基于注意力机制的双路解码器图像去噪方法

目前大多数图像去噪算法在去除图像噪声的同时,通常会丢失图像的细节信息,特别是当噪声强度较大时甚至会出现失真。随着当前神经网络结构普遍趋向于深层设计,导致图像的浅层特征难以与深层特征融合。针对这些问题,提出一种基于注意力机制的双路解码器图像去噪方法。首先,设计一种残差密集块(RDB)来对U-Net网络进行改进,实现网络深度的增加,有效提升模型的稳定性并缓解梯度消失问题;其次,设计一种双路解码器结构,通过在不同尺度的解码器中进行多尺度特征提取,加强深浅层特征的融合;最后,通过在解码器中引入注意力机制,有针对性地捕获图像的边缘信息,增强模型的去噪表现。实验结果表明,相较于现有常见的图像去噪方法,所提方法不仅能够有效去除图像噪声,还能更好地恢复图像纹理细节,同时具有较快的去噪速度,在主观和客观评价中均获得了更好的结果。

基于双路编解码器的卷积神经网络在低照度图像增强和超分辨率中的研究

本文以高清户外直播技术为切入点,针对夜晚场景下受光照条件限制直播画面亮度低、不清晰的问题,提出了一种基于双路编解码器的卷积神经网络,应用于低照度图像增强和超分辨率,有效提升了户外直播的画面质量,降低了对传输带宽的需求,有利于提升户外直播的用户体验。

HDTV机顶盒的实时解码方案

本文首先介绍了机顶盒的产生背景及定义,然后对数字电视机顶盒的基本结构和工作原理进行了描述,在此基础上,提出了一种新的HDTV机顶盒实时解码方案,并给出了模拟结果。

基于序列标注反馈模型的方面信息提取方法

针对已有方面信息提取方法存在信息利用效率低、易受错误传递影响的问题,提出一种基于编码器-解码器架构的序列标注反馈模型,将文本分类特征分为语义特征、词性特征、依赖特征3类,通过双路编解码、门控机制,将语义、词性、标签等信息多次融合,获取并提高最终特征表示能力;为降低错误传递问题对模型性能的不良影响,提出数据增强与反馈方法,将模型判断错误的样本经变换后生成新样本,反馈到训练样本集合中并融入下一轮训练流程,提高模型对各种语言现象的识别接受能力。在两个数据集上进行实验并与现有方法进行对比,实验结果表明,该方法能有效强化信息利用水平,降低错误传递问题的影响,具有更好的性能。