针对目前图像超分辨率方法生成精度以及性能方面的不足,以SRGAN(Super-Resolution Using a Generative Adversarial Network)模型为基础,探讨和构建一种生成对抗网络模型,在该模型的损失函数中引入卷积神经网络边缘检测损失,生成的高分...针对目前图像超分辨率方法生成精度以及性能方面的不足,以SRGAN(Super-Resolution Using a Generative Adversarial Network)模型为基础,探讨和构建一种生成对抗网络模型,在该模型的损失函数中引入卷积神经网络边缘检测损失,生成的高分辨率图像中保持图像更多的细节。以作物/杂草田地图像数据集作为测试集,开展一系列试验,本方法超分辨率生成图像较双三次插值、SRGAN、ESRGAN和深度残差的GAN模型,峰值信噪比PSNR分别高8.242 dB、5.521 dB、3.079 dB、2.339 dB;结构相似性SSIM分别高0.143、0.089、0.051、0.018;在AI识图中的识别准确率分别高10.6%、3.5%、3.9%、2.7%。该方法为田间杂草图像的相关研究提供思路,同时为田间杂草分类等应用研究做好前期数据准备。展开更多
文摘针对目前图像超分辨率方法生成精度以及性能方面的不足,以SRGAN(Super-Resolution Using a Generative Adversarial Network)模型为基础,探讨和构建一种生成对抗网络模型,在该模型的损失函数中引入卷积神经网络边缘检测损失,生成的高分辨率图像中保持图像更多的细节。以作物/杂草田地图像数据集作为测试集,开展一系列试验,本方法超分辨率生成图像较双三次插值、SRGAN、ESRGAN和深度残差的GAN模型,峰值信噪比PSNR分别高8.242 dB、5.521 dB、3.079 dB、2.339 dB;结构相似性SSIM分别高0.143、0.089、0.051、0.018;在AI识图中的识别准确率分别高10.6%、3.5%、3.9%、2.7%。该方法为田间杂草图像的相关研究提供思路,同时为田间杂草分类等应用研究做好前期数据准备。