-
公开(公告)号：CN116385265B
公开(公告)日：2023-10-17
申请号：CN202310360499.6
申请日：2023-04-06
Applicant: 北京交通大学
IPC: G06T3/40 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种图像超分辨率网络的训练方法，所述图像超分辨率网络包括浅层特征提取子网、深层特征提取子网、特征融合子网和图像重建子网，所述深层特征提取子网包括若干个混合注意力模块，所述特征融合子网包括若干个神经窗口全连接条件随机场模块，该训练方法包括将低分辨率图像输入所述图像超分辨率网络对其进行训练的训练步骤；创新性地将条件随机场的思想加入到图像超分辨率模型中，通过像素点与像素点间联系对特征进行约束，进行特征融合，通过混合注意力模块，其结合了移位窗口自注意力、空间注意力及通道注意力，利用它们的互补优势，克服了移位窗口机制因输入像素少，对网络性能提升产生的限制，保留了较强的局部特征表征能力。
-
公开(公告)号：CN116385265A
公开(公告)日：2023-07-04
申请号：CN202310360499.6
申请日：2023-04-06
Applicant: 北京交通大学
IPC: G06T3/40 , G06N3/0464 , G06N3/048 , G06N3/084
Abstract: 本发明涉及一种图像超分辨率网络的训练方法，所述图像超分辨率网络包括浅层特征提取子网、深层特征提取子网、特征融合子网和图像重建子网，所述深层特征提取子网包括若干个混合注意力模块，所述特征融合子网包括若干个神经窗口全连接条件随机场模块，该训练方法包括将低分辨率图像输入所述图像超分辨率网络对其进行训练的训练步骤；创新性地将条件随机场的思想加入到图像超分辨率模型中，通过像素点与像素点间联系对特征进行约束，进行特征融合，通过混合注意力模块，其结合了移位窗口自注意力、空间注意力及通道注意力，利用它们的互补优势，克服了移位窗口机制因输入像素少，对网络性能提升产生的限制，保留了较强的局部特征表征能力。
-
公开(公告)号：CN117689540B
公开(公告)日：2025-02-07
申请号：CN202311505187.6
申请日：2023-11-13
Applicant: 北京交通大学
IPC: G06T3/4053 , G06V10/44 , G06V10/82 , G06V10/776 , G06N3/0495 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/082
Abstract: 一种基于动态重参数化的轻量图像超分辨率方法，包括：S1将预处理后的低分辨率原始图像输入基于CNN的轻量图像超分主干网络与图像重建模块得到超分辨率图像；S2根据超分辨率图像与对应高分辨率原始图像预处理后的真值图像计算损失函数，反向传播更新网络权重；S3根据迭代周期与初始化条件，将该迭代周期中贡献度评分最大的卷积层扩展为增强型面向边缘重参数化分支模块，该迭代周期中所有已经扩展为重参数化分支模块中贡献度评分最小的重参数化分支进行剪枝；重复以上S1‑S3步骤，直至所述主干网络收敛。在不改变主干网络轻量级的网络参数、保持推理速度快的情况下，提高重建性能。相比于其他重参数化方法，可以大幅减少训练时长和内存消耗。
-
公开(公告)号：CN117689540A
公开(公告)日：2024-03-12
申请号：CN202311505187.6
申请日：2023-11-13
Applicant: 北京交通大学
IPC: G06T3/4053 , G06V10/44 , G06V10/82 , G06V10/776 , G06N3/0495 , G06N3/045 , G06N3/0464 , G06N3/084 , G06N3/082
Abstract: 一种基于动态重参数化的轻量图像超分辨率方法，包括：S1将预处理后的低分辨率原始图像输入基于CNN的轻量图像超分主干网络与图像重建模块得到超分辨率图像；S2根据超分辨率图像与对应高分辨率原始图像预处理后的真值图像计算损失函数，反向传播更新网络权重；S3根据迭代周期与初始化条件，将该迭代周期中贡献度评分最大的卷积层扩展为增强型面向边缘重参数化分支模块，该迭代周期中所有已经扩展为重参数化分支模块中贡献度评分最小的重参数化分支进行剪枝；重复以上S1‑S3步骤，直至所述主干网络收敛。在不改变主干网络轻量级的网络参数、保持推理速度快的情况下，提高重建性能。相比于其他重参数化方法，可以大幅减少训练时长和内存消耗。
-
-
-
Search Results
4
records
(took 0.013 seconds)
