检索结果-南通市图书馆

基于多层卷积稀疏编码的神经网络图像恢复研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多层卷积稀疏编码的神经网络图像恢复研究

作者：陈鸽西南大学

学位级别：硕士

图像恢复一直以来都是计算机视觉中基础且经典的问题,旨在减轻或消除图像退化现象。近年来,稀疏模型方法与深度学习方法被广泛应用于图像恢复研究中。其中基于卷积神经网络的深度学习方法较稀疏模型方法取得了更好的恢复性能,但其理论... 详细信息

图像恢复一直以来都是计算机视觉中基础且经典的问题,旨在减轻或消除图像退化现象。近年来,稀疏模型方法与深度学习方法被广泛应用于图像恢复研究中。其中基于卷积神经网络的深度学习方法较稀疏模型方法取得了更好的恢复性能,但其理论基础的欠缺一直是改进网络结构和优化模型所面临的问题。而将稀疏模型与神经网络相结合的方法为解决该问题提供了一个新视角,特别是多层卷积稀疏编码模型通过其追踪算法与卷积神经网络的前向传递建立了紧密的联系,使网络的改进可遵从算法的指导。因此,本文以多层卷积稀疏编码的学习迭代软阈值算法(ML-LISTA)为基础,将其与神经网络的学习机制相结合,研究荧光显微镜图像去噪和图像超分辨率重构等图像恢复问题,主要内容如下:1、对压缩感知、卷积神经网络和多层卷积稀疏编码理论及其多层学习迭代软阈值算法(ML-LISTA)进行了阐述,并展开多层卷积稀疏编码模型与卷积神经网络结合的理论分析。2、提出了基于多层卷积稀疏编码的荧光显微镜图像去噪网络(MCSC-net)。将获取多层卷积稀疏编码模型中最深层稀疏表示的ML-LISTA算法嵌入到卷积神经网络中,构建了一个用于真实荧光显微镜图像去噪的具有跳跃连接的端到端监督神经网络MCSC-net。该网络可以自然地解释为一种参数优化去噪算法,网络中的每一层都严格对应于展开的ML-LISTA算法处理的每一步,且ML-LISTA中的两个参数(迭代次数、滤波器个数)决定了网络中的深度与宽度,这为网络的改进带来了理论性的指导。同时在网络设计和训练中引入扩张卷积,在不需要增加额外参数的情况下,提取多尺度的上下文信息,进而提高网络去噪性能。通过所提方法与其他现有方法在真实荧光显微镜数据集上的对比实验表明:在所有噪声水平下,该方法的峰值信噪比(PSNR)较传统去噪方法提升了约1～3 d B;在噪声水平较大时,其PSNR值较深度学习方法(Dn CNN)提高了约0.1～0.4 d B。另外,在视觉表现上,该方法不仅能够减轻图像伪影,还能更好地恢复图像细节及边缘轮廓,在实际去噪应用中显示出很强的吸引力。3、提出了基于多层卷积稀疏编码的图像超分辨率重构网络(SRMCSC)。鉴于低分辨率图像与高分辨率图像之间的高度相似性且残差图具有显著的稀疏特性,在将基于多层卷积稀疏编码的ML-LISTA算法与卷积神经网络结合的同时引入残差学习,利用求解多层模型中最深层稀疏表示的ML-LISTA算法提取残差特征,再将其与输入图像结合重构高分辨率图像。这样不仅加快训练速度和收敛速度,而且与现有的多种优秀方法比较,所提方法在所有尺度因子下都有约0.2～1.1 d B的显著平均PSNR值增益。特别是与深度学习方法(SRCNN)相比,在数据集BSD100且尺度因子为2时,PSNR值大约提高了0.7d B。同时在视觉表现上,该方法能更好地恢复图像的细节纹理,验证了其在图像超分辨率重构上的有效性。4、总结全文主要工作,并对在多层卷积稀疏编码和卷积网络结合下的荧光显微镜图像去噪和超分辨率重构问题可进行的后续研究做出了分析及展望。

关键词：多层卷积稀疏编码卷积神经网络荧光显微镜图像去噪图像超分辨率重构

基于多层卷积稀疏编码的递归神经网络图像去噪研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多层卷积稀疏编码的递归神经网络图像去噪研究

作者：文泽珈西南大学

学位级别：硕士

图像去噪一直是图像处理领域的研究热点,如何从被噪声污染的图像中恢复出潜在的干净图像受到众多学者的广泛关注。众多去噪方法中,基于卷积神经网络的去噪算法虽凭借强大的学习能力取得领先的去噪表现,但缺乏完备的数学解释和理论指导... 详细信息

图像去噪一直是图像处理领域的研究热点,如何从被噪声污染的图像中恢复出潜在的干净图像受到众多学者的广泛关注。众多去噪方法中,基于卷积神经网络的去噪算法虽凭借强大的学习能力取得领先的去噪表现,但缺乏完备的数学解释和理论指导是这类去噪方法改进过程中难以回避的问题。近年来,以多层卷积稀疏编码模型为代表的稀疏表示模型通过追踪算法(如多层学习迭代软阈值算法,ML-LITSA)与卷积神经网络前向传递建立紧密联系,使得从算法角度设计和理解卷积去噪网络成为可能。本文以获取多层卷积稀疏编码模型最深层稀疏表示向量的ML-LISTA算法为基础,结合网络优化技术和加权的递归监督机制,围绕图像去噪提出了三个结构可解释、有明确数学意义的递归去噪卷积神经网络。主要研究成果如下:1.在卷积神经网络自适应学习框架下,融合图像数据自身表示系数的稀疏性,提出了结构新颖的递归去噪卷积神经网络RDn CN-LISTA。它通过网络前向传递获得多层卷积稀疏编码模型的最深层稀疏表示向量,通过网络反向传播自动更新卷积字典,最后通过图像稀疏表示完成去噪,成功在去噪网络中融入稀疏先验。端对端的网络结构由嵌入子网、推理子网以及重构子网组成,其每一层、每一个跳跃连接都严格对应于ML-LISTA算法的更新步骤,比起依靠经验和实验来设计网络结构更具借鉴意义。两个网络超参数:递归次数和滤波器个数分别决定网络深度和宽度,通过实验确定为11和128。随后,Set12数据集上的真实去噪实验显示,该基础网络仅凭新颖的网络结构,就能在加性高斯白噪声(AWGN)水平为50时,达到与经典去噪网络Dn CNN相当的去噪结果,平均PSNR值为27.23d B。2.为进一步增强网络的去噪性能,结合网络优化技术,通过实验确定在嵌入子网的前三层引入膨胀卷积和批规范化,提出优化的递归去噪卷积神经网络RDn CN-LISTA。在受AWGN污染的真实图像去噪实验中,较现有的其他去噪方法,该网络得益于图像数据自身的稀疏先验,使其增强了面对噪声干扰的鲁棒性,在噪声水平为25,50,75时均取得了最佳去噪结果,验证了该网络的去噪性能。尤其是=75时,处理标准数据集Set12和BSD68的平均PSNR值较经典去噪网络Dn CNN提高了0.31d B和0.18d B。虽然在低噪声水平=15时去噪表现一般,显露了递归网络在深层学习上的局限,但图片”House”仍获得了PSNR值为35.15d B的高质量图片。3.为避免递归网络的深层产生特征信息利用不完全,潜在的梯度爆炸(消失)问题,提出递归监督机制下的加权递归去噪卷积网络WRDn CN-LISTA。通过调整重构子网于每一次递归后,使每次递归结果为估计的去噪图像。将每次递归的结果按可学习的权值由跳跃连接输入到网络最后一层,既充分利用前层的递归结果来提升最终生成的去噪图像质量,也对每次递归结果进行监督。实验结果表明:递归监督机制的引入,减弱了不同递归次数对网络性能的影响,并有效改善了网络RDn CN-LISTA在低噪声水平下的欠缺。各个噪声水平下该网络均获得最佳去噪结果,尤其是在=15时,优于经典的Dn CNN网络,在Set12和BSD68数据集下的平均PSNR值分别提升了0.03d B和0.05d B。从主观观察来看,该方法更能维护图像的细节纹理,减轻伪影以及扭曲的出现,是一个有效的去噪网络。

关键词：多层卷积稀疏编码递归卷积神经网络图像去噪网络优化技术递归监督机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种基于多尺度的多层卷积稀疏编码网络

广东工业大学学报 2024年第6期41卷 125-132页

作者：谢伟立张军广东工业大学信息工程学院广东广州510006

多层卷积稀疏编码模型(Multi-layer Convolutional Sparse Coding, ML-CSC)被认为是对卷积神经网络(Convolutional Neural Networks, CNN)的一种理论阐释。尽管ML-CSC模型在特征对比度高的数据集上表现良好,但是其在特征对比度低的数据... 详细信息

多层卷积稀疏编码模型(Multi-layer Convolutional Sparse Coding, ML-CSC)被认为是对卷积神经网络(Convolutional Neural Networks, CNN)的一种理论阐释。尽管ML-CSC模型在特征对比度高的数据集上表现良好,但是其在特征对比度低的数据集上表现不佳。为了解决这一问题,本文引入多尺度技术设计了一种多尺度多层卷积稀疏编码网络(Multi-scale Multi-layer Convolutional Sparse Coding Network, MSMCSCNet),不仅在特征对比度较弱的情况下得到更好的图像分类效果,而且也使模型具有扎实的理论基础和较高的可解释性。实验结果表明,MSMCSCNet在不增加参数量的前提下,在Cifar10、Cifar100数据集和Imagenet32数据子集上,准确率相比现有MLCSC模型分别提高了5.75,9.75和9.8个百分点。此外,消融实验进一步证实了模型的多尺度设计和特征筛选模式设计的有效性。

关键词：多层卷积稀疏编码卷积神经网络图像分类多尺度

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

卷积稀疏编码理论及图像重建

卷积稀疏编码理论及图像重建

作者：于辉燕山大学

学位级别：硕士

卷积稀疏编码已广泛应用于信号和图像处理、图像重建和去噪等任务中,传统的卷积稀疏编码都是基于傅里叶域在图像块上进行局部操作,忽略了图像的局部特征。为了弥补基于图像块的卷积稀疏编码的局限性,基于切片的卷积稀疏编码被提出。本... 详细信息

卷积稀疏编码已广泛应用于信号和图像处理、图像重建和去噪等任务中,传统的卷积稀疏编码都是基于傅里叶域在图像块上进行局部操作,忽略了图像的局部特征。为了弥补基于图像块的卷积稀疏编码的局限性,基于切片的卷积稀疏编码被提出。本文将基于切片的局部处理思想与基于深度学习思想结合起来,对卷积稀疏编码模型进行了更深入的研究。首先,受基于切片局部处理思想和多层卷积稀疏编码的启发,本文研究了一种新的多层卷积稀疏编码模型:基于切片的多层卷积稀疏编码。在此基础上,研究了一种新的多层基追踪算法:基于切片的多层快速迭代收缩阈值算法。其次,局部块坐标下降算法是解决基于切片的卷积稀疏编码的基追踪问题的有效方法,但目前还没有对局部块坐标下降算法的收敛性进行证明,本文给出了局部块坐标下降算法的收敛定理,并对其进行了理论性证明。在基于切片多层卷积稀疏编码和局部块坐标下降算法的基础上,研究了另外一种新的多层基追踪算法:基于切片的多层局部块坐标下降算法(ML-LoBCoD)。并给出ML-LoBCoD算法的收敛性定理及证明。再次,在卷积稀疏编码网络(CSCNet)去噪模型的基础上,研究了两种新的基于学习快速迭代收缩阈值算法的卷积稀疏编码网络(CSCNet-LFISTA)。通过梯度映射的最坏情况界,采用边界优化近端梯度方法的阶跃系数来导出新的LFISTA算法。新的CSCNet方法不但保持了原始CSCNet方法的计算简单性,并且具有全局收敛速度,本文在理论和实践上分别证明了新的CSCNet方法优于原始CSCNet方法。最后,本文将残差结构与卷积稀疏编码网络相结合,研究了一种用于压缩感知磁共振成像的新型深度学习模型,称为近似残差卷积稀疏编码网络(ARCSC-net)。本文研究的ARCSC网络在伪径向采样模式下进行了测试。分别用不同的方法在脑数据和膝盖数据上实现磁共振图像重建,实验表明所提出的ARCSC网络在视觉和定量上均优于其他最新技术。

关键词：卷积稀疏编码多层卷积稀疏编码收敛定理块坐标下降算法迭代收缩阈值算法图像去噪磁共振图像重建

多层局部块坐标下降法及其驱动的分类重构网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

自动化学报 2020年第12期46卷 2647-2661页

作者：王金甲张玉珍夏静王凤嫔燕山大学信息科学与工程学院(软件学院) 秦皇岛066004 燕山大学河北省信息传输与信号处理重点实验室秦皇岛066004 燕山大学信息科学与工程学院(软件学院) 秦皇岛066004 燕山大学河北省信息传输与信号处理重点实验室秦皇岛066004 燕山大学信息科学与工程学院(软件学院) 秦皇岛066004 燕山大学河北省信息传输与信号处理重点实验室秦皇岛066004 燕山大学信息科学与工程学院(软件学院) 秦皇岛066004 燕山大学河北省信息传输与信号处理重点实验室秦皇岛066004

卷积稀疏编码(Convolutional sparse coding,CSC)已广泛应用于信号或图像处理、重构和分类等任务中,基于深度学习思想的多层卷积稀疏编码(Multi-layer convolutional sparse coding,ML-CSC)模型的多层基追踪(Multi-layer basic pursuit,ML-BP)问题和多层字典学习问题成为研究热点.但基于傅里叶域的交替方向乘子法(Alternating direc-tion multiplier method,ADMM)求解器和基于图像块(Patch)空间域思想的传统基追踪算法不能容易地扩展到多层情况.在切片(Slice)局部处理思想的基础上,本文提出了一种新的多层基追踪算法:多层局部块坐标下降(Multi-layer local block coordinate descent,ML-LoBCoD)算法.在多层迭代软阈值算法(Multi-layer iterative soft threshold algorithm,ML-ISTA)和对应的迭代展开网络ML-ISTA-Net的启发下,提出了对应的迭代展开网络***-LoB-CoD-Net实现信号的表征学习功能,输出的最深层卷积稀疏编码用于分类.此外,为了获得更好的信号重构,本文提出了一种新的多层切片卷积重构网络(Multi-layer slice convolutional reconstruction network,ML-SCRN),ML-SCRN实现从信号稀疏编码到信号重构.我们对这两个网络分别进行实验验证.然后将ML-LoBCoD-Net和ML-SCRN进行级联得到ML-LoBCoD-SCRN合并网,同时实现图像的分类和重构.与传统基于全连接层对图像进行重建的方法相比,本文提出的ML-LoBCoD-SCRN合并网所需参数少,收敛速度快,重构精度高.本文将ML-ISTA和多层快速迭代软阈值算法(Multi-layer fast iterative soft threshold algorithm,ML-FISTA)构建为ML-ISTA-SCRN和ML-FISTA-SCRN进行对比实验,初步证明了所提出的ML-LoBCoD-SCRN分类重构网在MNIST、CIFAR10和CIFAR100数据集上是有效的,分类准确率、损失函数和信号重构结果都优于ML-ISTA-SCRN和ML-FISTA-SCRN.

关键词：多层卷积稀疏编码多层基追踪多层局部块坐标下降法分类重构

来源：评论

学校读者我要写书评

暂无评论

多媒体信号处理的数学理论前沿进展

中国图象图形学报 2020年第1期25卷 1-18页

作者：熊红凯戴文睿林宙辰吴飞于俊清申扬眉徐明星上海交通大学电子信息与电气工程学院上海200240 北京大学信息科学技术学院北京100080 浙江大学计算机科学与技术学院杭州310027 华中科技大学计算机科学与技术学院武汉430074

深度学习模型广泛应用于多媒体信号处理领域,通过引入非线性能够极大地提升性能,但是其黑箱结构无法解析地给出最优点和优化条件。因此如何利用传统信号处理理论,基于变换/基映射模型逼近深度学习模型,解析优化问题,成为当前研究的前沿... 详细信息

深度学习模型广泛应用于多媒体信号处理领域,通过引入非线性能够极大地提升性能,但是其黑箱结构无法解析地给出最优点和优化条件。因此如何利用传统信号处理理论,基于变换/基映射模型逼近深度学习模型,解析优化问题,成为当前研究的前沿问题。本文从信号处理的基础理论出发,分析了当前针对高维非线性非规则结构方法的数学模型和理论边界,主要包括:结构化稀疏表示模型、基于框架理论的深度网络模型、多层卷积稀疏编码模型以及图信号处理理论。详细描述了基于组稀疏性和层次化稀疏性的表示模型和优化方法,分析基于半离散框架和卷积稀疏编码构建深度/多层网络模型,进一步在非欧氏空间上扩展形成图信号处理模型,并对国内外关于记忆网络的研究进展进行了比较。最后,展望了多媒体信号处理的理论模型发展,认为图信号处理通过解析谱图模型的数学性质,解释其中的关联性,为建立广义的大规模非规则多媒体信号处理模型提供理论基础,是未来研究的重要领域之一。

关键词：结构化稀疏表示基于框架理论的深度卷积网络多层卷积稀疏编码图信号处理多媒体信号处理