残差卷积自编码网络图像去噪方法

传统图像去噪模型一般为浅层线性结构,特征提取能力有限,而现有基于深度学习的图像去噪模型存在去噪效率低、泛化能力弱等问题.针对上述缺点,以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本网络结构,提出多功能去噪残差卷积自编码神经网络(DRCAENNm)和去噪残差卷积自编码神经网络(DRCAENN)两种基于深度学习...     

基于生成对抗网络的运动模糊图像复原

针对相机成像时相机抖动、物体运动等导致图像产生运动模糊这一十分具有挑战性的问题，提出基于生成对抗网络的深度卷积神经网络来复原模糊图像的解决方案。该方案省略了模糊核估计的过程，采用端对端的方式直接获取复原图像；通过引入生成对抗网络思想的对抗损失和对残差网络进行改进，有效地复原了图像的细节信息。最后通过训练此深度卷积神经网络模型并在相关模糊复原基准数据集上测试，证明了该方案取得了较好的结果。     

基于改进残差网络的模糊图像无损复原方法

图像拍摄过程中,由于受到错误拍摄操作等因素的影响,图像会出现信息受损等退化现象,其中图像模糊是最为典型的图像退化问题。本次研究以改进常规的残差网络为基础设计了模糊图像无损复原方法。为解决图像模糊中常见的运动模糊,首先通过线性点扩散函数仿真简单的运动模糊模型,并采集模糊图像。其次,通过与跳层结构相结合的方式优化常规的残差网络,解决因网络深度增加带来的梯度弥散和梯度爆炸问题,简化优化后的残差网络结构。最后,将模糊图像输入到优化后的残差网络中,完成模糊图像无损复原。实验表明,该方法提高了图像的高频率细节,有效保留了图像边缘特性,复原效果较好。     

基于双通道残差网络的水下图像去噪研究

水下图像去噪作为探索海底世界有效的辅助手段之一,备受研究人员的关注。传统的滤波方法存在去噪过程中容易损坏图像的细节,带有明显的噪声残留,且根据不同的噪声类型设计相应滤波器的问题,在深度卷积神经网络的基础上,提出一种改进的双通道残差卷积神经网络模型,用于去除水下图像的噪声。该模型由局部残差网（LRN）、全局稀疏网（GSN）和特征处理块（FPB）构成。通过双通道LRN和GSN并行提取水下图像的多层次局部噪声特征和全局噪声特征,利用FPB中的通道连接融合LRN和GSN提取的噪声特征,并使用其卷积层增强水下图像噪声信息。在此基础上,使用均方误差和平均绝对误差双损失函数优化网络参数,利用卷积层重构水下图像。实验结果表明,相比BM3D、IRCNN、DnCNN等方法,该方法的平均峰值信噪比提高0.02～3.52 dB,在有效去除各种水平的随机噪声同时能重构清晰的水下图像。     

融合运动信息的图像运动模糊去除算法

现有运动去模糊算法难以有效复原含有大尺度旋转的复合运动模糊,针对此问题提出了一种基于U-net模型的神经网络框架。该框架通过融合运动信息至网络输入,给定每一像素点不同的运动约束。经过网络的编码器与解码器结构,得到每一像素点的预测值,实现端对端的方式直接获得复原图像。实验在通用数据集上与当前先进去模糊算法进行比较,该方法相比性能最好的算法PSNR(peak signal-to-noise ratio)值提高了0.14 dB,相比实时性最好的算法运行时间减少了0.1 s;同时在含有旋转运动的测试集上进行验证,证明了该算法可获得较好的复原质量。     

基于改进残差网络的扬尘图像识别方法

当前利用深度学习方法进行扬尘图像识别的研究较少,一些传统的方法使得扬尘图像的识别率较低.针对这种情况,提出一种基于改进残差网络的扬尘识别方法.该方法将ResNet-50网络应用到扬尘数据集中,并对其网络结构进行了改进.加入空间金字塔池化以解决输入图像尺寸不固定的问题,并且将金字塔池的策略改为平均池化,将扩大特征图的方法应用到主干网络中,有利于提取到更加细粒度的特征,提升模型的性能,从而提高识别率.实验结果表明,该方法具有很高的精确度,为扬尘识别提供了一种有效的方案.     

一种改进的深度残差网络行人检测方法

为了提高行人检测方法的准确率,针对行人图像特征,提出一种基于深度残差网络和YOLO(You Only Look Once)方法的行人检测方法。以加强行人特征表达为目的,通过分析行人在图像中的表达和分布特征,提出一种不影响实时性的矩形输入深度残差网络分类模型以改进YOLO检测方法,使模型能够更好的表征行人;为了进一步提高模型的准确率和泛化能力,采用了混合行人数据集训练的方式,提取VOC数据集的行人数据与INRIA数据集组成混合数据集进行训练,明显降低了漏检率;并且利用聚类分析预测框的方法重新设计了初始预测框,提高行人定位能力并加快收敛。经公开的INRIA数据集的测试实验证明,本方法较主流的行人检测方法每张图片误检率有明显改善,降低至13.86%,有1.51%至58.62%不同程度的提升,并且本方法拥有良好的实时性和泛化能力,实用性强。     

基于深度残差网络的人脸表情识别

针对深度卷积神经网络随着卷积层数增加而导致网络模型难以训练和性能退化等问题,提出了一种基于深度残差网络的人脸表情识别方法。该方法利用残差学习单元来改善深度卷积神经网络模型训练寻优的过程,减少模型收敛的时间开销。此外,为了提高网络模型的泛化能力,从KDEF和CK+两种表情数据集上选取表情图像样本组成混合数据集用以训练网络。在混合数据集上采用十折（10-fold）交叉验证方法进行了实验,比较了不同深度的带有残差学习单元的残差网络与不带残差学习单元的常规卷积神经网络的表情识别准确率。当采用74层的深度残差网络时,可以获得90.79%的平均识别准确率。实验结果表明采用残差学习单元构建的深度残差网络可以解决网络深度和模型收敛性之间的矛盾,并能提升表情识别的准确率。     

基于稠密残差网络的图像超分辨率重建算法

图像超分辨率重建作为一种廉价方便的图像增强手段,在视频监控、医学成像、卫星遥感等领域有着重要的研究意义.为此结合深度学习在图像重建的性能优势,提出了一种基于增强稠密残差网络(ERDN)的图像超分辨率重建模型.首先使用多卷积核的稠密残差神经网络模块,提取图像的细节信息;然后通过跳跃连接和特征复用模块对多层图像信息进行筛选...     

基于深度卷积神经网络的图像检索算法研究

为解决卷积神经网络在提取图像特征时所造成的特征信息损失,提高图像检索的准确率,提出了一种基于改进卷积神经网络LeNet-L的图像检索算法。首先,改进LeNet-5卷积神经网络结构,增加网络结构深度。然后,对深度卷积神经网络模型LeNet-L进行预训练,得到训练好的网络模型,进而提取出图像高层语义特征。最后,通过距离函数比较待检图像与图像库的相似度,得出相似图像。在Corel数据集上,与原模型以及传统的SVM主动学习图像检索方法相比,该图像检索方法有较高的准确性。经实验结果表明,改进后的卷积神经网络具有更好的检索效果。     

融合CNN和Transformer的图像去噪网络

目前基于深度学习的图像去噪算法无法综合考虑局部和全局的特征信息, 进而影响细节处的图像去噪效果, 针对该问题, 提出了融合CNN和Transformer的图像去噪网络(hybrid CNN and Transformer image denoising network, HCT-Net). 首先, 提出CNN和Transformer耦合模块(CNN and Transformer coupling block, CTB), 构造融合卷积和通道自注意力的双分支结构, 缓解单纯依赖Transformer造成的高额计算开销, 同时动态分配注意力权重使网络关注重要图像特征. 其次, 设计自注意力增强卷积模块(self-attention enhanced convolution module, SAConv), 采用递进式组合模块和非线性变换, 减弱噪声信号干扰, 提升在复杂噪声水平下识别局部特征的能力. 在6个基准数据集上的实验结果表明, HCT-Net相比当前一些先进的去噪方法具有更好的特征感知能力, 能够抑制高频的噪声信号从而恢复图像的边缘和细节信息.     

基于集成分类型深度神经网络的视网膜眼底血管图像分割

深度学习;卷积神经网络;图像分割;集成学习     

结合Inception模型的卷积神经网络图像去噪方法

为更有效地去除图像中的噪声，提出一种结合Inception模型的深度卷积神经网络（Convolutional Neural Network，CNN）图像去噪方法，以完整图像作为输入和输出，利用Inception结构密集提取原始图像和噪声多个不同空间尺度的特征，并采用多种调优策略，增强网络的整体学习能力。为避免梯度消失，使用线性修正单元（Rectified Linear Unit，ReLU）激活函数；为加速网络的训练，增加批量规范化（Batch Normalization，BN）操作；加入跳跃结构进行残差学习（Residual Learning，RL），提升网络的去噪性能。基于公共数据集BSDS300的三种高斯噪声等级实验结果表明，与其他图像去噪方法相比，模型在降低计算复杂度、提高收敛速度的同时，视觉效果更好，平均峰值信噪比（Peak Signal to Noise Ratio，PSNR）提升了约1.28 dB。     

基于循环神经网络的多阶段图像去噪方法

图像在采集和传输过程中往往受到噪声污染,去噪任务是图像预处理中的重要步骤.现有的基于深度学习的图像去噪方法往往只进行单次的去噪,容易产生过于平滑或者太多噪点未去除的结果且无法恢复.因此,本文提出了一种基于循环神经网络的多阶段图像去噪方法.该方法包括两个去噪阶段,通过调整两个阶段的训练权重可以使得第1阶段的去噪结果包含部...     

基于轻量级深层卷积神经网络的花卉图像分类系统

为解决深层卷积神经网络（Deep convolutional neural network, DCNN）模型在算力弱、存储成本高的AI边缘计算设备上难以高效应用的现实问题,本文利用重量级网络辅助训练轻量级网络,设计了一种基于轻量级神经网络的花卉图像分类系统。首先利用重量级DCNN并结合迁移学习、爬虫技术与最大连通区域分割方法,构建了适用于轻量级网络训练的扩充花卉数据集。然后基于Tiny-darknet与Darknet-reference两种网络及扩充后的花卉数据集训练得到两种面向弱算力设备的轻量级DCNN模型。训练得到的两种花卉分类网络在Oxford102花卉数据集上的平均分类准确率可达98.07%与98.83%,模型大小分别为4 MB与28 MB,在AI边缘计算设备中具有较好的应用前景。     

多尺度渐进式残差网络的图像去雨

目的 现有的去雨方法存在去雨不彻底和去雨后图像结构信息丢失等问题。针对这些问题,提出多尺度渐进式残差网络(multi scale progressive residual network, MSPRNet)的单幅图像去雨方法。方法 提出的多尺度渐进式残差网络通过3个不同感受野的子网络进行逐步去雨。将有雨图像通过具有较大感受野的初步去雨子网络去除图像中的大尺度雨痕。通过残留雨痕去除子网络进一步去除残留的雨痕。将中间去雨结果输入图像恢复子网络,通过这种渐进式网络逐步恢复去雨过程中损失的图像结构信息。为了充分利用残差网络的残差分支上包含的重要信息,提出了一种改进残差网络模块,并在每个子网络中引入注意力机制来指导改进残差网络模块去雨。结果 在5个数据集上与最新的8种方法进行对比实验,相较于其他方法中性能第1的模型,本文算法在5个数据集上分别获得了0.018、0.028、0.012、0.007和0.07的结构相似度(structural similarity, SSIM)增益。同时在Rain100L数据集上进行了消融实验,实验结果表明,每个子网络的缺失都会造成去雨性能的下降,提出的多尺度渐进式网...