检索结果-内蒙古大学图书馆

计算机工程 2024年第2期50卷 247-255页

作者：何银银胡静陈志泊张荣国太原科技大学计算机科学与技术学院山西太原030024 北京林业大学信息学院北京100083

针对低光照图像增强过程中存在的配对图像数据依赖、细节损失严重和噪声放大问题,提出结合门控通道变换机制和生成对抗网络(GAN)的低光照图像增强方法AGR-GAN,该方法可以在没有低/正常光图像对的情况下进行训练。首先,设计特征提取网络... 详细信息

针对低光照图像增强过程中存在的配对图像数据依赖、细节损失严重和噪声放大问题,提出结合门控通道变换机制和生成对抗网络(GAN)的低光照图像增强方法AGR-GAN,该方法可以在没有低/正常光图像对的情况下进行训练。首先,设计特征提取网络,该网络由多个基于门控通道变换单元的多尺度卷积残差模块构成,以提取输入图像的全局上下文特征和多尺度局部特征信息;然后,在特征融合网络中,采用卷积残差结构将提取的深浅层特征进行充分融合,再引入横向跳跃连接结构,最大程度保留细节特征信息,获得最终的增强图像;最后,引入联合损失函数指导网络训练过程,抑制图像噪声,使增强图像色彩更自然匀称。实验结果表明,该方法在主观视觉分析和客观指标评价方面相较其他算法均具有显著优势,其能有效提高低光照图像的亮度和对比度,减弱图像噪声,增强后的图像更清晰且色彩更真实,峰值信噪比、结构相似度和无参考图像质量评价指标平均可达16.48 dB、0.93和3.37。

关键词：低光照图像增强卷积残差结构门控通道变换单元无监督学习生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于残差结构网络的高光谱图像分类方法研究

基于残差结构网络的高光谱图像分类方法研究

引用

作者：席智鹏江西科技师范大学

学位级别：硕士

高光谱图像(Hyperspectral Image--HSI)主要由空间、光谱和辐射信息构成,能够多尺度、多角度以及多维度描述客观世界,因此高光谱图像分类任务当今广泛应用在农业监测、灾害预警以及医学检测等领域。现如今,高光谱图像分类算法可以主要... 详细信息

高光谱图像(Hyperspectral Image--HSI)主要由空间、光谱和辐射信息构成,能够多尺度、多角度以及多维度描述客观世界,因此高光谱图像分类任务当今广泛应用在农业监测、灾害预警以及医学检测等领域。现如今,高光谱图像分类算法可以主要归为几下几种:1)在早期工作中,基于2D卷积操作的分类方法被提出用于高光谱图像分类,如2D-CNN,其主要是将高光谱图像看作常见二维光学图像提取空间信息;2)根据高光谱图像包含较多的光谱信息这一特性,基于3D卷积操作的分类方法被提出用于高光谱图像分类,如3D-CNN,其主要是利用高光谱图像中的光谱信息;3)相比于前两种使用单一卷积操作实现HSI分类,一些学者尝试将不同卷积融合在一起,如提出的Hybrid SN简单融合了2D卷积操作和3D卷积操作实现HSI分类;4)HSI成像时一般处于大气层,因此会受到非人为因素影响,如水汽、雾气、光照等,所以一系列去除这些自然因素的相关算法相继出现,通过去噪、去雾获取高质量高光谱图像,提升网络模型对HSI分类性能。在训练样本充足的情况下,以上工作在高光谱图像分类领域取得了一定成绩,然而在实际情况下有时无法获得足够数据,随着训练样本数据的减少,依靠单一卷积操作传统方法无法提取足够有效特征图信息,生成的预测图中会出现较多错误分类区域。针对以上工作存在的缺陷和不足,在训练样本较少情况下保证网络模型的准确率,提出了以下工作:1)提出以残差结构为基础,3D、2D卷积交叉混的方式获取高光谱图像中的光谱信息和空间信息,完成高光谱图像分类;2)在同样基于残差结构的情况下,探究了多注意力模块对高光谱图像分类任务中的表现,构建了多注意力网络模型MA-Net实现高光谱图像分类,详细情况如下:(1)工作一:在数据处理阶段采用主成分分析(PCA)来减少冗余光谱以减少计算,设计3D卷积残差结构负责提取光谱特征,由2D残差结构负责提取特征图中的空间信息,此外还设计了一个辅助特征提取(AFE)结构负责连接前两个结构。通过将3D和2D残差结构与AFE融合,提出了一种名为CMR-CNN的端到端卷积神经网络用于HSI分类。(2)工作二是以残差结构为基础探索多注意力多高光谱图像分类的影响:利用SEBlock捕捉特征图局部具有判别性的区域;利用GCP模块提高模型鲁棒性;最后将两个注意力模块获得的特征图利用相加的方式融合在一起送入分类器Vi T进行分类;Vi T利用编码解码的方式获得特征图中相邻像素的位置信息,最终得到分类结果。(3)提出的两项高光谱图像分类模型在五个不同的公共高光谱图像数据集Indian Pines、University of Pavia、Salinas Scene、KSC和Xuzhou进行试验,结果表明与一些最先进的方法相比,所提出的两个高光谱图像分类网络模型在整体准确率(OA)、平均精度(AA)和Kappa值三个评价指标上取得了较好的分类结果。

关键词：卷积神经网络高光谱图像分类光谱空间信息卷积残差结构 AFE 注意力结构

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：