多阶段特征蒸馏加权的轻量级图像超分辨率网络

针对在轻量化网络中提取底层特征感受野不足以及缺乏对局部关键特征强化的问题,提出一种多阶段特征蒸馏加权的轻量级图像超分辨率网络LMSWN。首先,通过类金字塔模块扩大对浅层特征提取时的感受野,融合不同尺度的特征信息,丰富网络的信息流;其次,设计多阶段残差蒸馏加权模块用于增强方形卷积提取局部关键特征的能力,以恢复更多细节信息提高重建性能,同时将通道分离与1×1卷积结合共同实现对特征的逐级蒸馏,减少网络参数量;最后,引入2个自适应参数对多阶段残差蒸馏加权模块的2条支路特征进行联合学习,提升对不同层次特征信息的关注度,进一步增强网络的表征能力。实验结果表明,在Set 5、Set 14、BSD 100、Urban 100和Manga 109这5个基准测试集上的实验充分验证了所提网络的有效性,其性能超过了当前主流轻量级网络。

基于样本间变异系数改进的自适应谱聚类算法

针对谱聚类算法尺度参数敏感且依赖性强,选取最佳尺度参数困难的问题,提出基于样本间变异系数改进的自适应谱聚类算法(CV_SC).该算法定义能够反映每个样本数据分布信息的标准差和均值,避免尺度参数受噪声点的影响;利用其标准差和均值计算变异系数,以变异系数的倒数作为局部尺度参数,实现尺度参数的自适应选择.多组UCI数据集的对比结果表明,CV_SC算法能够自适应地选取尺度参数且避免了噪声点影响,具有良好的聚类性能和鲁棒性.