检索结果-南通市图书馆

srresnet Performance Enhancement Using Patch Inputs and Partial Convolution-Based Padding

Computers, Materials & Continua 2023年第2期74卷 2999-3014页

作者： Safi Ullah Seong-Ho Song Division of Software Hallym University1 Hallymdaehak-gilChuncheonGangwon-doKorea Department of Information Technology University of GujratJalalpur Jattan RoadGujratPakistan

Due to highly underdetermined nature of Single Image Super-Resolution(SISR)problem,deep learning neural networks are required to be more deeper to solve the problem *** of deep neural networks successful in the Super-Resolution(SR)problem is ResNet which can render the capability of deeper networks with the help of skip ***,zero padding(ZP)scheme in the network restricts benefits of skip connections in srresnet and its performance as the ratio of the number of pure input data to that of zero padded data *** this *** consider the ResNet with Partial Convolution based Padding(PCP)instead of ZP to solve SR *** training of deep neural networks using patch images is advantageous in many aspects such as the number of training image data and network complexities,patch image based SR performance is compared with single full image based *** experimental results show that patch based srresnet SR results are better than single full image based ones and the performance of deep srresnet with PCP is better than the one with ZP.

关键词： Single image super-resolution srresnet patch inputs zero padding partial convolution based padding

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于深度学习的低分辨率场景车牌识别研究与应用

基于深度学习的低分辨率场景车牌识别研究与应用

引用

作者：陶天赐大连海洋大学

学位级别：硕士

目前,智能系统已经在全国大范围的应用,但是从监控视频中拍摄行驶中的车辆因抓拍到的车辆距离较远,又或者可能因为车辆超速,车速过快导致只能捕获低分辨率的车牌图像,而低分辨率下的车牌图像中汉字结构退化严重,极大的影响了车牌的识别... 详细信息

目前,智能系统已经在全国大范围的应用,但是从监控视频中拍摄行驶中的车辆因抓拍到的车辆距离较远,又或者可能因为车辆超速,车速过快导致只能捕获低分辨率的车牌图像,而低分辨率下的车牌图像中汉字结构退化严重,极大的影响了车牌的识别准确率。所以如何对监控视频中抓拍到的车牌图像进行一个正确的识别,为智能交通信息管理系统提供有效的车辆车牌的信息,目前成为了一个亟待解决的问题。本篇论文目的是为了识别低分辨率的车牌图像,实现过程分为两个步骤,先处理图像,将图像进行一个良好的还原,而后对还原的图像进行识别,得到低分辨率车牌的信息。由于网络层数过深时导致模型训练困难、产生梯度消失或者爆炸、网络层数过浅时图像的特征部分提取不充分不彻底、超分重建生成图像质量低下模糊不清,这些缺点会影响超分重建图像的质量,进而影响后续对于车牌图像的识别。本文提出基于融合注意机制与srresnet模型相结合的超分辨率重建算法。本文的主要研究工作情况如下所示:首先,针对srresnet模型中残差模块过多过深导致的模型训练过于困难,易产生梯度消失或者爆炸。BN层的存在会将图像中的色彩、对比度、亮度等图像数据映射到均值为0、方差为1的标准正态分布上,降低了生成图像质量及效果。本文设计了一个剔除BN层的密集连接残差块,用来替换srresnet模型中的普通残差块。密集连接网络可以复用模型中的数据特征,减少模型的中参数,能够有效的减轻梯度消失现象,从而保持网络的梯度稳定性,使得模型最终生成图像的质量更高更好。其次,针对srresnet在恢复低分辨率图像时对于图像中重要的特征信息提取不充分,不彻底,导致模型对于低分辨率图像的后续细节恢复效果不佳、图像内容边缘有锯齿状细节以及块状噪声消除不足等问题进行了研究。本文提出了一种新的基于混合注意力机制改进srresnet的算法。该改进算法是在密集连接残差块的模型的基础上进行了模型优化,在算法模型中融合空间通道混合注意力机制,使得模型在特征提取过程中,可以更有针对性的专注于图像中的重要空间、通道信息,提升特征的表示能力,深度提取图像的高频特征,提高模型的性能。最后,实现一个低分辨率车牌识别系统。对于本文中所提出的网络模型都会与其他的模型进行性能对比,从主观评价以及客观评价指标上进行评判,结果均是本文提出的模型指标有明显的提升。

关键词：低分辨率车牌超分辨率重建 srresnet 车牌识别

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

ANLResNet网络的前视声呐图像散斑去噪方法

引用

小型微型计算机系统 2022年第2期43卷 355-361页

作者：陈朋徐泽楠赵冬冬郭新新浙江工业大学计算机科学与技术学院杭州310023 浙江工业大学信息工程学院杭州310023 中国科学院深海科学与工程研究所海南三亚572000

前视声呐(Forward-Looking Sonar,FLS)使用换能器基阵收发声波,通过回波探测水下物体.在浅海环境,由于水下介质的反射、散射与不均匀波动,前视声呐图像极易引入散斑噪声.本文针对前视声呐图像散斑噪声,结合srresnet与非对称金字塔非局部... 详细信息

前视声呐(Forward-Looking Sonar,FLS)使用换能器基阵收发声波,通过回波探测水下物体.在浅海环境,由于水下介质的反射、散射与不均匀波动,前视声呐图像极易引入散斑噪声.本文针对前视声呐图像散斑噪声,结合srresnet与非对称金字塔非局部块,提出了ANLResNet网络用于前视声呐图像去噪,并针对前视声呐图像特性,使用FieldⅡ构建模拟前视声呐图像数据集,对网络进行训练.实验结果表明,本文提出的ANLResNet网络能有效的去除前视声呐图像中的散斑噪声,获得良好的视觉效果.并通过峰值信噪比(Peak Signal to Noise Ratio,PSNR)、等效视数(Equivalent Number of Looks,ENL)、散斑抑制指数(Speckle Suppression Index,SSI)3个图像质量评价指标评价降噪效果.在模拟前视声呐图像去噪上,本文算法相比于传统算法、改进BM3D算法和Autoencoder网络,平均PSNR至少提高了8.12%.在真实前视声呐图像去噪上,本文算法相比于传统算法、改进BM3D算法和srresnet等效视数至少提高了16.77%,散斑抑制指数至少降低了2.84%.相比于Autoencoder网络等效视数提高了4.30%.本文方法主要用于前视声呐图像去噪,对于其他声学图像的降噪,散斑噪声的抑制上也有一定的应用价值.

关键词：前视声呐散斑噪声图像降噪 FieldⅡ srresnet

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

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：