针对图像盲超分辨率网络计算参数多、模型庞大的问题,对快速且节省内存的轻量级图像非盲超分辨率网络(fast and memory-efficient image super resulotion network,FMEN)进行改进,提出了一种轻量级的快速且节省内存的图像盲超分辨率网络...
详细信息
针对图像盲超分辨率网络计算参数多、模型庞大的问题,对快速且节省内存的轻量级图像非盲超分辨率网络(fast and memory-efficient image super resulotion network,FMEN)进行改进,提出了一种轻量级的快速且节省内存的图像盲超分辨率网络(fast and memory-efficient image blind super resulotion network,FMEBN)。首先,通过图像退化模块模拟部分真实世界退化空间,使用退化预测模块预测低分辨率(low resolution,LR)图像的退化参数;然后,为能有效利用退化先验信息指导并约束网络进行重建,使用动态卷积对原网络特征提取、重建模块、高频注意力块(high frequency attention block,HFAB)结构进行改进;最后,使用生成对抗网络(generative adversarial network,GAN)对FMEN训练策略与损失函数进行优化,减小真实数据与生成数据的差异,生成更加真实、清晰的纹理、轮廓。实验结果表明,在合成图像数据集和真实图像数据集RealWorld-38上,该算法有较好的重建精度与视觉效果,模型大小12 MB,可以满足图像盲超分辨率网络的轻量级需求。
基于深度学习的目标检测模型在自然场景中所取得的结果难以直接应用于遥感图像,主要原因是遥感图像具有类间相似性、目标尺寸变化大等特点。因此,在面向遥感图像的目标检测中如何实现精确的检测效果仍是需要重点关注的问题。为解决上述问题,提出一种面向遥感图像的两阶段目标检测算法,即基于区域卷积神经网络的特征增强与融合方法(region-based convolutional neural networks with feature enhancement and fusion,FEF-RCNN),该算法设计的分支残差结构利用不同大小的卷积分支和非对称卷积操作得到多样化的特征信息,在提高骨干网络的特征表示能力的同时减少了计算量。随后构建出的重构信息特征金字塔将高低层的语义信息和位置信息进行融合交互,以适应图像中不同尺度的目标。最后,在公开的大规模数据集DOTA中进行充分实验证实该方法的有效性,并获得了77.25%的平均检测精度。
暂无评论