期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到5篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于多尺度特征损失函数的图像超分辨率重建 被引量：10
1
作者 徐亮 符冉迪 +2 位作者 金炜 唐彪 王尚丽 《光电工程》 CAS CSCD 北大核心 2019年第11期1-9,共9页
在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的... 在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。 展开更多
关键词 图像超分辨率重建 稠密卷积神经网络 多尺度特征损失函数 深度学习
在线阅读 下载PDF
线性注意力机制优化的光学与SAR影像匹配方法
2
作者 何巧 《遥感信息》 CSCD 北大核心 2024年第5期171-178,共8页
针对光学与SAR影像间存在非线性辐射畸变导致匹配正确率低的问题,提出线性注意力机制优化的光学与SAR影像匹配方法。该方法利用SuperPoint的描述分支将融合像素级的梯度方向直方图特征进行特征图维度重构,在维度层面增强特征的语义识别... 针对光学与SAR影像间存在非线性辐射畸变导致匹配正确率低的问题,提出线性注意力机制优化的光学与SAR影像匹配方法。该方法利用SuperPoint的描述分支将融合像素级的梯度方向直方图特征进行特征图维度重构,在维度层面增强特征的语义识别能力;在特征匹配阶段,利用线性注意力机制对SuperGlue算法进行优化,同时采用单样本分类准确性约束、全样本全局一致性约束以及局部范围结构一致等多种约束,构建多尺度损失函数进行训练,增强不同尺度下错误匹配的特征区分。利用6组光学与SAR遥感影像进行实验对比,结果表明,该方法相比HOPC、AWOG、CMM-Net及SuperGlue方法,匹配正确率、匹配效率均有较大提升。 展开更多
关键词 影像匹配 灰度信息 特征融合 线性注意力机制 多尺度损失函数
在线阅读 下载PDF
基于增强生成器条件生成对抗网络的单幅图像去雾 被引量：7
3
作者 赵扬 李波 《计算机应用》 CSCD 北大核心 2021年第12期3686-3691,共6页
大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条... 大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低。大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像。这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想。因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像。生成器端以U-Net作为基础架构,通过“整合-加强-减去”的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复。另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复。在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型。实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优。 展开更多
关键词 深度学习 图像去雾 生成对抗网络 增强解码器 多尺度结构相似性损失函数
在线阅读 下载PDF
基于密集连接的单目图像深度估计
4
作者 王泉德 程凯 《华中科技大学学报（自然科学版）》 EI CAS CSCD 北大核心 2023年第11期75-82,共8页
为解决当前单目图像深度估计方法中重复简单的上采样操作导致深度图物体边缘模糊、图像质量较差的问题,提出一种密集连接的单目图像深度估计方法.该方法采用端到端的编码器和解码器结构,从单个RGB图像进行深度估计.编码器引入性能优良... 为解决当前单目图像深度估计方法中重复简单的上采样操作导致深度图物体边缘模糊、图像质量较差的问题,提出一种密集连接的单目图像深度估计方法.该方法采用端到端的编码器和解码器结构,从单个RGB图像进行深度估计.编码器引入性能优良的卷积神经网络EfficientNet-B5,可以高效地提取图像全局上下文特征.解码器设计为密集连接的上采样特征金字塔结构,将全局上下文特征从低分辨率转移到高分辨率,以获得更高质量的深度图.此外,通过设计一种全分辨率多尺度损失函数进一步提升物体边缘的深度估计精度.在NYU Depth V2室内场景深度数据集和KITTI室外场景深度数据集上的训练和测试结果表明:本方法可以产生高精度的深度估计结果,预测的深度图边缘清晰、轮廓分明,所设计的消融实验充分验证了所提出方法各模块的合理性. 展开更多
关键词 计算机视觉 深度学习 单目图像深度估计 编解码器结构 多尺度损失函数
原文传递
基于深度学习的高分辨率遥感影像土地覆盖自动分类方法 被引量：23
5
作者 李国清 柏永青 +2 位作者 杨轩 陈正超 余海坤 《地球信息科学学报》 CSCD 北大核心 2021年第9期1690-1704,共15页
土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为... 土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现:同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。 展开更多
关键词 深度学习 土地覆盖分类 高分辨率 编码解码架构 卷积神经网络 自动分类 残差网络 多尺度损失函数
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部