基于深度展开和双流网络的高光谱图像融合

针对基于深度学习的高光谱图像融合算法通常堆积多个卷积以学习映射关系、没有充分利用问题的特性以及缺乏可解释性等问题,提出一种结合深度展开与双流网络的深度网络。首先使用卷积稀疏编码建立融合模型,该模型将低分辨率高光谱图像(Low-resolution hyperspectral images,LR-HSI)和高分辨率多光谱图像(high-resolution multispectral images,HR-MSI)映射到低维子空间中。在融合模型设计中,考虑了LR-HSI和HR-MSI的共有信息以及LR-HSI的独有信息,并将HR-MSI作为辅助信息加入模型中。其次将该融合模型展开为可学习的可解释深度网络。最后,使用双流网络获取更精确的高分辨率高光谱图像(High-resolution hyperspectral images,HR-HSI)。实验表明,该网络在高光谱图像融合中可以获得出色的效果。

超分辨光学图像深度展开网络

提出了一种用于光学图像超分辨的深度展开网络。该网络将传统优化算法和深度学习算法相结合,使得最终的网络既具有可解释性,又拥有神经网络的强大拟合性。为了增强网络的目标图像多尺度特征提取能力,提出了多尺度空洞卷积注意力模块,该模块可以有效地提取目标图像的多尺度特征,并对重要特征赋予较大的权重,提高网络性能。实验表明,该网络能够有效恢复图像的细节信息,实现降质图像较好的超分辨重建效果。

基于可显式证明梯度网络的压缩感知磁共振成像算法研究

压缩感知磁共振成像旨在利用观测的欠采样k空间数据重建原始的磁共振图像。近些年,在该图像重建任务中,展开算法引起了学者们的广泛关注。然而,现有展开算法仍然存在重建质量较低的问题。此外,由于先验网络的复杂结构,设计的先验网络通常缺乏模型架构可解释性,因此证明先验网络满足展开算法的收敛条件,例如Lipschitz条件,是具有挑战性的。为解决这些问题,本文提出一种可显式证明的梯度网络,证明了其满足Lipschitz条件,并分析了基于该梯度网络的展开算法的收敛性。此外,本文提出一种基于梯度网络的正则化模型,同时基于该模型构建了相应的重建优化模型,并利用交替优化方法进行了求解,最终将展开算法构建为深度展开网络。仿真实验结果表明,该深度展开网络在多种采样率下的平均峰值信噪比相较于DLMRI、NLR、BM3D-MRI、BM3D-AMP、ADMM-CSNet和IDPCNN算法分别高出2.62 dB、1.59 dB、1.61 dB、2.05 dB、0.51 dB和0.53 dB。此外,该深度展开网络重建的膝关节图像保留了图像细节,取得了良好的视觉效果,证明所构建的深度展开网络的有效性。

基于伪监督注意力短期记忆与多尺度去伪影网络的图像分块压缩感知

基于深度展开网络的分块压缩感知(BCS)方法,在迭代去块伪影时通常会同时去除部分信号和保留部分块伪影,不利于信号恢复。为了改善重建性能,在学习去噪的迭代阈值(LDIT)算法基础上,该文提出基于伪监督注意力短期记忆与多尺度去伪影网络(MSD-Net)的图像BCS迭代方法(PSASM-MD)。首先,在每步迭代中,利用残差网络并行地对每个图像子块单独去噪后再拼接。然后,对拼接后的图像采用含有伪监督注意力模块(PSAM)的MSD-Net进行特征提取,以更好地去除块伪影以提高重建性能。其中,PSAM被用于从含有块伪影的残差中抽取部分有用信号,并传递到下一步迭代实现短期记忆,以尽量避免去除有用信号。实验结果表明,该文方法相比现有先进的同类BCS方法在主观视觉感知和客观评价指标上均取得了更优的结果。

基于深度展开ISTA网络的混合源定位方法

针对嵌套阵列下近场和远场混合源定位问题,本文通过构建和训练深度展开迭代收缩阈值算法(Iterative Shrinkage Thresholding Algorithm,ISTA)网络实现混合源的波达方向(direction of arrival,DOA)和距离参数估计。首先考虑到近场源协方差矩阵具有Hermitian矩阵形式,远场源协方差矩阵具有Hermitian和Toeplitz矩阵形式,通过将混合源协方差矩阵进行差分可以得到近场源差分向量,其中近场源差分向量转换到实数域,可以显著降低深度展开ISTA网络的计算复杂度。接着将不同参数下的近场源差分向量和近场源真实空间谱进行配对作为训练样本,对近场源深度展开ISTA网络进行训练,其中深度展开ISTA网络的隐藏层对应模型驱动ISTA方法的迭代步骤。然后利用估计出的近场源DOA和距离参数,通过子空间差分方法得到远场源协方差向量。最后将不同参数下的远场源协方差向量和远场源真实空间谱进行配对作为训练样本,对远场源深度展开ISTA网络进行训练,其中远场源协方差向量同样转换到实数域。在深度展开ISTA网络的训练过程中,损失函数只与重构误差和网络输出的稀疏性有关,不需要混合源的标签,可以认为是无监督学习。仿真实验表明所提出的深度展开ISTA网络能够实现混合源识别和定位。此外所提出的深度展开ISTA网络具有可解释参数,对近场和远场混合源的离网格参数估计具有泛化能力。相较于模型驱动ISTA方法,经过训练的深度展开ISTA网络的收敛速度更快,对近场和远场混合源定位的精度更高。

基于深度展开的SAR大斜视RD成像算法

大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。

MoGN:模型引导的遥感图像融合网络

全色锐化是一种常见的图像融合技术,旨在融合卫星提供的高空间分辨率的全色图像和低空间分辨率的多光谱图像,得到高空间分辨率的多光谱图像。结合模型优化与深度学习方法的优势,提出一种模型引导的全色锐化神经网络(MoGN)。基于观测模型和融合图像的深度先验构建了一个全色锐化函数,对目标函数进行求解并将其迭代解展开为深度网络,其中空间退化和光谱退化过程通过设计专用的子网络进行近似,深度先验则由基于Unet架构的去噪器进行近似。降分辨率和全分辨率下的实验结果都证明了所提出方法的有效性。

基于CV-FISTA网络的稀疏孔径ISAR成像方法

逆合成孔径雷达(inverse synthetic aperture radar,ISAR)在雷达目标识别、空间监视和弹道导弹防御等领域发挥着重要作用。针对传统稀疏孔径ISAR成像算法对参数敏感和收敛速度慢的问题,提出一种基于复值快速迭代收缩阈值算法网络的稀疏孔径ISAR成像恢复方法。将加速近端梯度方法引入稀疏重构算法中,并将其迭代步骤构建为深度展开网络的隐藏层,构建初始参数相同的随机散射点和飞机散射点的数据集,将复值一维距离像作为网络的输入,利用ISAR像对应的标签对网络进行训练和验证。该方法直接处理复数数据替代传统的分实虚部两路计算方法,显著减少了计算负担。仿真实验表明,相较于传统模型驱动算法,通过对网络进行训练避免了手动调参过程,收敛速度更快,成像质量更高,而且对于特征差异较大的数据具有更好的泛化能力。

稀疏统计学习及其最新研究进展综述

稀疏性意谓可以仅用少数位于低维子空间的参数(特征变量)近似表示高维空间的复杂物理过程,是实际应用中普遍存在的性质.稀疏统计学习旨在探索高维数据的稀疏性,并进行统计建模和推断.文章综述了基于回归分析的稀疏统计学习模型及其最新研究进展.主要介绍了各类带有凸或非凸正则项的稀疏回归模型,特别是L_(1/2)正则化框架的算法和应用.近10年来,深度学习取得革命性进展,结合传统稀疏统计学习模型与深度神经网络的研究逐渐受到了广泛的关注.文章主要介绍了基于稀疏建模的深度学习方法和数据驱动的稀疏统计分析方法,前者包括深度网络展开等,后者则包括深度哈希学习及深度典型相关分析.最后,文章进行了总结,并展望了未来可能的研究方向.

稀疏阵列波达方向估计研究进展

波达方向(direction of arrival,DOA)估计是阵列信号处理领域的重要研究方向,也是电子侦察与电子攻击领域的关键技术之一。以提高DOA估计精度和降低计算复杂度为导向,结合模型驱动和数据驱动方法的各自优势,提出了基于深度展开网络的DOA估计统一框架,阐述了稀疏阵列离网格DOA估计、无网格DOA估计以及混合信号参数估计等方面的研究进展。对复杂信号模型下的DOA估计、深度展开网络性能分析与挖掘以及分布式稀疏阵列回波信号融合处理等后续的研究内容进行了展望。

基于可训练对偶标架的模型驱动并行压缩感知磁共振成像算法及其收敛性分析

并行压缩感知磁共振成像(parallel compressive sensing magnetic resonance imaging,p-CSMRI)算法旨在利用多线圈采样的部分k域数据重建原始图像。近些年基于学习的模型驱动p-CSMRI算法以较高的重建质量受到了广泛的关注,然而其先验网络架构通常基于经验设计,缺乏模型可解释性,导致算法收敛性难以分析。因此,该文构建了可证明有界的深度去噪器,并将其作为先验模块融合到模型驱动的p-CSMRI网络中,提出了收敛性可分析的深度展开p-CSMRI算法。首先基于对偶标架结合设计的深度阈值网络,构建了满足有界条件的深度去噪器;其次构建了基于对偶标架的p-CSMRI优化模型,并将对应的迭代步骤展开成了一个可端到端有监督训练的深度神经网络;最后利用可证明有界的先验模块提出了可分析收敛性的算法框架。仿真实验表明,在4倍加速因子下,通过所提算法重建图像的峰值信噪比相较Modl、 VN和VS-Net算法分别提高了1.70、 1.45和0.46 dB。该文从理论层面证明了构建的深度去噪器满足有界条件,并分析了所提算法的收敛性。