一种基于超分辨率网络的RIS信道估计方法

为了在可重构智能反射面(Reconfigurable Intelligent Surface,RIS)辅助通信系统中精确估计信道,并解决信道估计开销过高的问题,提出了一种基于快速超分辨率卷积神经网络(Fast Super-Resolution Convolutional Neural Network,FSRCNN)的信道估计方案。在信道估计的初始阶段,选择关闭部分反射元件,并借助少量导频信号完成信道估计,将估计结果视为低精度与低分辨率(Low Resolution,LR)的图像,通过线性插值将其扩展为具有低精度的高分辨率(High Revolution,HR)图像。随后,利用FSRCNN提高估计结果的精度,并通过基于深度残差网络的噪声去除模型(CNN-based Deep Residual Network,CDRN)进一步提升信道估计的准确性。数值结果表明,相较于基准方案,所提的信道估计方案在保持低信道估计开销的同时,得到了更准确的信道估计结果。

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。

基于超分辨率增强网络的输煤皮带撕裂检测方法

文章旨在开发一种基于超分辨率增强网络的输煤皮带撕裂检测方法。具体而言,该方法首先将图像输入超分辨率增强网络中,通过分辨率增强技术获得高分辨率图像。然后,将生成的高分辨率图像输入目标检测网络中,以获取输煤皮带的撕裂检测结果。实验结果表明,该方法在实际输煤皮带缺陷检测中取得了良好的效果,展现出了很高的检测精度和成本效益,可以有效地提升工业产品检测的质量,并在节约成本方面具有实际应用的潜力。

基于改进TSRN的图像超分辨率重建算法

针对常用图像超分辨率重建算法生成的超分辨率(SR)图像质量较差的问题,提出一种基于改进文本超分辨网络(TSRN)的图像超分辨率重建算法。在TSRN基础上加入信息蒸馏块(IDB),IDB中的增强单元使长短路径特征在通道中合成以加强浅层特征,在TextZoom数据集上训练和测试,实验结果表明,本算法可把低分辨率(LR)图像转化为更清晰的SR图像,相比其他超分辨率重建算法,其生成的SR图像更清晰,重建效果更佳。使用卷积循环神经网络(CRNN)模型对LR图像和SR图像进行文字识别,实验结果表明,本算法生成SR图像的平均文字识别准确率相较LR图像提升了16.8%,提升效果显著,且较原TSRN算法也有所提高,证明了本算法的有效性。

矿井图像超分辨率重建研究

受井下粉尘大、照度低等环境影响,矿井图像存在分辨率低、细节模糊等问题,现有的图像超分辨率重建算法应用于矿井图像时,难以获取不同尺度图像信息、网络参数过大而影响重建速度,且重建图像易出现细节丢失、边缘轮廓模糊、伪影等问题。提出了一种基于多尺度密集通道注意力超分辨率生成对抗网络(SRGAN)的矿井图像超分辨率重建算法。设计了多尺度密集通道注意力残差块替代SRGAN原有的残差块,采用2路并行且卷积核大小不同的密集连接块,可充分获取图像特征;融入高效通道注意力模块,加强对高频信息的关注度;采用深度可分离卷积对网络进行轻量化,抑制网络参数的增加;利用纹理损失约束网络训练,避免网络加深时产生伪影。在井下数据集和公共数据集上对提出的矿井图像超分辨率重建算法和经典超分辨率重建算法BICUBIC,SRCNN,SRRESNET,SRGAN进行实验,结果表明:所提算法在主客观评价上总体优于对比算法,网络参数较SRGAN减少了2.54%,峰值信噪比与结构相似度较经典算法指标均值分别提高了0.764 dB和0.05358,能更好地关注图像的纹理、轮廓等细节信息,重建图像更符合人眼视觉。

基于改进自注意力机制的电力设备热成像超分辨率方法

针对现有热成像空间分辨率低、画面清晰度差等容易影响电力设备缺陷检测效果的问题,提出一种基于改进自注意力机制的电力设备热成像超分辨率重建方法。该文以自注意力机制网络为基础,通过引入信息增益注意力模块以及渐进式尺寸递减模块,建立了基于改进自注意力机制的电力设备热成像超分辨率重建网络,该网络优化了超分辨率重建网络对热成像中高频特征信息的学习能力。通过相关实验进行验证表明,该文所提超分辨率方法对热成像纹理细节的恢复有显著效果,能够很好地满足实际巡检工作的需求。

基于时空注意力的双分支视频超分辨率网络

视频超分方法对多幅低分辨图像进行融合、运动补偿等处理,重构一幅高分辨率图像。基于时空注意力的双分支视频超分辨率网络对运动补偿后的低分辨率图像分配不同的权重,并且引入梯度信息避免超分辨率图像出现结构失真等问题。本网络由一个重建高分辨率图像的图像分支和一个产生高分辨率梯度图的梯度分支组成。图像分支采用一组运动补偿后的低分辨率图像作为输入,并使用时空注意力残差块突出显示信息丰富的局部区域以及关键的时间通道,来恢复丢失的高频细节。梯度分支根据运动补偿后低分辨率图像的梯度图学习显著的结构信息。这两个分支通过融合不同层次的中间特征相互提供先验知识。最后将梯度分支重构的高频结构信息反馈到图像分支,进一步提高超分辨率视频帧的结构一致性。在Vid4和SPMCS-11数据集上验证了本模型的有效性。

基于对抗神经网络和语义分割技术的图像超分辨率系统的研发和应用

在广电超高清(4K、8K)产业发展的背景下,以深度学习为代表的人工智能技术在图像超分辨率领域发展迅速。我们以对抗生成超分辨率网络(SRGAN)为基础,结合语义分割概率图和迭代校验内核(IKC)技术,提出了新颖的图像超分辨率生成模型。此模型可根据应用需求对图像中的目标物体进行识别,并使生成的超高清图像纹理更加真实。为此,我们以广电媒资大数据为基础制作了IFTV(Images From TV)数据集,用以对广电常见应用场景(如人脸或文字较多的场景)进行优化训练,使该模型能够在多个场景中达到令人满意的图像超分辨率效果,为今后广电领域超高清内容制作提供有力支持。

人脸超分辨率网络(FSRNet)的改进

人脸超分辨网络(FSRNet)使用人脸几何先验信息优化人脸超分辨率,可以从低分辨率人脸图像生成逼真的高分辨率人脸图像,但FSRNet生成的超分辨率图像存在伪影。对其关键模块进行了改进,并引入了新的损失函数。直接输入16×16像素的低分辨率图像,最后使用转置卷积函数放大图像,降低了计算复杂度,提升了粗略超分辨网络的性能。通过两步训练法,解决网络训练时调参困难的问题。引入热图损失、面部注意力损失和对抗性损失训练,提高超分辨率人脸图像的质量。实验结果证明,采用改进后的方法,可以生成面部细节更加清晰的高质量人脸图像。

基于拉普拉斯超分辨率印刷电路板瑕疵检测方法

瑕疵检测是印刷电路板生产中一个重要环节。电路板复杂度高,瑕疵尺寸小,工业采集图像分辨率低,传统检测方法无法满足高精度及高召回率的要求。针对此问题,本文提出一种结合拉普拉斯金字塔超分辨率网络和YOLO v3目标检测算法的瑕疵检测方法。首先,使用拉普拉斯金字塔超分辨率网络逐级重建电路板高分辨率图像。其次,将高分辨率图像输入到Darknet-53网络中,使用YOLO v3算法提取特征。然后,使用K-Means聚类调整先验框的大小,利用先验框对特征图进行多尺度检测。最后使用非极大值抑制合并候选框,定位瑕疵及分类。在北大公开的电路板瑕疵数据集上进行训练和检测,实验结果平均精度均值为99.41%,召回率为99.31%。

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。

基于单幅图像超分辨率重建的在线考勤系统

本文提出一种融合协调注意力机制的快速超分辨率卷积网络,对获取的人脸图像在识别前进行预处理。实验表明,对单幅图像超分辨率重建扩大4倍后,识别准确率从79.05%提高到84.76%。采用超分辨率重建的方法有效地提高了考勤系统身份识别的准确率。

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。

抗噪声的分步式图像超分辨率重构算法

基于卷积神经网络的图像超分辨率重构方法大多数假设低分辨率图像是从高分辨率图像双三次降采样得到,而现实环境低分辨率图像带有未知噪声,不可避免地导致网络性能较差。针对这一普遍问题,本文提出了一种抗噪声的分步式图像超分辨率重构算法。首先,将信息蒸馏图像降噪网络结合生成对抗网络进行网络训练,以提高降噪网络的图像降噪能力;其次,将降噪网络的中间网络纯净特征图和降噪后的图像与分步式图像超分辨率重构网络结合,配合分步式网络训练,实现网络对真实环境低分辨率图像的有效超分辨率重构。在自建含有高斯噪声的BSD100^(*)与BSD100^(#)数据集上对本文提出的网络进行了训练和评估。实验结果表明:所提网络与已有先进网络相比,在图像质量评估和视觉对比上均取得较大提升。

基于FPGA的SRCNN模型实现

卷积神经网络图像超分辨率技术(SRCNN)依托神经网络能端对端地实现低分辨率图像到高分辨率图像的重建,但其在实际工程应用中存在计算量大、无法实时实现的问题。设计了一种基于FPGA的去噪神经网络加速优化方法,通过设计卷积计算任务管理器,向卷积核阵列分发计算任务,实现了高效的并行实时计算。还提出了一种Block Ram双端口的访问机制,通过资源复用,降低了存储开销。基于该加速优化技术,搭建了测试平台,实验结果表明,该设计在FPGA主频为250 MHz条件下完成35×100的图像重建平均耗时为70 ms,与OptiPlex 7070相比,速度提升了10倍。

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。

基于改进SSD算法的光伏组件缺陷检测研究

为了解决无人机巡检光伏组件的效率和识别准确率低的问题,提出了一种基于超分辨率和双池化融合的光伏组件缺陷检测方法。首先,使用生成对抗网络(GAN)对光伏组件图像数据进行扩展,建立可用于光伏电站缺陷目标检测的图像数据集;然后,构建图像超分辨网络,减小图像数据集的噪声和提高局部区域的纹理特征。最后,将单次多边框检测(SSD)的主干网络替换为双池化方式融合的特征提取网络(VGG19_MP),在不提高网络参数的情况下,学习更深层次的纹理结构。结果表明基于超分辨率网络和双池化融合的光伏组件缺陷检测算法精确率达到了98.21%,平均检测时间为0.066 s,相较于对比的检测算法提高了0.9%~9.1%,平均检测时间提高了0.01~0.07 s,为光伏组件缺陷的精确识别提供了更有效的检测方法。

基于CGAN的中国山水画布局可调的仿真生成方法

以往的山水画计算机仿真由于未从山水画整体布局的角度进行研究,难以实现完整的画作生成.针对上述问题,文中提出布局引导、可实现完整画作生成的中国山水画仿真方法.基于山水画的绘制特点设计可行的布局标签图结构,用于表达山水画的构图形态和要素.借鉴条件生成对抗网络(CGAN)的思想,针对山水画的布局和笔触特点,设计并训练多尺度特征融合的网络结构(MSFF-CGAN),实现布局标签图到仿真山水画这一异质生成过程.同时针对网络训练过程中布局标签图数据稀缺的问题,采用语义关联的颜色像素聚类算法快速生成标签图.为了提高生成图的艺术真实感,引入MemNet超分辨网络增强生成图的纹理细节.实验表明,文中方法生成的仿真山水画具有较好的完整性和艺术真实感,不仅可以应对简单的手绘涂鸦式草图,还可以通过在布局空间的编辑操作,达到对画作空间进行编辑的效果.

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法。首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集。其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能。最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力。实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异。