一种多映射卷积神经网络的超分辨率重建算法

针对现有卷积神经网络在超分辨率重建的图像上存在部分细节特征不够突出、边缘模糊等问题,在现有模型三大模块的基础上对映射模块及损失函数进行细致剖析,提出了一种多映射卷积神经网络的超分辨率重建算法．该算法通过构建多映射网络,极大地丰富了图像在聚合高分辨图像时的特征维度．同时在重建模块的卷积层后引入全变分正则项,结合误差反向传播算法,可有效地对解空间约束,从而提取出精确、有效的特征,丰富重建图像的细节信息．在常用数据集上的实验结果表明,该算法生成的网络模型获得了更好的超分辨率结果,主观视觉评价和客观衡量指标有一定的改进,有效地提高了图像的分辨率．     

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.     

基于反馈网络的磁共振图像超分辨率重建研究

针对磁共振图像超分辨率重建算法存在的边缘信息丢失和运动伪影等问题,本文提出一种基于反馈网络的磁共振图像超分辨重建方法.采用反馈路径构成网络结构,在所提出的重建算法中,将输入图像进行上采样和下采样操作,提取图像特征,并对提取的特征进行融合后与输入图像一起进行局部循环训练,同时通过残差和卷积操作,重建超分辨率图像.为了更加...     

基于TensorFlow的车牌字符识别方法

全连接神经网络将车牌字符图像以一维矩阵的形式进行矩阵运算,忽略了图像自身的特性,且一旦图像像素过多,神经网络的参数规模会急剧增加,常规的神经网络很难训练.基于TensorFlow深度学习框架搭建一种卷积神经网络训练模型,在自制的大小为40×32像素点车牌字符灰度图像数据集基础上,使用搭建的神经网络模型训练得到较好的训练效果,利用多次卷积和池化层提取特征,与全连接神经网络相比极大减少节点数量,提高识别的精准度.通过不同识别算法的准确率对比可见,卷积神经网络对中文、英文和数字的识别更加准确,模型的鲁棒性和泛化能力有很大提高.     

基于多分辨率学习卷积神经网络的磁共振图像超分辨率重建

高分辨率磁共振图像对于医学诊断具有重要意义,本文提出一种多分辨率学习卷积神经网络,并应用于磁共振图像超分辨率。网络是一种新型深度残差网络,包含用于特征提取的残差单元、多分辨率上采样的反卷积层以及多分辨率学习层。设计的网络在低分辨率图像空间中实现图像超分辨率,采用多分辨率上采样实现多个残差单元信息融合并加速网络,多分辨率学习能够自适应地确定各分辨率上采样的高维特征图对磁共振图像超分辨重建的贡献度。实验表明,论文提出的方法能够很好地超分辨率重建磁共振图像,优于最新的深度学习方法。     

双通道单图像超分辨率卷积神经网络

基于残差与稠密结构的卷积神经网络的单张图像的超分辨率(SISR)方法显著地提升了重建的性能,然而残差网络侧重于特征的复用,而稠密连接可以实现对新特征的探索,为了结合两者的优势,本文设计了一种双通道图像超分辨率深度卷积神经网络,将特征映射在第三维度上分割成两条路径,一条以残差的形式进行连接,另一条以稠密的方式进行跳跃连接。同时,在网络末端引入解卷积层来放大特征映射,显著加速了计算,并且直接从低分辨率图像到高分辨率图像之间进行端到端的映射。评估结果表明,本文方案取得了比当前绝大多数网络模型更高的峰值信噪比(PSNR)。     

基于卷积神经网络的图像精度深度优化

传统的图像精度深度优化方法优化后的图像精度仍然较差,为此设计一种基于卷积神经网络的图像精度深度优化方法。采用目标监测方法提取图像目标区域特征,对图像的原始特征提取,利用深度学习框架生成多个特征图表示图像信息,并对图像像素集分割,固定待提高精度的图像,利用卷积神经网络修复图像,以实现图像增强,完成基于卷积神经网络的图像精度深度优化。实验对比结果表明,此次设计的基于卷积神经网络的图像精度深度优化方法比传统的优化方法优化后的图像精度高,具有较强的实用价值。     

一种基于卷积神经网络的人脸表情自动识别方法

针对传统机器学习方法在人脸表情识别上存在特征提取繁琐、表情识别准确率不高的问题,提出一种基于深度学习的人脸表情自动识别方法.设计了一个卷积神经网络模型,以原始图像数据为输入,中间以卷积层和池化层交替作为隐层进行特征自动提取,最后将提取到的特征数据映射到全连接层,并采用Softmax函数作为分类器计算分类得分概率,实现人脸表情的自动识别分类.在公开的人脸表情数据集CK+上进行实验,结果表明本文方法能更准确地识别人脸表情.     

基于深度学习的验证码识别

验证码被广泛应用于网络环境中对人和计算机行为进行区分,能有效防止自动化脚本的恶意入侵。针对验证码识别问题提出基于深度神经网络的验证码特征提取和识别方法。将灰度化的验证码图像直接作为输入,通过构建7层卷积神经网络对字符由低级到高级的特征表达,并选取Relu函数为非线性激励函数,对验证码图片进行字符特征提取与验证码的识别。采用人工智能深度学习框架Tensorflow对卷积神经网络模型进行训练,通过验证码数据集进行测试。测试结果表明,该模型能有效识别不同复杂程度的验证码,并具有较好的鲁棒性与泛化能力。     

基于卷积神经网络的水下图像增强方法

为了避免传统水下图像增强方法需要人工选取特征,特征提取困难、清晰度低的问题,本文提出一种基于卷积神经网络的水下图像增强方法。首先根据清晰图像,通过水下图像退化模型模拟水下图像形成过程并建立水下图像库。然后,提出一种用于增强水下图像的卷积神经网络模型,该模型可以直接在清晰图像和水下图像之间建立映射关系。最后,通过卷积神经网络提取的图像特征,对水下图像进行恢复。试验结果表明:本文方法较传统方法噪声更少,并且提高了清晰度,为水下图像增强方法的研究提供了新的思路。