目的深度卷积网络在图像超分辨率重建领域具有优异性能,越来越多的方法趋向于更深、更宽的网络设计。然而,复杂的网络结构对计算资源的要求也越来越高。随着智能边缘设备(如智能手机)的流行,高效能的超分重建算法有着巨大的实际应用场景。因此,本文提出一种极轻量的高效超分网络,通过循环特征选择单元和参数共享机制,不仅大幅降低了参数量和浮点运算次数(floating point operations,FLOPs),而且具有优异的重建性能。方法本文网络由浅层特征提取、深层特征提取和上采样重建3部分构成。浅层特征提取模块包含一个卷积层,产生的特征循环经过一个带有高效通道注意力模块的特征选择单元进行非线性映射提取出深层特征。该特征选择单元含有多个卷积层的特征增强模块,通过保留每个卷积层的部分特征并在模块末端融合增强层次信息。通过高效通道注意力模块重新调整各通道的特征。借助循环机制(循环6次)可以有效提升性能且大幅减少参数量。上采样重建通过参数共享的上采样模块同时将浅层与深层特征进放大、融合得到高分辨率图像。结果与先进的轻量级网络进行对比,本文网络极大减少了参数量和FLOPs,在Set5、Set14、B100、Urban100和Manga109等基准测试数据集上进行定量评估,在图像质量指标峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)上也获得了更好的结果。结论本文通过循环的特征选择单元有效挖掘出图像的高频信息,并通过参数共享机制极大减少了参数量,实现了轻量的高质量超分重建。
针对单目标柔性作业车间调度问题(Flexible Job shop Scheduling Problem,FJSP),以优化最大完工时间为目标,提出一种自适应灰狼优化(Adaptive Grey Wolf Optimization,AGWO)算法求解该问题。首先,采用离散整数编码方式以及混合初始化规...
详细信息
针对单目标柔性作业车间调度问题(Flexible Job shop Scheduling Problem,FJSP),以优化最大完工时间为目标,提出一种自适应灰狼优化(Adaptive Grey Wolf Optimization,AGWO)算法求解该问题。首先,采用离散整数编码方式以及混合初始化规则生成高质量种群;其次,根据灰狼优化(Grey Wolf Optimization,GWO)算法的社会等级制度,提出一种基于种群规模的自适应社会等级制度分布策略,以提高算法求解速度和稳定性;然后,设计一种新的狼群捕猎和猎物搜索机制,保证种群多样性的同时提高算法的全局探索能力;此外,提出融合基于关键路径和均衡机器负载2种邻域结构的变邻域搜索策略,提高算法的局部搜索能力;最后,通过标准算例验证算法的有效性和可行性。
暂无评论