CN116823680B - 一种基于级联神经网络的混储电池识别去模糊方法 - Google Patents
一种基于级联神经网络的混储电池识别去模糊方法 Download PDFInfo
- Publication number
- CN116823680B CN116823680B CN202311100193.3A CN202311100193A CN116823680B CN 116823680 B CN116823680 B CN 116823680B CN 202311100193 A CN202311100193 A CN 202311100193A CN 116823680 B CN116823680 B CN 116823680B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- layer
- fcn
- images
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 23
- 239000010410 layer Substances 0.000 claims description 93
- 238000013135 deep learning Methods 0.000 claims description 28
- 230000008447 perception Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 18
- 102100024521 Ficolin-2 Human genes 0.000 claims description 17
- 101001052753 Homo sapiens Ficolin-2 Proteins 0.000 claims description 17
- 102100024508 Ficolin-1 Human genes 0.000 claims description 14
- 102100024520 Ficolin-3 Human genes 0.000 claims description 14
- 101001052785 Homo sapiens Ficolin-1 Proteins 0.000 claims description 14
- 101001052749 Homo sapiens Ficolin-3 Proteins 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 14
- 230000004927 fusion Effects 0.000 description 12
- 230000007246 mechanism Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明设计一种基于级联神经网络的混储电池识别去模糊方法，首先，分别使用三个改进的FCN全卷积网络分别进行深层的语义信息的提取，三个改进的FCN全卷积层采用不同尺寸的同一图像进行语义的提取，将获取不同尺寸下语义信息，最后通过融合CNN网络实现对不同尺寸下特征图之间的互补，从而进一步提高图像去模糊的精度。本发明能够准确高效的提取图像中的语义信息，有利于在复杂场景中目标的运动模糊去除，从而提高图像复原的准确率。
Description
技术领域
本发明属于图像去模糊的技术领域，具体涉及一种基于级联神经网络的混储电池识别去模糊方法。
背景技术
在混储电池自动化生产过程中，不同型号、不同大小、电池标记等精准识别在自动分拣等过程中需要越来越高的准确度，而采用去模糊电池图像精准识别是提高电池识别的自动化程度的关键。随着深度学习的发展和兴起，基于深度学习的图像检测技术也不断发展；显著性检测可分为自底向上的数据驱动模型和自顶向下的任务驱动模型两大类；自底向上的图像检测是指对于给定的任意一幅图像，找出图中引人注意的目标，该目标可为任何类型的对象；而自顶向下的图像检测方法通常从给定图片中找出给定类别的目标，并赋予不同的显著值。目前，对自底向上的图像检测方法的研究最多。
图像复原倒推图像退化过程，根据已有低质量图像获取原始高质量图像。近年来深度学习神经网络应用于低层视觉领域，通过卷积层等一系列操作拟合传统图像复原模型。图像复原无需额外估算相机目标相对运动轨迹(模糊核)，挖掘大量模糊图像关键特征并学习其至清晰图像的映射关系。通过图像复原，消除运动模糊拖影，还原对象锐利边缘，补偿尺寸检测运动模糊误差，有助于高速移动对象的目标检测与识别。
发明内容
为解决上述存在的问题与缺陷，本发明提供一种基于级联神经网络的混储电池识别去模糊方法，该方法应用于动态成像条件下的机器视觉尺寸检测，无需额外估算模糊核，依托大量数据集，应用神经网络直接学习低质量模糊图像至高质量清晰图像映射关系，消除运动模糊拖影，还原对象锐利边缘，补偿尺寸检测运动模糊误差，有助于高速移动对象的目标检测与识别。
该方法包含三个阶段，分别为获取不同尺寸图像、构建不同尺寸的FCN边缘检测网络、基于融合CNN网络的边缘语义信息融合。该方法能够准确的提取图像的多种语义信息，实现对复杂场景中图像的运动模糊的去除。
本发明的具体实施步骤如下：
步骤一、图像的预处理；
图像的预处理，为了更好地提取图像中的纹理信息，首先需要对图像进行预处理，采用均衡化的方法来实现对图像的预处理，通过如下映射函数T(rk)公式(1)实现对图像的均衡化；
式中，sk为rk灰度级像素均衡化后的像素值，n为图像的像素总数，nk为灰度级为rk的像素的个数，rk为归一化后的第k个灰度级，Pk(rk)为rk灰度级出现的概率；
对于原始待处理图像A1，其大小为N×N(N＝2h)(h为正整数)，分别在原始图像A1的水平与垂直方向上每间隔一个像素点进行下采样，得到(N/2)×(N/2)的图像A2，在图像A2的基础上采用同样的下采样方式，得到(N/4)×(N/4)的图像A3；
步骤二、针对不同尺寸的图像分别构建改进的FCN深度学习网络，将预处理后的图像送入改进的FCN网络进行训练；
构建改进的FCN深度学习网络，传统的FCN神经网络由6个模块组成，前5个模块由卷积层和池化层组成，最后一个模块由一个池化层和两个全连接层组成；其中改进FCN网络为：将FCN神经网络中的全连接层移除，替换为单层的感知层，且将卷积层后的池化层去除，仅仅在感知层的最后连接池化层。
全连接层参数量过大，且本发明中需要进行像素级的分割，全连接层的存在不利于像素级的分割，卷积层后的池化层会导致图像边缘的模糊，因此，本发明中将5个卷积层的池化层去除，仅仅在感知层后连接池化层，将图像恢复原始大小；新增的感知层能够有效的提取图像中的语义信息，下面将对感知层的构建详细阐述；
本发明中的感知层，利用特定区域内产生的像素值差分特性，从而实现对信息的感知，使得改进后的FCN网络的训练结果包含更为准确的语义信息；
针对不同尺寸的图像A1、A2、A3分别构建改进的FCN1、FCN2、FCN3深度学习网络，其中改进的深度学习网络FCN1中的边缘感知层的输入为FCN1中的前五个卷积层的输出图像B11、B12、B13、B14、B15；以及对FCN网络输入图像进行边缘处理后的图像C1；将卷积层的输出图像作为边缘感知层的输入，能够融合前5个卷积层对图像显著性提取的结果，能够有效的提取图像中的边缘感知信息；采用相似的方式构建FCN2深度学习网络，FCN2中的显著度感知层的输入为FCN2中的前五个卷积层的输出图像B21、B22、B23、B24、B25；以及对FCN网络输入图像进行显著性处理后的图像C2；显著度感知层获取图像中的深层显著度语义信息；FCN3中的目标关联性感知层的输入为FCN3中的前五个卷积层的输出图像B31、B32、B33、B34、B35；以及对FCN网络输入图像进行目标关联性感知处理后的图像C3；
其中C1为通过边缘特征提取网络获取；C2为通过显著性特征提取网络提取；C3为通过包含注意力机制的目标关联性特征提取网络提取。
该级联神经网络使用如下损失函数实现网络的训练：
Ltot＝αLEdge+βLSig+γLAss； (2)
其中α、β、γ为权重系数，LEdge为边缘感知损失，LSig为显著性感知损失，LAss为目标关联性感知损失；
其中，δ为显著性感知系数，ε为目标关联性感知系数，其中yi为训练样本，为网络输出，Ks1、Ks2为样本显著性，Gs1、Gs2为图像中目标对象相关性，Ii为目标对象，N为样本组数。
使用回归算法对模型进行调优，计算误差函数s对卷积核W及偏置b的偏导数，然后采用公式(6)对卷积核和偏置进行调整：
其中η1、η2为学习率，c为进行样本训练的误差；在每次训练完成后，求得验证即样本的误差，网络迭代的中止条件为：当验证集的误差开始从由逐渐减小变成逐渐增大时，认为该神经网络已经拟合完成，此时可以停止训练。
步骤三、构建融合CNN网络实现对不同尺寸图像不同语义信息的融合；
通过步骤二实现对不同尺寸图像的改进FCN深度学习网络的构建，并基于构建的改进FCN深度学习网络对不同尺寸的图像进行训练从而获得不同尺寸下的不同语义信息；此时需要对不同尺寸图像的语义信息进行融合，因此构建语义融合CNN网络，通过CNN网络实现对不同尺寸下的不同语义信息的融合，实现不同尺寸语义信息之间的互补，从而提高图像目标检测与识别的精度。该CNN网络为包含注意力机制的LSTM网络；通过构建语义融合CNN网络实现对不同尺寸的图像经过改进FCN深度学习网络获得的不同的语义检测信息的融合；并最终实现对复杂场景中图像运动模糊的去除。由此构建了由三个改进的FCN深度学习网络FCN1、FCN2、FCN3和一个语义融合的CNN网络组成的级联神经网络对复杂场景中模糊去除与复原。
本发明提出一种基于级联神经网络的混储电池识别去模糊方法，本发明的有益效果是：
(1)对传统的FCN深度学习网络进行改进，删除了卷积层后的池化层，减少池化层对于语义信息的噪声的引入，并在传统的5个卷积层后添加一个感知层，感知层能够有效的提取复杂场景中图像的语义信息，而在感知层后添加一层的池化层来恢复图像的尺寸，改进后的FCN深度学习网络能够更好的提取复杂场景中的语义信息；
(2)构建不同尺寸的图像，实现对不同尺寸的图像的语义信息的提取，现实生活中获取的图像往往没有统一的标准，因此也增加了复杂场景中图像语义信息的提取的难度，本发明中针对不同尺寸的图像分别构建不同的FCN深度学习网络，能够适应不同尺寸的输入图像，并实现对不同尺寸图像的语义信息提取；
(3)对不同尺寸的图像不同语义信息构建融合CNN神经网络，实现不同尺寸不同语义信息的融合，并针对不同尺寸的图像分别提取不同的语义信息，充分的提取的复杂场景图像的不同种类的语义信息；
(4)通过构建级联神经网络实现对复杂场景图像的不同尺寸的不同语义信息的提取，并基于融合CNN神经网络实现对不同尺寸、不同种类语义信息进行融合，经过融合后的语义信息能够有效的实现复杂场景图像的运动模糊去除。
附图说明
图1是基于级联神经网络的混储电池识别去模糊方法的流程图；
图2是改进的FCN深度学习网络的结构图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
步骤一、如图1所示；首先需要对图像进行预处理；图像为CCD相机采集的混储电池图像，包括电池上的说明书等信息。
图像的预处理，为了更好地提取图像中的纹理信息，首先需要对图像进行预处理，采用均衡化的方法来实现对图像的预处理，通过如下映射函数公式1实现对图像的均衡化；
式中，sk为rk灰度级像素均衡化后的像素值，n为图像的像素总数，nk为灰度级为rk的像素的个数，rk为归一化后的第k个灰度级，Pk(rk)为rk灰度级出现的概率；在这种方法中，首先需要对待处理的混储电池图像进行预处理。例如，假设我们有一张大小为256×256像素的混储电池图像A1。在预处理阶段，我们可以采用直方图均衡化的方法来增强图像的对比度和纹理信息。
对于原始待处理图像A1，其大小为1024×1024，分别在原始图像A1的水平与垂直方向上每间隔一个像素点进行下采样，得到(512)×(512)的图像A2，在图像A2的基础上采用同样的下采样方式，得到(256)×(256)的图像A3；
在一些实施例中，我们对预处理后的图像A1进行下采样，得到大小为128×128像素的图像A2，然后再次下采样得到64×64像素的图像A3。这样，我们得到了三种不同尺寸的图像；
步骤二、如图1中所示针对不同尺寸的图像A1、A2、A3分别构建改进的FCN1、FCN2、FCN3深度学习网络，将预处理后的图像分别送入改进的FCN1、FCN2、FCN3网络进行训练；
在一些实施例中，在步骤2中，我们使用改进的FCN网络对这三种不同尺寸的图像进行训练。例如，针对图像A1，我们构建一个改进的FCN1网络，其中包括5个卷积层、边缘感知层和池化层。类似地，针对图像A2和A3，我们构建改进的FCN2和FCN3网络。
传统的FCN神经网由6个模块组成，前5个模块由卷积层和池化层组成，最后一个模块由一个池化层和两个全连接层组成；其中改进FCN网络为：将FCN神经网络中的全连接层移除，替换为单层的感知层，且将卷积层后的池化层去除，仅仅在感知层的最后连接池化层。
在一些实施例中，通过对不同尺寸的图像进行训练，我们可以获得它们的深层语义信息。然后，我们构建一个融合CNN网络来将这些信息进行融合。例如，可以使用LSTM网络作为融合CNN网络，将来自FCN1、FCN2和FCN3的特征进行融合。
针对不同尺寸的图像A1、A2、A3分别构建改进的FCN1、FCN2、FCN3深度学习网络，其中改进的深度学习网络FCN1中的边缘感知层的输入为FCN1中的前五个卷积层的输出图像B11、B12、B13、B14、B15；以及对FCN网络输入图像进行边缘处理后的图像C1；将卷积层的输出图像作为边缘感知层的输入，能够融合前5个卷积层对图像显著性提取的结果，能够有效的提取图像中的边缘感知信息；采用相似的方式构建FCN2深度学习网络，FCN2中的显著度感知层的输入为FCN2中的前五个卷积层的输出图像B21、B22、B23、B24、B25；以及对FCN网络输入图像进行显著性处理后的图像C2；显著度感知层获取图像中的深层显著度语义信息；FCN3中的目标关联性感知层的输入为FCN3中的前五个卷积层的输出图像B31、B32、B33、B34、B35；以及对FCN网络输入图像进行目标关联性感知处理后的图像C3；改进的FCN1、FCN2、FCN3深度学习网络的结构如图2所示；
其中经过显著性处理后的图像C1、C2、C3分别采用以下的方式获得；
其中C1为通过边缘特征提取网络获取；C2为通过显著性特征提取网络提取；C3为通过包含注意力机制的目标关联性特征提取网络提取。
该级联神经网络使用如下损失函数实现网络的训练：
Ltot＝α LEdge+βLSig+γLAss； (2)
其中α、β、γ为权重系数，LEdge为边缘感知损失，LSig为显著性感知损失，LAss为目标关联性感知损失；
其中，δ为显著性感知系数，ε为目标关联性感知系数，其中yi为训练样本，为网络输出，Ks1、Ks2为样本显著性，Gs1、Gs2为图像中目标对象相关性，Ii为目标对象，N为样本组数。
使用回归算法对模型进行调优，计算误差函数s对卷积核W及偏置b的偏导数，然后采用公式6对卷积核和偏置进行调整：
其中η1、η2为学习率，c为进行样本训练的误差；在每次训练完成后，求得验证即样本的误差，网络迭代的中止条件为：当验证集的误差开始从由逐渐减小变成逐渐增大时，认为该神经网络已经拟合完成，此时可以停止训练。
步骤三、如图1所示，将不同尺寸图像A1、A2、A3分别经过改进的FCN1、FCN2、FCN3深度学习网络训练和学习后，送入融合CNN网络进行不同种类的语义融合；
在一些实施例中，使用构建的级联神经网络对复杂场景图像进行运动模糊的去除。通过传递图像到级联神经网络中，网络将应用之前训练得到的模型，利用深层语义信息和融合的特征进行图像的去模糊处理。
通过步骤二实现对不同尺寸图像的改进FCN深度学习网络的构建，并基于构建的改进FCN深度学习网络对不同尺寸的图像进行训练从而获得不同尺寸下的不同语义信息；此时需要对不同尺寸图像的语义信息进行融合，因此构建语义融合CNN网络，通过CNN网络实现对不同尺寸下的不同种类的语义信息的融合，实现不同尺寸语义信息之间的互补，从而提高图像目标检测与识别的精度。该CNN网络为包含注意力机制的LSTM网络；通过构建语义融合CNN网络实现对不同尺寸的图像经过改进FCN深度学习网络获得的不同的语义检测信息的融合；并最终实现对复杂场景中图像运动模糊的去除。由此构建了由三个改进的FCN深度学习网络FCN1、FCN2、FCN3和一个语义融合的CNN网络组成的级联神经网络对复杂场景中模糊去除与复原。
本领域的技术人员应理解，上述描述及附图中所述的本发明的实施例只作为举例而不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方法可以有任何形式或修改。
Claims (5)
1.一种基于级联神经网络的混储电池识别去模糊方法，其特征在于步骤如下：
步骤1：对于原始混储电池待处理图像A1，其大小为N×N(N＝2h)，h为正整数，分别在原始图像A1的水平与垂直方向上每间隔一个像素点进行下采样，得到(N/2)×(N/2)的图像A2，在图像A2的基础上采用同样的下采样方式，得到(N/4)×(N/4)的图像A3；
步骤2：将步骤1得到的三种不同尺寸的图像送入改进的FCN网络进行训练；其中改进FCN网络为：分别将FCN神经网络中的全连接层移除，替换为相应的边缘感知层、显著度感知层以及目标关联性感知层；
步骤3：对不同尺寸的图像进行训练获得不同尺寸下的深层语义信息，构建融合CNN网络，通过CNN网络实现对不同尺寸下的深层语义信息的融合；
步骤4：基于构建的级联神经网络对复杂场景图像进行运动模糊的去除；
步骤2中的改进FCN网络为：将FCN神经网络中的全连接层移除，替换为单层的边缘感知层，且将卷积层后的池化层去除，仅在相应感知层的最后连接池化层；并针对不同尺寸的图像A1、A2、A3分别构建改进的FCN1、FCN2、FCN3深度学习网络，其中改进的深度学习网络FCN1中的边缘感知层的输入为FCN1中的前五个卷积层的输出图像B11、B12、B13、B14、B15；以及对FCN网络输入图像进行边缘处理后的图像C1；将卷积层的输出图像作为边缘感知层的输入，能够融合前5个卷积层对图像显著性提取的结果，能够有效的提取图像中的边缘感知信息；采用相同的方式构建FCN2深度学习网络，FCN2中的显著度感知层的输入为FCN2中的前五个卷积层的输出图像B21、B22、B23、B24、B25；以及对FCN网络输入图像进行显著性处理后的图像C2；显著度感知层获取图像中的深层显著度语义信息；FCN3中的目标关联性感知层的输入为FCN3中的前五个卷积层的输出图像B31、B32、B33、B34、B35；以及对FCN网络输入图像进行目标关联性感知处理后的图像C3；
该级联神经网络使用如下损失函数实现网络的训练：
Ltot＝α LEdge+βLSig+γLAss； (2)
其中α、β、γ为权重系数，LEdge为边缘感知损失，LSig为显著性感知损失，LAss为目标关联性感知损失；
Ii)‖2-δ‖Ks1(Ii)-Ks2(Ii)‖ (5)
其中，δ为显著性感知系数，ε为目标关联性感知系数，其中yi为训练样本，为网络输出，Ks1、Ks2为样本显著性，Gs1、Gs2为图像中目标对象相关性，Ii为目标对象，N为样本组数。
2.如权利要求1所述的一种基于级联神经网络的混储电池识别去模糊方法，其特征在于，所述的改进FCN网络包含5个卷积层，5个卷积层后连接的感知层和最后一层的池化层。
3.如权利要求1所述的一种基于级联神经网络的混储电池识别去模糊方法，其特征在于，在对图像进行训练前还包括图像的预处理；为了更好地提取图像中的纹理信息，首先需要对图像进行预处理，采用均衡化的方法来实现对图像的预处理，通过如下映射函数公式(1)实现对图像的均衡化；
式中，sk为rk灰度级像素均衡化后的像素值，n为图像的像素总数，nk为灰度级为rk的像素的个数，rk为归一化后的第k个灰度级，Pk(rk)为rk灰度级出现的概率。
4.如权利要求1所述的一种基于级联神经网络的混储电池识别去模糊方法，其特征在于，使用回归算法对模型进行调优，计算误差函数s对卷积核W及偏置b的偏导数，然后采用公式(6)对卷积核和偏置进行调整：
其中η1、η2为学习率；c为进行样本训练的误差；在每次训练完成后，求得验证即样本的误差，网络迭代的中止条件为：当验证集的误差开始从由逐渐减小变成逐渐增大时，认为神经网络已经拟合完成，此时停止训练。
5.如权利要求1所述的一种基于级联神经网络的混储电池识别去模糊方法，其特征在于，其中融合CNN网络通过如下方法构建：CNN网络为LSTM网络，其将输入的三种不同的语义感知图像进行特征融合，采用包含边缘损失、显著度损失以及目标关联损失的联合损失函数实现融合CNN网络的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311100193.3A CN116823680B (zh) | 2023-08-30 | 2023-08-30 | 一种基于级联神经网络的混储电池识别去模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311100193.3A CN116823680B (zh) | 2023-08-30 | 2023-08-30 | 一种基于级联神经网络的混储电池识别去模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116823680A CN116823680A (zh) | 2023-09-29 |
| CN116823680B true CN116823680B (zh) | 2023-12-01 |
Family
ID=88114900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311100193.3A Active CN116823680B (zh) | 2023-08-30 | 2023-08-30 | 一种基于级联神经网络的混储电池识别去模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116823680B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447658A (zh) * | 2016-09-26 | 2017-02-22 | 西北工业大学 | 基于全局和局部卷积网络的显著性目标检测方法 |
| CN109859222A (zh) * | 2018-12-31 | 2019-06-07 | 常州轻工职业技术学院 | 基于级联神经网络的边缘提取方法及系统 |
| CN111797841A (zh) * | 2020-05-10 | 2020-10-20 | 浙江工业大学 | 一种基于深度残差网络的视觉显著性检测方法 |
| CN113570516A (zh) * | 2021-07-09 | 2021-10-29 | 湖南大学 | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 |
| CN116152103A (zh) * | 2023-02-21 | 2023-05-23 | 南京邮电大学 | 基于多头交叉注意机制的神经网络光场图像去模糊方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI709107B (zh) * | 2018-05-21 | 2020-11-01 | 國立清華大學 | 影像特徵提取方法及包含其顯著物體預測方法 |
| US11257191B2 (en) * | 2019-08-16 | 2022-02-22 | GE Precision Healthcare LLC | Systems and methods for deblurring medical images using deep neural network |
| US11769228B2 (en) * | 2021-08-02 | 2023-09-26 | Google Llc | Image enhancement via iterative refinement based on machine learning models |
-
2023
- 2023-08-30 CN CN202311100193.3A patent/CN116823680B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447658A (zh) * | 2016-09-26 | 2017-02-22 | 西北工业大学 | 基于全局和局部卷积网络的显著性目标检测方法 |
| CN109859222A (zh) * | 2018-12-31 | 2019-06-07 | 常州轻工职业技术学院 | 基于级联神经网络的边缘提取方法及系统 |
| CN111797841A (zh) * | 2020-05-10 | 2020-10-20 | 浙江工业大学 | 一种基于深度残差网络的视觉显著性检测方法 |
| CN113570516A (zh) * | 2021-07-09 | 2021-10-29 | 湖南大学 | 基于CNN-Transformer混合自编码器的图像盲运动去模糊方法 |
| CN116152103A (zh) * | 2023-02-21 | 2023-05-23 | 南京邮电大学 | 基于多头交叉注意机制的神经网络光场图像去模糊方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116823680A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915530B (zh) | 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法 | |
| CN111062892B (zh) | 一种基于复合残差网络和深层监督的单幅图像去雨方法 | |
| CN110210608B (zh) | 基于注意力机制和多层次特征融合的低照度图像增强方法 | |
| CN111028151B (zh) | 基于图残差神经网络融合的点云数据拼接方法 | |
| CN109509156B (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
| CN110287835A (zh) | 一种亚洲人脸库智能建立方法 | |
| CN112164011A (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
| CN114066747A (zh) | 一种基于光照和反射互补性的低照度图像增强方法 | |
| CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
| CN109859222A (zh) | 基于级联神经网络的边缘提取方法及系统 | |
| CN114331886A (zh) | 一种基于深度特征的图像去模糊方法 | |
| CN115034982A (zh) | 一种基于多尺度注意机制融合的水下图像增强方法 | |
| CN111612803B (zh) | 一种基于图像清晰度的车辆图像语义分割方法 | |
| CN116823680B (zh) | 一种基于级联神经网络的混储电池识别去模糊方法 | |
| CN117994167A (zh) | 融合并行多卷积注意力的扩散模型去雾方法 | |
| CN112785610A (zh) | 一种融合低层特征的车道线语义分割方法 | |
| CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及系统 | |
| CN116385293A (zh) | 基于卷积神经网络的雾天自适应目标检测方法 | |
| CN114663658B (zh) | 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法 | |
| CN115601791B (zh) | 基于Multiformer及离群样本重分配的无监督行人重识别方法 | |
| CN116523790A (zh) | 一种sar图像去噪优化方法、系统和存储介质 | |
| CN115482173A (zh) | 一种基于Retinex理论的夜间无人机跟踪低照度图像增强方法 | |
| CN112733714B (zh) | 一种基于vgg网络的自动人群计数图像识别方法 | |
| CN114140361A (zh) | 融合多级特征的生成式对抗网络图像去雾方法 | |
| CN113506259A (zh) | 一种基于融合网络的图像模糊判别方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |