检索结果-南通市图书馆

图像超分辨率深度神经网络模型压缩和推理加速算法研发

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

图像超分辨率深度神经网络模型压缩和推理加速算法研发

作者：马逖浙江大学

学位级别：硕士

尽管基于深度学习的单图像超分辨率算法达到了超过传统方法的重建结果,这类方法在前向推理过程中具有较大的计算和显存开销,导致其难以实用化。目前网络压缩和加速算法研究已经成为了深度学习领域的一个学术热点,基于这些方法,可以降低... 详细信息

尽管基于深度学习的单图像超分辨率算法达到了超过传统方法的重建结果,这类方法在前向推理过程中具有较大的计算和显存开销,导致其难以实用化。目前网络压缩和加速算法研究已经成为了深度学习领域的一个学术热点,基于这些方法,可以降低单图像超分辨率网络的计算资源需求,推动该方法的落地。因此,本文研发了单图像超分辨率网络的压缩和加速算法。本论文首先研发了单图像超分辨率网络压缩算法。先通过轻量级单图像超分辨率网络的结构设计,给出了理论计算量较低、PSNR和SSIM重建指标较高的轻量级单图像超分辨率网络;再研发了单图像超分辨率知识蒸馏算法,在不改变计算量的情况下进一步提高了轻量级网络的重建指标。其次,论文研发了单图像超分辨率网络加速算法。先设计了单图像超分辨率的剪枝算法,基于不同的局部剪枝系数进行通道剪枝,在很少降低网络重建指标的情况下降低了计算量;再基于cudnn和TensorRT设计了网络的加速方案,通过内存复用方法降低显存开销,并提高了网络的前向推理速度。实验结果表明,压缩加速得到的轻量级单图像超分辨率网络重建指标优秀,在Set5、Set14、Urban100、B100数据集上的PSNR测试值分别可达37.85dB、32.85dB、31.66dB、32.06dB,并能以相比非显存复用方案降低27.4%的显存开销,以56fps的帧率进行前向推理。

关键词：单图像超分辨率网络压缩加速算法知识蒸馏剪枝

基于元迁移学习的多尺度图像超分辨率算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于元迁移学习的多尺度图像超分辨率算法研究

作者：张驰哈尔滨工业大学

学位级别：硕士

图像超分辨率重建是指从低分辨率的图像中获取有用的信息,以生成细节充实、内容丰富的高分辨率图像的过程。高分辨率图像既能为遥感成像、智能安防、图像检索、医学分析等任务提供有价值的信息,也能为图像分类、小目标检测等其它计算机... 详细信息

图像超分辨率重建是指从低分辨率的图像中获取有用的信息,以生成细节充实、内容丰富的高分辨率图像的过程。高分辨率图像既能为遥感成像、智能安防、图像检索、医学分析等任务提供有价值的信息,也能为图像分类、小目标检测等其它计算机视觉任务提供基础架构支撑。现阶段多数图像超分辨率方法所使用的模型仅仅能够生成单个缩放因子的超分辨率图像。它们所研究的都是基于单个缩放因子的图像超分辨率任务,通过构建参数较多的网络模型,从而在单尺度图像超分辨率生成任务上获得更好的效果。如果想生成多个尺度的超分辨率图像,往往需要多个模型,很少有一个模型能同时实现多个缩放尺度的图像超分辨率生成任务。因此,使用一个或几个模型,并在有限计算时间内生成多尺度超分辨率图像,仍然是较难解决的问题。针对该问题,本文提出了一种与模型无关的多尺度图像超分辨率算法。该方法采用与模型无关的元学习思想,在训练过程中通过将不同尺度的图像送入网络中训练,并均衡不同尺度的图像超分辨率任务对模型的影响,从而使得一个模型能够同时优化不同的任务,达到生成更好的多尺度超分辨率图像的目的。使用该方法训练得到的模型可以在具体尺度上微调,从而能够较快地得到适用于特定尺度的超分辨率模型。本文提出了基于一阶梯度的与模型无关的多尺度图像超分辨率算法。该方法仅使用一阶梯度信息优化模型,在简化数据集的划分操作,减少超参量的同时,达到与之前相近的超分辨率图像生成结果。本文在模型中引入轻量化残差模块,并设计了轻量化的多尺度超分辨率网络。该网络具有更少的参数量和更低的计算量,能够降低多尺度超分辨率图像的生成时间。实验结果表明,采用本文的方法生成的多尺度超分辨率图像具有良好的效果,并且采用轻量化残差模块的模型的参数量和计算量相较于基础模型更少,损失的性能在可以接受的范围内。

关键词：单图像超分辨率多尺度图像超分辨率与模型无关的网络轻量化残差模块

基于边缘及注意力引导的单张图像超分辨率研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于边缘及注意力引导的单张图像超分辨率研究

作者：瓦信天津大学

学位级别：硕士

图像超分辨率是从低分辨率图像恢复高分辨率图像的技术。在这个领域中,研究者通过使用不同技术提出了各种个样的方法。基于学习的方法一直致力于获得更好的表现,由于卷积神经网络在效率方面的显著性能,使计算机视觉的各个领域包括单幅... 详细信息

图像超分辨率是从低分辨率图像恢复高分辨率图像的技术。在这个领域中,研究者通过使用不同技术提出了各种个样的方法。基于学习的方法一直致力于获得更好的表现,由于卷积神经网络在效率方面的显著性能,使计算机视觉的各个领域包括单幅图像超分辨率都发生了革命性的变化。相比于其它卷积神经网络,残差网络因其更深的结构和更高的精度,在近年来得到了广泛的应用。另一方面,很少有超分辨率方法试图通过融合不同先验知识,如邻域嵌入、稀疏先验或边缘先验,来预测超分辨率图像。使用边缘先验的这些方法往往只使用一张边缘特征图,导致恢复出来的超分辨率图像边缘仍然不够清晰。本文提出了一种新的方法,该方法不仅利用了图像的内部特征,而且利用了信息丰富的多层次边缘先验知识。基于边缘信息有助于处理模糊边缘并会产生更清晰的结果的想法,我们提出了一种边缘和注意力机制的残差超分辨率网络,称为RECAN。我们的结构由两个基本模块组成:第一个模块是从输入图像生成多层边缘映射的Edge Net;第二个模块充分利用了输入图像和边缘特征图里的重要信息,称为SRNet。具体来说,SRNet使用通道注意机制和空间特征变换层进行超分辨率重建。为了验证模型的有效性,我们使用基准数据集进行训练和测试。通过与最新的方法在×2,×4和×8尺度上进行的定性和定量分析证明了我们的方法的有效性。

关键词：单图像超分辨率边缘先验通道注意机制空间特征变换

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信息分解的单幅图像超分辨率研究

基于信息分解的单幅图像超分辨率研究

作者：余宇航山东大学

学位级别：硕士

图像分辨率越高通常意味着图像拥有更多的细节,更高的清晰度以及更好的视觉感受。高分辨率的医学图像有助于医生的诊断;高分辨率的监控图像有利于犯罪行为的识别和追踪;高分辨率的视频可以带来良好的观影体验。但是图像的分辨率往往受... 详细信息

图像分辨率越高通常意味着图像拥有更多的细节,更高的清晰度以及更好的视觉感受。高分辨率的医学图像有助于医生的诊断;高分辨率的监控图像有利于犯罪行为的识别和追踪;高分辨率的视频可以带来良好的观影体验。但是图像的分辨率往往受到设备精度、环境、信息传输效率等因素的制约。如何在这些因素的制约下获得高分辨率图像有着重要的意义。这类通过模糊的低分辨率图像恢复高分辨率图像的算法统称为图像超分辨率算法,其难点在于图像超分辨率问题作为一个不适定问题,在缺乏先验约束的情况下往往解不唯一。过往,众多研究者从总变差正则,物理成像规律,高频信息稀疏性等先验出发,提出了很多优秀的超分辨率算法。近来随着大数据时代的到来,基于数据先验的方法得到了发展,其中深度学习方法取得的成果尤其突出,也因此被大量应用到图像超分辨率领域中。由于多图像超分算法建立在单图像超分算法的基础上,本文着重讨论基于深度学习的单图像超分算法。过去几年基于深度学习的单图像超分辨率算法获得了广泛的研究。我们在这些工作上更近一步,探讨信息冗余对单图像超分辨率的影响,并针对这些负面影响提出了一系列的改进。具体的改进包括:(1)提出了两种不同的信息分解方法,通过对信息分解并进行差异化表达,使网络可以针对信息复原的难易程度合理地分配资源,大大减少了网络中的冗余信息;(2)在信息分解的基础上,探索了针对高频信息的复原方法,具体地,将传统的迭代软阈值算法扩展成深度迭代软阈值结构并端对端地嵌入到深度网络中,利用高频信息的稀疏先验改善超分辨率图像中细节和纹理的复原,提升了超分辨率图像的视觉质量。(3)针对卷积核无法随输入自适应变化的缺陷改进了卷积操作并通过将激活函数中掩膜生成和特征表征两个步骤解耦改进了激活函数,相比普通的卷积和激活取得了性能上的提升。在实验环节,本文对网络进行了测试并与众多深度学习方法进行对比。定量结果表明本文的方法效果显著,可视结果比较表明本文方法恢复的超分辨率图像具有更多的高频细节。网格各个组件的消融实验证明了各自的有效性。

关键词：深度神经网络单图像超分辨率信息分解卷积与激活

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于信息蒸馏的高效超分辨率算法

基于信息蒸馏的高效超分辨率算法

作者：梁涛北京邮电大学

学位级别：硕士

图像超分辨率技术利用低分辨率图像的信息,重建出高分辨率图像,被广泛应用于人脸识别、目标检测等领域。单图像超分辨率(single image super-resolution,SISR)结合了卷积神经网络(convolutional neural networks,CNN)的强大功能,取得... 详细信息

图像超分辨率技术利用低分辨率图像的信息,重建出高分辨率图像,被广泛应用于人脸识别、目标检测等领域。单图像超分辨率(single image super-resolution,SISR)结合了卷积神经网络(convolutional neural networks,CNN)的强大功能,取得了目前最好的超分辨率算法性能。然而,随着网络深度和宽度的增加,基于CNN的超分辨率方法在实际使用中面临推理延迟过大的问题。去除图像中的特征冗余是高效CNN算法的一个基本特征,许多轻量级SR算法也通过去除特征冗余提高算法效率。本文针对上述问题,对基于信息蒸馏的高效超分辨率算法进行了深入研究,主要工作和创新点如下:1、本文分析了超分辨率算法中特征冗余的表现形式,去除空间和通道维度上的特征冗余,提出了一种快速准确的SISR模型,称为空间和通道特征蒸馏网络(spatial and channel feature distillation network,SCFDN)。具体来说,SCFDN首先沿通道维度分离通道,将特征图分为平坦特征和细节特征,以移除通道维度的冗余计算。算法再对细节特征进行特征蒸馏以移除空间维度的冗余计算,然后对蒸馏后的细节特征进行进一步处理,最后融合平坦特征和细节特征,重建得到高分辨率(high-resolution,HR)图像。2、本文提出使用逆亚像素卷积层(inverse sub-pixel convolutional,ISPC)作为超分辨率算法中的下采样算法,将特征图从空间维度映射到通道维度,从而提高特征蒸馏的效果。3、本文提出了在算法效果、算法效率和内存使用上更合理的残差稠密块(residual dense block,RDB),组成堆叠块后作为算法的骨干网络使用。4、本文设置了多组消融实验与可视化结果,实验结果证实,与当前最优的SR算法相比,本文提出的SCFDN在算法效果方面与其相当,运行时间方面有更好的表现。

关键词：单图像超分辨率轻量级网络特征冗余信息蒸馏

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集残差注意力网络的图像超分辨率算法

计算机系统应用 2021年第1期30卷 135-140页

作者：程玉郑华陈晓文林烁烁张明伟福建师范大学光电与信息工程学院福州350007 福建师范大学医学光电科学与技术教育部重点实验室福州350007 福建师范大学福建省光子技术重点实验室福州350007 福建师范大学福建省光电传感应用工程技术研究中心福州350007

近年来,随着科学技术的高速发展,深度学习的蓬勃兴起,实现图像超分辨率重建成为计算机视觉领域一大热门研究课题.然而网络深度增加容易引起训练困难,并且网络无法获取准确的高频信息,导致图像重建效果差.本文提出基于密集残差注意力网... 详细信息

近年来,随着科学技术的高速发展,深度学习的蓬勃兴起,实现图像超分辨率重建成为计算机视觉领域一大热门研究课题.然而网络深度增加容易引起训练困难,并且网络无法获取准确的高频信息,导致图像重建效果差.本文提出基于密集残差注意力网络的图像超分辨率算法来解决这些问题.该算法主要采用密集残差网络,在加快模型收敛速度的同时,减轻了梯度消失问题.注意力机制的加入,使网络高频有效信息较大的权重,减少模型计算成本.实验证明,基于密集残差注意力网络的图像超分辨率算法在模型收敛速度上极大地提升,图像细节恢复效果令人满意.

关键词：深度学习单图像超分辨率残差网络注意力机制梯度消失

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

高斯隶属度优化的超分辨率随机森林学习算法

计算机工程与应用 2016年第23期52卷 208-212页

作者：周文谊王吉源江西环境工程职业学院通讯与信息学院江西赣州341000 江西理工大学信息工程学院江西赣州341000

随机森林学习算法是一种有效的单图像超分辨率方法,然而其决策函数是确定的二值函数,这对某些图像块的确定性划分并不是最优的选择。为提升单图像超分辨率性能,采用高斯隶属度函数构建随机森林各决策节点的决策函数,将决策函数的输出值... 详细信息

随机森林学习算法是一种有效的单图像超分辨率方法,然而其决策函数是确定的二值函数,这对某些图像块的确定性划分并不是最优的选择。为提升单图像超分辨率性能,采用高斯隶属度函数构建随机森林各决策节点的决策函数,将决策函数的输出值由0和1的确定值转换到0-1之间的概率值,并在叶节点上依据数据划分路径上各决策节点概率的乘积进行预测,依据最小经验冒险准则学习决策参数,使随机森林能更好学习不同的样本数据。实验结果表明,与随机森林学习等目前主流单图像超分辨率方法相比,该方法可以提升超分辨率图像的峰值信噪比,同时运算效率与传统随机森林学习算法相当。

关键词：随机森林学习单图像超分辨率决策函数高斯隶属度函数经验冒险

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的图像超分辨重建研究

基于卷积神经网络的图像超分辨重建研究

作者：胡诗语青岛大学

学位级别：硕士

单图像超分辨率（SISR）工作主要目的在于使用低分辨率图像（LR）通过端到端训练产生边缘更清晰的高分辨率图像（HR）。从低分辨率图像重建出清晰的高分辨率图像是一项艰巨的任务。特别是当比例因子变大时,局部特征的恢复变得更加困难... 详细信息

单图像超分辨率（SISR）工作主要目的在于使用低分辨率图像（LR）通过端到端训练产生边缘更清晰的高分辨率图像（HR）。从低分辨率图像重建出清晰的高分辨率图像是一项艰巨的任务。特别是当比例因子变大时,局部特征的恢复变得更加困难。信息的过度冗余将导致无法恢复足够的高频细节。现有的基准技术还存在一定局限性,包括利用特征信息不足等。卷积神经网络（CNN）已经针对部分图像超分辨率（SR）问题实现了显着的性能改进。本文拟将卷积神经网络相关结构与概念拓展到单图像超分辨率工作中以改善上述问题,主要创新思路如下:1.提出了一种全新设计的卷积神经网络结构——使用密集连接和1×1网络的“精确图像超分辨率”来充分利用图像特征。图像区域的上下文信息通过密集连接和多次级联小的过滤器被有效且准确地利用。在图像重建部分新引入了1×1 CNN并行化结构以减少前几层的数据尺寸,从而在减轻上下文信息传递冗余的同时有效减轻了计算负担。2.提出了一种用于多尺度图像纹理恢复的,基于深连接与多1×1卷积结合的单图像超分辨技术更加侧重于提高卷积神经网络的表达能力以显着提高重建的高分辨率图像细节的准确性,产生更高的峰值信噪比（PSNR）并最大改善图像的纹理细节。深度跳跃连接（DSC）充分利用具有丰富特征的低频信息,将低频信息高效的传递到下一层并在卷积层间交互产生有效的低频和高频信息。引入多1×1卷积层（MOL）减小图像尺寸,减少了由层数加深引起的运算负担。3.提出了使用密集融合块和并行1×1卷积网络（DPSR）的图像超分辨率。创造了一种新型的密集块以提高特征的利用率。密集融合块（DFB）通过密集连接提取丰富的局部特征。连接在密集块中的局部特征被用来从先前与当前卷积层中学习有效特征并增强网络鲁棒性。特征提取后,将分层特征以整体方式合并。并行1×1卷积网络（PDN）的引入减小了特征的尺寸,提高了训练速度和输出图像性能。4.将密集连接和激励模块结合对图像进行低分辨率到高分辨率的端对端处理。使用密集连接组成的密集块和多个级联小滤波器组成的网络结构使图像区域的上下文信息得到有效准确地利用。激励模块将有价值的全局信息选择性放大并抑制无用的特征。图像重建部分中的1×1卷积层结构减小了前一层的尺寸,加速计算的同时减少信息的丢失。总的来说,通过大量的数据实验以及对现有模型间的比较,表明本文所提出的单图像超分辨率模型对于图像从低分辨率到高分辨率的端到端处理准确率较高,产生了更高的峰值信噪比且边缘保持良好。

关键词：单图像超分辨率卷积神经网络峰值信噪比

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的图像复原算法研究

基于卷积神经网络的图像复原算法研究

作者：陈中雨华中科技大学

学位级别：硕士

数字图像是应用于人们日常生活中最基本的数据之一。与此同时,数字图像的质量也严重影响着其他视觉任务的精确度。图像复原算法旨在从低分辨率、模糊图像中重建出相对应的高质量图像来缓解这个问题。针对基于卷积神经网络的图像复原算... 详细信息

数字图像是应用于人们日常生活中最基本的数据之一。与此同时,数字图像的质量也严重影响着其他视觉任务的精确度。图像复原算法旨在从低分辨率、模糊图像中重建出相对应的高质量图像来缓解这个问题。针对基于卷积神经网络的图像复原算法进行了深入研究,并针对存在的问题提出解决方案。主要研究工作和创新总结如下:第一,对基于深度学习的图像复原算法进行总结对比与问题分析。针对单图像超分辨率和单图像去雾算法的问题定义,经典结构和基础模块进行总结对比,深入分析各自的特点与不足。对算法模型采用的训练策略进行具体阐述。实验对比现有图像复原算法各自的优势和性能,并指出存在的问题,为后续章节的算法创新提供动机和理论支持。第二,提出基于级联特征金字塔的单图像超分辨率算法。针对现有算法在多层级特征信息上利用不足的问题,设计出级联特征金字塔模块,利用卷积级联和逐层融合的结构,拓宽特征多尺度表征范围和消除多层级特征之间的语义差距,有效提升了多层级特征融合效果。此外,提出一种改进的非对称残差Non-Local模块,利用轻量级的自注意力机制高效聚合全局上下文信息。算法在Set5数据集上4倍超分辨率结果的PSNR指标达到32.66db,同时在多种退化模型下具有良好的泛化性。第三,提出基于渐进式局部连接的单图像去雾算法。设计轻量级的渐进式特征融合模块以提升网络学习效率,其中由渐进式局部连接和特征注意力两个部分组成。具体地,渐进式局部连接通过逐层分离和局部拼接的方式提取多层级特征进行融合。特征注意力利用通道和空间双注意力模块对特征的重要性进行评估。为了高效聚合全局上下文信息,提出一种改进的非对称残差Non-Local模块,在保持其轻量化优点的同时,有效提升图像去雾效果。算法在SOTS室内测试集上的PSNR评估指标由现有最好的36.39db提升到38.02db,同时节约了大量的模型参数。

关键词：深度学习图像复原单图像超分辨率特征融合单图像去雾