期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于深度残差学习的彩色图像去噪研究 被引量：8
1
作者 王晓红 刘芳 麻祥才 《包装工程》 CAS 北大核心 2019年第17期235-242,共8页
目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后... 目的当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法首先设计由多个残差单元模块组成的残差层,然后在每个残差单元模块之间添加跳跃连接,构成由噪声图像到去噪图像的非线性映射,并优化残差单元个数,使网络能学习到更多的图像细节特征,以提升网络的去噪性能,同时将每个残差单元模块中的激活函数提到卷积层前面,以加速网络收敛。结果与常用去噪算法相比,文中方法在Kodak24和CBSD100数据集上的主观视觉打分MOS值以及客观指标(PSNR和SSIM)上,较其他方法有更好的效果。结论提出的基于深度残差学习的彩色图像去噪方法能有效去除图像中的噪声,尤其是较严重的噪声,并取得了良好的视觉效果,表明该方法具有良好的去噪性能。 展开更多
关键词 图像去噪 深度残差学习 残差单元模块 去噪方法
下载PDF
基于多模态数据融合的改进中尺度涡检测模型
2
作者 李忠伟 刘格格 +2 位作者 李永 徐斌 宫凯旋 《海洋预报》 CSCD 北大核心 2024年第2期53-62,共10页
提出一种基于多模态数据融合的改进中尺度涡检测模型。该模型以海平面高度数据为基础,首次将融合表层海温数据扩展为融合多深度层海温数据;将海温数据的深度层作为通道,嵌入通道注意力机制,使得模型能够关注于海水温度数据中最具有区分... 提出一种基于多模态数据融合的改进中尺度涡检测模型。该模型以海平面高度数据为基础,首次将融合表层海温数据扩展为融合多深度层海温数据;将海温数据的深度层作为通道,嵌入通道注意力机制,使得模型能够关注于海水温度数据中最具有区分度的深度层;模型在编码及解码过程中采用残差学习单元,在加深网络深度的同时,更好地拟合激活函数,缓解训练问题,以提高模型的检测准确率。以中国南海部分海域为例开展实验验证,结果表明该中尺度涡检测模型准确率达到93.62%,模型具备有效性和可靠性。 展开更多
关键词 中尺度涡 多模态数据 通道注意力 残差学习单元 深度学习
下载PDF
基于双域信息的深度残差网络图像去噪 被引量：2
3
作者 李凯 张辉 +2 位作者 崔丽娟 彭锦佳 陈泰熙 《河北大学学报（自然科学版）》 CAS 北大核心 2023年第2期216-224,共9页
基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激... 基于深度学习的去噪技术,通过考虑视觉伪影和整体平滑噪声,提高了图像的质量.然而,它们很少涉及边缘细节的恢复.为此,本文提出了一种基于双域信息的深度残差网络去噪模型,利用小波域信息与空间域信息的融合来扩展网络学习信息,通过在激活单元内引入多尺度学习和空洞卷积,以此提取图像特征,并减少了网络参数.为了进一步改善去噪结果,结合小波域损失和空间域损失构造联合损失函数,使得网络获取更多的边缘与细节.实验结果表明,本文提出的方法不仅可以有效去除图像噪声,而且可以更好地恢复图像纹理细节,在主观和客观评价中均获得了更好的结果. 展开更多
关键词 图像去噪 双域映射 残差学习 激活单元 损失函数
下载PDF
集成注意力机制和扩张卷积的道路提取模型 被引量：6
4
作者 王勇 曾祥强 《中国图象图形学报》 CSCD 北大核心 2022年第10期3102-3115,共14页
目的为解决当前遥感影像道路提取方法普遍存在的自动化程度低、提取精度不高和由于样本数量不平衡导致的模型训练不稳定等问题,本文提出一种集成注意力机制和扩张卷积的道路提取模型(attention and dilated convolutional U-Net,A&D... 目的为解决当前遥感影像道路提取方法普遍存在的自动化程度低、提取精度不高和由于样本数量不平衡导致的模型训练不稳定等问题,本文提出一种集成注意力机制和扩张卷积的道路提取模型(attention and dilated convolutional U-Net,A&D-UNet)。方法A&D-UNet聚合网络模型以经典U-Net网络结构为基础,在编码部分引入残差学习单元(residual learning unit,RLU),降低深度卷积神经网络在训练时的复杂度;应用卷积注意力模块(convolutional block attention module,CBAM)从通道和空间维度两个方面优化分配权重,突出道路特征信息;并使用扩张卷积单元(dilated convolutional unit,DCU)感受更大范围的特征区域,整合道路的上下文信息。采用二进制交叉熵(binary cross entropy,BCE)和Dice相结合的复合损失函数训练模型,减轻遥感影像中样本数量不平衡导致的模型不稳定。结果在公开的美国马萨诸塞州和Deep Globe道路数据集上进行模型验证实验,并与传统的U-Net、Link-Net和D-LinkNet图像分割模型对比分析。在美国马萨诸塞州道路测试集上,本文构建的A&D-UNet模型的总体精度、F1分数和交并比等评价指标分别为95.27%、77.96%和79.89%,均优于对比算法,在测试集中对线性特征明显、标签遗漏标记以及存在树木遮挡的道路区域具有更好的识别效果;在Deep Globe道路测试集上,A&D-UNet模型的总体精度、F1分数和交并比分别为94.01%、77.06%和78.44%,且对线性特征明显的主干道路、标签未标记的狭窄道路以及阴影遮挡的城市道路都具有较好的提取效果。结论本文提出的A&D-UNet道路提取模型,综合了残差学习、注意力机制和扩张卷积的优点,有效提升了目标分割的性能,是一种提取效果较好、值得推广的聚合网络模型。 展开更多
关键词 道路信息 残差学习单元(RLU) 卷积注意力模块(CBAM) 扩张卷积单元(DCU) 损失函数
原文传递
基于ResBi-GRU的后均衡器在无缝光纤太赫兹集成通信系统中的应用
5
作者 施剑阳 朱一鸣 +1 位作者 张俊文 迟楠 《移动通信》 2024年第12期9-14,共6页
无缝光纤太赫兹集成通信已经成为6G领域的一种很有前景的技术。电子太赫兹通信系统具有高集成度、小型化和潜在低成本的优点,但其缺点是带宽小和谐波干扰水平高。提出了一种基于残差学习的双向门控循环单元(ResBi-GRU)模型作为此通信系... 无缝光纤太赫兹集成通信已经成为6G领域的一种很有前景的技术。电子太赫兹通信系统具有高集成度、小型化和潜在低成本的优点,但其缺点是带宽小和谐波干扰水平高。提出了一种基于残差学习的双向门控循环单元(ResBi-GRU)模型作为此通信系统的后均衡器,这种模型能够利用残差学习对于输入输出间残差进行学习的特性,简化模型的复杂度,而不引起性能的损失。通过实验验证了在无缝光纤太赫兹集成通信系统中,在20%的软判决前向纠错(SD-FEC)阈值(2.4×10^(-2))下,离散多音调调制(DMT)信号通过5公里光纤和1米209 GHz太赫兹信号传输,数据传输速率达到74.82 Gbps。与未进行残差学习的方法相比,传输速率提升80 Mbps,同时空间复杂度降低为原来的50%。 展开更多
关键词 后均衡 残差学习 无缝光纤 太赫兹 双向门控循环单元
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部