基于改进DenseNet的图像分类

DenseNet是图像处理领域的一个经典模型,该模型通过在每一层进行通道连接实现了前后层之间的密切信息交流,其在图像分类相关领域展现出了优越的性能。本文对DenseNet模型进行修改,通过对模型中池化层的修改来防止建模过程中的下采样对网络平移不变性的破坏。同时在DenseNet模型的每一层引入非局部算子来完成对图像长程依赖的建模,从而提高图像分类精确度。本文在Cifar10数据集上对改进后的DenseNet模型进行了训练,实验结果表明池化层的修改和非局部算子的引入不仅使得模型的参数量下降,同时使得模型的图像分类准确率增加,提升了DenseNet模型的性能。

深度特征蒸馏轻量化超分辨率重建

在图像超分辨率重建领域,基于深度卷积神经网络的模型已取得显著效果,但移动设备的部署和实时应用场景的需求使得模型轻量化成为亟待解决的问题。为了降低模型的参数量与计算量,本文基于残差特征蒸馏网络做了改进:将深度超参数化卷积引入到特征蒸馏模块中,使其能够学习到更多样化的特征。实验表明,本文模型与主流轻量化模型相比,在减少参数量与计算量的同时能够有效提升图像在密集纹理区域的重建效果。