-
题名多尺度特征复用混合注意力网络的图像重建
被引量：4
- 1
-
-
作者
卢正浩
刘丛
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2021年第11期2645-2658,共14页
-
基金
国家自然科学基金项目(61703278,61772342)。
-
文摘
目的针对以往基于深度学习的图像超分辨率重建方法单纯加深网络、上采样信息损失和高频信息重建困难等问题,提出一种基于多尺度特征复用混合注意力网络模型用于图像的超分辨率重建。方法网络主要由预处理模块、多尺度特征复用混合注意力模块、上采样模块、补偿重建模块和重建模块5部分组成。第1部分是预处理模块,该模块使用一个卷积层来提取浅层特征和扩张特征图的通道数。第2部分是多尺度特征复用混合注意力模块,该模块加入了多路网路、混合注意力机制和长短跳连接,以此来进一步扩大特征图的感受野、提高多尺度特征的复用和加强高频信息的重建。第3部分是上采样模块,该模块使用亚像素方法将特征图上采样到目标图像尺寸。第4部分是补偿重建模块,该模块由卷积层和混合注意力机制组成,用来对经过上采样的特征图进行特征补偿和稳定模型训练。第5部分是重建模块,该模块由一个卷积层组成,用来将特征图的通道数恢复至原来数量,以此得到重建后的高分辨率图像。结果在同等规模模型的比较中,以峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似度(structural similarity index measure,SSIM)作为评价指标来评价算法性能,在Set5、Set14、BSD100(Berkeley segmentation dataset)和Urban100的基准测试集上进行测试。当缩放尺度因子为3时,各测试集上的PSNR/SSIM依次为34.40 dB/0.9273,30.35 dB/0.8427,29.11 dB/0.8052和28.23 dB/0.8540,相比其他模型有一定提升。结论量化和视觉的实验结果表明,本文模型重建得到的高分辨率图像不仅在重建边缘和纹理信息有很好的改善,而且在PSNR和SSIM客观评价指标上也有一定的提高。
-
关键词
超分辨率重建
多尺度特征复用
混合注意力
特征补偿
边缘
-
Keywords
super-resolution reconstruction
multi-scale feature reuse
mixed attention
feature compensation
edge
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名多路并行多尺度特征复用的遥感图像超分辨率
- 2
-
-
作者
赵旭
胡德敏
-
机构
上海理工大学光电信息与计算机工程学院
-
出处
《电子科技》
2024年第6期61-68,共8页
-
基金
国家自然科学基金(61170277,61472256)
上海市教委科研创新重点项目(12zz137)
上海市一流学科建设项目(S1201YLXK)。
-
文摘
遥感图像内部物体尺寸小、分布不均匀、耦合程度高,针对目前遥感图像超分辨率模型特征提取信息单一且利用不足的现状,文中提出一种多路并行多尺度特征复用网络模型以改进图像重建的性能。该模型使用局部特征级联和全局特征融合的结构融合多个网络残差块提取的特征信息,其中每个残差块由两个多尺度卷积单元串行连接。多尺度卷积单元通过对特征信息进行交叉融合,构建多路并行的分支提取图像特征。同时引入短跳跃连接加强不同分支之间的特征复用,通过长跳跃连接加强网络不同深度的特征融合。当放大因子为4时,在两个测试集上该模型的峰值信噪比分别为29.6531 dB、29.0374 dB,相对于其他模型的测试结果具有明显提升,因此所提模型在遥感图像超分辨率重建上具有较好的效果。
-
关键词
遥感图像
超分辨率
多路径
并行提取
多尺度
特征复用
跳跃连接
卷积神经网络
-
Keywords
remote sensing image
super-resolution
multi-path
parallel extraction
multi-scale
feature reuse
skip connection
convolutional neural network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于多尺度特征复用残差网络的矿山图像重建算法
- 3
-
-
作者
马琳
苏明
兰义湧
-
机构
北京开放大学科学技术学院
中央民族大学理学院
-
出处
《金属矿山》
CAS
北大核心
2023年第11期228-233,共6页
-
基金
北京市教委科技计划一般项目(编号:KM202251160001)。
-
文摘
针对矿山图像重建中细节损失导致重建质量低下的问题,提出了一种基于多尺度特征复用残差网络的矿山图像重建算法,旨在提高矿山场景下图像重建的精度和效率。首先,设计了一个多尺度特征提取模块,通过堆叠多个并行的卷积层和池化层,结合局部残差网络构建图像特征提取模块,通过不同尺度的多路组合网络,从输入图像中充分提取图像的多尺度细节特征。这些特征表示具有不同的语义信息和空间分辨率,能够捕捉到图像中的不同细节和纹理结构。然后,引入了特征复用模块,将不同尺度的特征进行融合和复用,以增强图像重建的准确性。通过多尺度的特征交互和信息传递,可以有效地利用全局和局部的上下文信息,提高图像的重建性能。通过在自建的矿山图像重建数据集上进行试验,结果表明:所提出的算法在重建精度和效率方面均得到了显著提升,与其他深度学习模型相比,该算法在重建图像的细节保留和结构准确性方面表现出更好的性能。此外,该算法具有较快的训练和推断速度,适用于实际应用场景。
-
关键词
矿山图像重建
多尺度特征复用
残差网络
图像质量
-
Keywords
mine image reconstruction
multi-scale feature reuse
residual network
image quality
-
分类号
TD67
[矿业工程—矿山机电]
-
