表达如下:
具体卷积操作如图2所示;
卷积核为3*3的重参数化卷积数学表达式为:
通过以上的卷积操作,通过重参数化技术可以提升性能而不引入额外的参数。ACNet中将此卷积命名为Asymmetirc Convolution Blocks(ACB)。为此,将一个ACB作为本网络中的浅层提取模块,可以提取出包含更加丰富信息的特征图,并将网络中的其他的3*3卷积通过ACB替代。
:构建语义分割网络
随着网络层数的加深,深层卷积所提取出的特征包含了更多的语义信息,为了弥补超分辨率网络在训练时丢失的纹理细节信息,使得将各个相似但不同的纹理约束到自己的区域当中。通过构建一个语义分割网络,将原始低分辨率图片送入到构建出的语义分割网络中,生成语义分割概率图,这样不仅可以丰富纹理细节,还可以将对纹理区域进行约束。语义分割网络采用ESPNet的结构,ESPNet是一种快速高效的卷积神网络,它在计算、内存和功耗方面都非常得高效,它基于ESP模块构成,ESP模块基于卷积分解原理,将一个标准卷积分解为两个步骤:(1)逐点卷积;(2)扩张卷积的空间金字塔。
ESP模块的结构图如图3所示:
由于膨胀卷积的缺点:网格效应,在使用不同膨胀率的核获得的特征映射在拼接之前进行层次化添加(图中的HFF),可以有效的去除网格效应。
由ESP模块构成的ESPNet的结构图如图4所示;
:深层特征提取
深层特征提取模块采用残差局部特征网络(RLFN)中的特征提取模块RLFB。RLFN是利用三层卷积层进行残差局部特征学习,简化特征聚合,在模型性能和推理时间之间取得了较好的平衡。RLFB是对残差特征蒸馏模块(RFDB)的改进,RFDB在开始时采用逐级特征细化和蒸馏策略,然后使用1*1卷积进行信道缩减,最后采用增强空间注意(ESA)层和残差连接。逐级特征细化通过一个浅残差块组成的细化模块对提取的特征进行细化,蒸馏模块使用单个1*1卷积对特征进行提取。在实际应用中,通过多次1*1卷积运算实现特征提取,在加上一次级联运算,可以显著减少参数数量,提高恢复性能,但是这种设计严重降低了推理速度。因此改进的RLFB移除了了蒸馏模块,为了更好地利用浅层特征,我们将浅层特征提取层的输出作为每个RLFB的一部分输入,与上一个RLFB的输出一同输入到当前的RLFB中,以此来充分利用浅层特征中的纹理和细节信息。
图5为RLFB和深层特征提取模块的结构图。表示为一个RLFB中的第i个ACB与ReLu层的映射函数,表示为增强空间注意层的映射函数,表示为第i个RLFB所学习到的映射函数,表示为第i个RLFB的输出;则有:
则深层特征提取模块的输出为:
其中,为sigmoid函数,,分别代表浅层特征提取模块和深层特征提取模块的输出,为第一个RLFB的输入,即加入语义分割概率图的浅层特征,表示为经过第i个RLFB后网络所学习到的映射函数,表示ACB模块所学习到的映射。
随着网络的加深,卷积操作后的输出包含丰富的语义信息,但是纹理和细节信息严重丢失。而浅层特征包含丰富的纹理和细节,为此将浅层特征提取层的输出通过残差连接,作为一部输入送入每一个深层特征提取子模块中,但仅仅加入纹理和细节信息并不能保证网络重建出的图像,其纹理和细节信息所属的区域与真值图像相符。为此加入语义分割网络用于超分辨率重建,通过将低分辨率图像送入到语义分割网络,得到其对应的语义分割概率图,并将概率图作为输入送入深层特征提取模块,从而保证了重建图像的纹理和细节信息。
:上采样部分
通过加入语义分割概率图,并将其作为部分输入与原图像超分辨率重建网络的输入一起作为输入,通过浅层、深层特征提取,得到含有丰富纹理和细节信息的特征图,用于图像重建。在上采样部分,使用超分辨率网络中常用的上采样技术:PixelShuffle方法。PixelShuffle方法是一种对低分辨率特征图上采样的新思路,其主要功能是将低分辨率的特征图,通过卷积和多通道间的重组得到高分辨率的特征图。特征图的尺寸为,通过将特征图的长和宽的维度扩大倍,变成,PixelShuffle方法是通过深度为的卷积对的特征图进行卷积操作得到的特征图,然后通过“周期洗牌”的方式将的特征图编排成的特征图,
周期洗牌操作的过程中像素位置和通道的数学计算方式为:
通过使用PixelShuffle,可以得到重建后的高分辨率图像SR:
通过上采样模块,我们可以得到重建后的高分辨率图像,通过将重建后的图像与真值图像进行比较,计算其损失函数,再通过梯度更新,可以使得重建后的图像更加接近真值图像。
其中,,表示m层神经网络的权重和偏差,代之整个重建网络的函数表达,低分辨率图像通过该函数重建为高分辨率图像,是用来最小化和之间差异的损失函数,表示使目标函数取最小值时的变量值;由于L1范数损失函数对数据的波动敏感,可以有效知道模型参数的更新并防止梯度的变化,获得更高质量的重建图像。
为验证提出创新的可行性,对现有的一个轻量级超分辨率网络进行调整,在预训练好的网络模型中加入一个语义分割网络,从低维特征提取的输出到每个深层特征提取的输入进行残差跳跃连接,来增强特征的高频细节信息。如图6所示,与图7进行对比,对深层特征提取的输出进行特征图可视化可以看到:经过语义分割网络和残差连接,图像特征的高频细节得以增强,并且通过语义分割网络对超分辨率的解空间进行约束,使得图像的高频特征更为准确。
Claims (7)
1.一种结合语义信息的矿井图像超分辨率重建方法,其特征在于,包括有构建超分辨率网络和构建语义分割网络,构建超分辨率网络包括有浅层特征提取、深层特征提取和上采样;
方法步骤如下:
步骤一,浅层特征提取:将3*3的标准卷积的输出结果替换为三个卷积核分别为:3*3、3*1和1*3的卷积之和,此卷积为ACB,将一个ACB作为本网络中的浅层提取模块,从原始低分辨率图像提取出丰富信息的特征图,并将网络中的其他的3*3卷积通过ACB替代;
步骤二,构建语义分割网络,将原始低分辨率图片送入到构建出的语义分割网络中,生成语义分割概率图;
步骤三,深层特征提取:深层特征提取模块采用残差局部特征网络RLFN中的特征提取模块RLFB;
步骤四,上采样:将步骤三得到的丰富纹理和细节信息的特征图,用于图像重建,在上采样部分,使用超分辨率网络中的上采样技术:PixelShuffle方法,将低分辨率的特征图,通过卷积和多通道间的重组得到高分辨率的特征图。
3.如权利要求1所述一种结合语义信息的矿井图像超分辨率重建方法,其特征在于,所述步骤二语义分割网络采用ESPNet的结构,ESPNet基于ESP模块构成,ESP模块基于卷积分解原理,将一个标准卷积分解为两个步骤:(1)逐点卷积;(2)扩张卷积的空间金字塔;
4.如权利要求3所述一种结合语义信息的矿井图像超分辨率重建方法,其特征在于,所述步骤二在使用不同膨胀率的核获得的特征映射在拼接之前进行层次化添加去除网格效应。
5.如权利要求1所述一种结合语义信息的矿井图像超分辨率重建方法,其特征在于,所述步骤三逐级特征细化通过一个浅残差块组成的细化模块对提取的特征进行细化,蒸馏模块使用单个1*1卷积对特征进行提取的RLFB移除了蒸馏模块,将浅层特征提取层的输出作为每个RLFB的一部分输入,与上一个RLFB的输出一同输入到当前的RLFB中,以此来充分利用浅层特征中的纹理和细节信息;
则深层特征提取模块的输出为:
6.如权利要求1所述一种结合语义信息的矿井图像超分辨率重建方法,其特征在于,所述步骤四:特征图的尺寸为,通过将特征图的长和宽的维度扩大倍,变成,PixelShuffle方法是通过深度为的卷积对的特征图进行卷积操作得到的特征图,然后通过“周期洗牌”的方式将的特征图编排成的特征图,
周期洗牌操作的过程中像素位置和通道的数学计算方式为:
通过使用PixelShuffle,可以得到重建后的高分辨率图像SR:
通过上采样模块,得到重建后的高分辨率图像,通过将重建后的图像与真值图像进行比较,计算其损失函数,再通过梯度更新,使得重建后的图像更加接近真值图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992327.6A CN115239564B (zh) | 2022-08-18 | 2022-08-18 | 一种结合语义信息的矿井图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992327.6A CN115239564B (zh) | 2022-08-18 | 2022-08-18 | 一种结合语义信息的矿井图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115239564A true CN115239564A (zh) | 2022-10-25 |
CN115239564B CN115239564B (zh) | 2023-06-16 |
Family
ID=83678916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992327.6A Active CN115239564B (zh) | 2022-08-18 | 2022-08-18 | 一种结合语义信息的矿井图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239564B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115810139A (zh) * | 2022-12-16 | 2023-03-17 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
CN117078516A (zh) * | 2023-08-11 | 2023-11-17 | 济宁安泰矿山设备制造有限公司 | 基于残差混合注意力的矿井图像超分辨率重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276389A (zh) * | 2019-06-14 | 2019-09-24 | 中国矿业大学 | 一种基于边缘修正的矿井移动巡检图像重建方法 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN113298718A (zh) * | 2021-06-22 | 2021-08-24 | 云南大学 | 一种单幅图像超分辨率重建方法及系统 |
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 |
CN113657388A (zh) * | 2021-07-09 | 2021-11-16 | 北京科技大学 | 一种融合图像超分辨率重建的图像语义分割方法 |
-
2022
- 2022-08-18 CN CN202210992327.6A patent/CN115239564B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276389A (zh) * | 2019-06-14 | 2019-09-24 | 中国矿业大学 | 一种基于边缘修正的矿井移动巡检图像重建方法 |
AU2020103901A4 (en) * | 2020-12-04 | 2021-02-11 | Chongqing Normal University | Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field |
CN113298718A (zh) * | 2021-06-22 | 2021-08-24 | 云南大学 | 一种单幅图像超分辨率重建方法及系统 |
CN113657388A (zh) * | 2021-07-09 | 2021-11-16 | 北京科技大学 | 一种融合图像超分辨率重建的图像语义分割方法 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115810139A (zh) * | 2022-12-16 | 2023-03-17 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
CN115810139B (zh) * | 2022-12-16 | 2023-09-01 | 西北民族大学 | 一种spect图像的目标区域识别方法及系统 |
CN117078516A (zh) * | 2023-08-11 | 2023-11-17 | 济宁安泰矿山设备制造有限公司 | 基于残差混合注意力的矿井图像超分辨率重建方法 |
CN117078516B (zh) * | 2023-08-11 | 2024-03-12 | 济宁安泰矿山设备制造有限公司 | 基于残差混合注意力的矿井图像超分辨率重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115239564B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784602B (zh) | 一种生成对抗网络用于图像修复的方法 | |
CN109271933B (zh) | 基于视频流进行三维人体姿态估计的方法 | |
CN115239564A (zh) | 一种结合语义信息的矿井图像超分辨率重建方法 | |
CN113313644B (zh) | 一种基于残差双注意力网络的水下图像增强方法 | |
CN112183637A (zh) | 一种基于神经网络的单光源场景光照重渲染方法及系统 | |
CN110689599A (zh) | 基于非局部增强的生成对抗网络的3d视觉显著性预测方法 | |
CN116958534A (zh) | 一种图像处理方法、图像处理模型的训练方法和相关装置 | |
CN114693929A (zh) | 一种rgb-d双模态特征融合的语义分割方法 | |
CN115829876A (zh) | 一种基于交叉注意力机制的真实退化图像盲修复方法 | |
CN115082928A (zh) | 面向复杂场景的不对称双分支实时语义分割网络的方法 | |
CN112906549B (zh) | 一种基于时空胶囊网络的视频行为检测方法 | |
CN113850721A (zh) | 单幅图像超分辨率重建方法、装置、设备及可读存储介质 | |
CN113362239A (zh) | 一种基于特征交互的深度学习图像修复方法 | |
Yu et al. | MagConv: Mask-guided convolution for image inpainting | |
CN116168152A (zh) | 人脸图像生成方法、电子设备及计算机可读存储介质 | |
CN115170921A (zh) | 一种基于双边网格学习和边缘损失的双目立体匹配方法 | |
CN112215848B (zh) | 一种基于空间信息引导的实时语义分割方法 | |
CN114331931A (zh) | 基于注意力机制的高动态范围多曝光图像融合模型及方法 | |
CN114494284A (zh) | 一种基于显式监督区域关系的场景解析模型及方法 | |
Yu et al. | A review of single image super-resolution reconstruction based on deep learning | |
CN112529064A (zh) | 一种高效的实时语义分割方法 | |
CN117114994B (zh) | 基于层次特征融合的矿井图像超分辨率重建方法及系统 | |
Li et al. | Deep Feature Aggregation for Lightweight Single Image Super-Resolution | |
Li et al. | Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network | |
CN116596779B (zh) | 基于Transformer的Raw视频去噪方法 |
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 |