检索结果-南通市图书馆

作者：赖厚增江西财经大学

学位级别：硕士

图像超分辨率(Super Resolution,SR)技术是计算机视觉领域中的一项重要任务,其目的是将低分辨率(Low Resolution,LR)图像转化为高分辨率(High Resolution,HR)图像,以获得更加细致和清晰的视觉效果。这一技术已经引起了研究界的广泛关注... 详细信息

图像超分辨率(Super Resolution,SR)技术是计算机视觉领域中的一项重要任务,其目的是将低分辨率(Low Resolution,LR)图像转化为高分辨率(High Resolution,HR)图像,以获得更加细致和清晰的视觉效果。这一技术已经引起了研究界的广泛关注,因为它可以为图像处理和计算机图形学等领域提供有力的支持。图像分辨率的提升对于显示器、电视机、手机等许多设备都是至关重要的,因此,SR技术在诸多领域都拥有广阔应用前景,如直播、视频监控、视频编解码、遥感卫星图像、医学影像和视频复原等领域。近年来,随着深度学习技术的兴起,图像SR领域也取得了巨大的成功。目前,大部分基于深度学习的方法虽然可以通过增加模型的复杂度来提高图像SR重建网络的性能,但复杂的结构提取的特征存在大量冗余,而不同深度特征也没有被有效利用,这致使在阶段性的特征学习过程中存在一些特征的丢失,导致重建图像出现细节缺失、伪影或纹理扭曲现象。针对这些问题,本文的研究重点是基于特征增强的深度残差SR重建网络,并提出两种新的图像SR重建网络,主要研究工作如下:(1)提出一种自适应特征增强的循环残差网络。根据图像渐进式学习细节特征原理,通过构造一种自适应特征融合模块,能够有效地整合图像的浅层和深层特征,并对该模块采用循环机制来实现图像特征的精细化。自适应特征融合模块主要包含三个网络分支:细节注意分支、细节探索分支、权重分配分支。其中,细节注意分支被构建用于浅层特征的提取和增强,细节探索分支探索学习更深层的特征,权重分配分支学习两分支在通道上的相关性关系,自适应地为细节注意分支和细节探索分支分配权重,减少特征的冗余,以更好地整合图像不同深度的特征。在多个数据集上大量实验结果表明了本文方法得到的结果更接近真实的HR图像,获得了更优的性能指标。(2)提出一种两阶段特征增强的深度残差网络。根据两阶段学习策略逐步改进特征的表示和增强,第一阶段初始特征重建模块被用于重建粗糙的HR图像,第二阶段重建具有丰富细节特征的HR图像,最后将两个阶段重建图像融合得到最终的重建HR图像。第一阶段,一种注意力增强块被构建来增强初始特征,并通过多个卷积和反卷积层学习更多细节特征。第二阶段,在第一阶段提取的特征和重建结果的基础上,为了进一步提取更精细的特征,级联多个由空间特征增强块和一个注意力交互块构成的残差注意力模块,来学习在特征图通道和空间多个方向上的相关性,重构出精细细节。大量实验结果表明本文方法在主观和客观两方面都有优异性能表现,在参数和指标上都优于一些最新的图像SR方法。

关键词：图像超分辨率自适应特征增强循环残差网络自适应权重分配两阶段特征增强深度残差网络残差注意力模块

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于主梯度编码局部二进制模式的花粉图像识别

引用

计算机应用 2018年第6期38卷 1765-1770,1783页

作者：谢永华韩丽萍南京信息工程大学计算机与软件学院南京210044 江苏省网络监控中心(南京信息工程大学) 南京210044

受显微传感器和不规则收集方法的影响,花粉图像常受到不同程度的噪声干扰且有着不同角度的旋转变化,识别精度普遍不高,为此提出了基于主梯度编码的局部二进制模式(DGLBP)描述子,并应用于花粉图像的分类识别。首先,计算图像块在主梯度方... 详细信息

受显微传感器和不规则收集方法的影响,花粉图像常受到不同程度的噪声干扰且有着不同角度的旋转变化,识别精度普遍不高,为此提出了基于主梯度编码的局部二进制模式(DGLBP)描述子,并应用于花粉图像的分类识别。首先,计算图像块在主梯度方向上的梯度幅值;其次,分别计算图像块的径向、角向,以及复合梯度差;然后,根据各图像块的梯度差进行二进制编码,参照各局部区域的纹理分布情况为二进制编码自适应分配权重,并提取花粉图像在3个方向上的纹理特征直方图;最后,对不同尺度下的纹理特征直方图进行融合,采用欧氏距离计算各图像的相似度。DGLBP方法在Confocal和Pollenmonitor数据集上的平均正确识别率分别为94.33%和92.02%,与其他花粉识别方法相比平均提高了8.9个百分点和8.6个百分点,与LBP改进方法相比平均提高了18个百分点和18.5个百分点。实验结果表明,DGLBP描述子对花粉图像的噪声干扰和旋转变化具有较好的鲁棒性,且具有较优的识别效果。

关键词：局部二进制模式主梯度方向梯度幅值自适应权重分配多尺度花粉识别

来源：

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

基于属性融合的图挖掘算法研究

基于属性融合的图挖掘算法研究

引用

作者：陈文龙电子科技大学

学位级别：硕士

随着当前互联网的快速发展,社交网络和人们日常生活的丰富,数据所呈现出来的结构也变得越来越复杂,以图模型为代表的数据类型也应运而生。这类数据不但包括对象之间的相互关系特征,也包含了数据自身的基本属性。为了从海量的图结构化数... 详细信息

随着当前互联网的快速发展,社交网络和人们日常生活的丰富,数据所呈现出来的结构也变得越来越复杂,以图模型为代表的数据类型也应运而生。这类数据不但包括对象之间的相互关系特征,也包含了数据自身的基本属性。为了从海量的图结构化数据中挖掘出有用知识,研究者开始广泛研究这种带节点属性的图的聚类技术。图聚类作为数据挖掘领域一个新的研究方向,有着重要的研究意义。目前的图聚类算法大多是基于图数据的拓扑结构或图数据的节点属性进行聚类研究的,社交网络的兴起使得这些基于单一特征的聚类算法不能满足人们日益增长的需求,存在聚类效果不理想,对实际问题建模不准确等问题。因此,挖掘图数据的知识和信息有着重要的研究价值和实际意义。本文以现有图聚类算法对数据对象建模考虑单一为切入点,提出多层属性融合模型。通过对数据建模,将数据的自身属性特征和数据之间的关系建模为不同层次特征,设置不同的层权重系数,最后经过模型融合策略,将数据自身属性特征和相互关系统一融合到一个底层网络中。通过分析,该模型融合方法能更加反映实际中的数据之间的相互关系。本文针对现有聚类算法对图结构数据聚类效果不理想的问题,提出一种基于多层属性融合的自适应权重分配(Multi-layer Attribute Fusion for the Adaptive Weight Distribution,MAFAWD)图聚类算法。算法首先建立数据对象的图结构模型,划分不同属性层和结构层,通过设置不同的属性层和结构层权重系数,使建模后的数据更能反映实际分布。然后采用仿射传播聚类算法对图数据进行聚类。为了达到理想聚类效果,最后根据节点投票机制,自适应更改属性层权重系数值,使得最后聚类结果中同一簇内各节点之间联系紧密并且具有相同属性,不同簇间连接稀疏且节点属性不同。最后,本文在真实数据集DBLP上验证MAFAWD图聚类算法。通过实验仿真设计和对聚类结果的对比评估,表明本文提出的MAFAWD图聚类算法具有良好的聚类效果。

关键词：数据挖掘属性融合图聚类仿射传播聚类算法自适应权重分配

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：