-
题名多跳连接残差注意网络的图像超分辨率重建
被引量:2
- 1
-
-
作者
刘遵雄
朱成佳
黄稷
蔡体健
-
机构
华东交通大学信息工程学院
-
出处
《计算机科学》
CSCD
北大核心
2021年第11期258-267,共10页
-
基金
国家自然科学基金(61861017)
江西省青年科学基金(20181BAB211013)。
-
文摘
随着卷积神经网络深度的不断增加,深度卷积神经网络的训练会变得更加困难。此外,在图像超分辨率中,低分辨率图像的通道特征和输入通常在不同的通道中被平等对待,这就导致了卷积神经网络的表征能力被弱化。为了解决这些问题,提出了一种多跳连接残差注意网络,该网络利用多跳连接中的残差(Residual in Multi-skip Connection,RIMC),构造了具有多个残差组的深度网络。每个残差组包含了一定数量的短跳连接和多跳连接。在RIMC的基础上,主网络被允许穿过多跳连接来绕过丰富的低频信息,同时高频信息也可以被主网络集中地学习。另外,考虑到通道和空间维度的相互依赖关系,提出了注意机制块(Attention Mechanism Block,AMBlock)来关注信息的位置,并自适应地调整通道特征尺度,其中通道注意机制和空间注意机制被应用在这种方式中。实验结果表明,该网络可以更好地恢复图像细节,获得更高的图像质量和网络性能。
-
关键词
图像超分辨率
注意机制块
残差网络
多跳连接中的残差
跳连接
-
Keywords
Image super-resolution
Attention mechanism block
Residual network
Residual in multi-skip connection
Skip connection
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名一种基于多跳注意残差网络的调制识别算法
- 2
-
-
作者
侯艳丽
刘春晓
-
机构
河北科技大学信息科学与工程学院
-
出处
《电子信息对抗技术》
2024年第3期27-34,共8页
-
基金
河北省重点研发计划项目(21355901D)。
-
文摘
为了进一步提升通信信号调制识别的准确率,在ResNet网络的基础上提出一种基于多跳注意残差网络(Multi-skip Attention Residual Network,MARN)的调制识别方法。该方法利用提取不同特征的卷积核进行多跳连接构建3种残差块,进而构建多跳残差网络,提取信号的时域特征;加入CBAM(Convolutional Block Attention Module)注意力机制自适应地调整通道权重,加强信号特征的表征能力;采用自适配归一化(Switchable Normalization,SN)加速网络收敛;加入丢弃率为0.3的AlphaDropout层,提高算法的拟合能力,最终实现对通信信号端到端的分类识别。在RadioML2018.01a数据集上仿真实验,结果表明在信噪比为-10~15 dB下,MARN网络平均识别率达到63.3%,较ResNet网络的平均识别率提升3.7%。
-
关键词
调制识别
多跳连接
残差网络
注意力机制
自适配归一化
-
Keywords
modulation recognition
multi-skip connection
residual network
attention mechanism
switchable normalization
-
分类号
TN911.3
[电子电信—通信与信息系统]
-