基于宽深超分辨率网络的信道估计方法

在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率(Wide Deep Super-resolution,WDSR)网络的信道估计方法,把导频值通过最小二乘估计(Least Squares,LS)初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。

基于深度学习的图像超分辨率重建优化研究

文章以图像超分辨率重建为研究对象,围绕深度学习方法中的超分辨率卷积神经网络(Super Resolution Convolutional Network,SRCNN)展开研究,同时引入基于正则化的优化方法。文章首先对SRCNN的基本框架进行深入研究,其次提出一种正则化优化方法,最后采用DIV2K数据集验证优化方法在图像重建任务中的有效性。实验结果表明,采用正则化优化的SRCNN在保真度和结构相似性方面均取得了显著提升。

基于超分辨率重建的隐藏物品检测

针对图像模糊以及隐藏物品特征不明显问题,研究了一种更有效的被动毫米波雷达图像隐藏物品检测方法。该方法首先使用超分辨卷积神经网络对原始低分辨图像进行超分辨重建,然后使用直方图阈值分割技术对图像进行二值化处理,最后使用YOLOv3进行目标检测,被动毫米波雷达图像处理结果验证了提出方法对隐藏物品检测的有效性。由结果可见,通过SRCNN算法对图像进行超分辨率重建后,图像质量得到了改善,再利用深度学习算法可较准确地识别隐藏物品的位置、类别和置信度。

基于FSRCNN的图像超分辨率重建算法优化研究

针对快速超分辨率重建卷积神经网络(FSRCNN)算法在特征提取阶段只采用一个卷积层,从而导致提取的特征不够准确的问题,改变网络结构,增加一个卷积层用于特征提取。针对FSRCNN算法在将反卷积层置于最后,使得图像在放大重建的过程中存在较大的重建随机性,改变网络结构,将反卷积层置于特征提取层的前面,使得放大重建的图像在训练过程中进行特征提取。经过大量的对比实验仿真证明,改进了网络结构的FSRCNN模型在一定程度地增加算法复杂度的同时提高了图像重建的质量,在一定硬件平台的支持下可以更好地处理图像超分辨率重建的问题。

深度学习方法在海浪有效波高数据高分辨率处理中的应用

本文基于欧洲中期天气预报中心的有效波高数据,运用传统的双三次插值(Bicubic interpolation)、克里金插值(Kriging interpolation)以及两种改进的超分辨率卷积神经网络(Super-Resolution CNN,简称SRCNN)进行高分辨率处理,使用峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、均方根误差(Root-Mean-Square Error,RMSE)、结构相似度(Structural Similarity,SSIM)、余弦相似性(Cosine Similarity)等评价指标比较了各种方法的高分辨率处理效果,并分析了每种方法的误差分布特点。结果表明,改进的SRCNN方法(SRCNN_2)是一种在整体效果、局部细节和计算效率方面均比较优秀的高分辨率处理方法,是深度学习方法在海洋数据高分辨率处理问题上一次成功的应用,但改进的SRCNN方法在近岸有效波高数据的处理效果方面还有待提高。

基于多特征融合与XGBoost的肺结节检测

为了提高肺结节检测的精确度和效率,提出一种基于多特征融合和XGBoost的肺结节检测模型。首先采用阈值分割与形态学运算,获得候选结节区域;然后通过基于超分辨率重建的卷积神经网络进行候选结节的特征增强;其次采用快速鲁棒特征、灰度共生矩阵、灰度不变矩的提取方法获得候选结节的局部与全局的多种特征,采用词袋模型进行降维并融合;最后利用XGBoost-决策树分类模型去除假阳性结节,完成肺结节的检测。在LIDC-IDRI数据上进行的实验表明该模型能达到97.87%的准确率和97.92%的召回率。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。

基于SRCNN的QR二维码-人脸重构算法

针对人脸识别技术存在的缺少生物信息的隐私保护、有很大的信息泄露风险问题,提出基于超分辨率卷积神经网络的QR二维码-人脸重构算法。该算法将获取到的人脸特征信息转化为QR二维码,并生成QR二维码图片,然后将存储的QR二维码图片与人脸特征信息对比,当比对结果达到一定阈值,实现人脸识别。该算法实现了QR二维码与人脸信息的重构,保证了人脸生物信息的准确、快速传递,也提高了人脸识别率,为生物信息的安全性和隐私保护提供了一种有效途径。

Research on single image super-resolution based on very deep super-resolution convolutional neural network

Single image super-resolution(SISR)is a fundamentally challenging problem because a low-resolution(LR)image can correspond to a set of high-resolution(HR)images,while most are not expected.Recently,SISR can be achieved by a deep learning-based method.By constructing a very deep super-resolution convolutional neural network(VDSRCNN),the LR images can be improved to HR images.This study mainly achieves two objectives:image super-resolution(ISR)and deblurring the image from VDSRCNN.Firstly,by analyzing ISR,we modify different training parameters to test the performance of VDSRCNN.Secondly,we add the motion blurred images to the training set to optimize the performance of VDSRCNN.Finally,we use image quality indexes to evaluate the difference between the images from classical methods and VDSRCNN.The results indicate that the VDSRCNN performs better in generating HR images from LR images using the optimized VDSRCNN in a proper method.