用于单图像超分辨率的全局特征高效融合网络

现有图像超分辨率网络中普遍存在对层间特征利用水平较低的现象,使得在图像重建过程中有细节特征丢失,最终处理结果纹理模糊、图像质量欠佳。为此提出一种用于图像超分辨率的全局特征高效融合网络模型。主体使用对称卷积神经网络实现浅层特征的逐级提取,并结合Transformer完成浅层与深层特征的融合利用。设计的对称自指导残差模块可以在浅层网络实现不同层间特征更具表达性的融合,同时提升网络的特征提取能力;特征互导融合模块可以增强网络对浅层特征与深层特征的融合能力,促进更多的特征信息参与到细图像重建过程。在Set5、Set14、BSD100和Urban100数据集上同近年来的经典网络(HR、CARN、IMDN、MADNet、LBNet)进行性能对比,实验结果表明:所提网络模型在峰值信噪比上有所提升,并在视觉直观对比中取得了较好的图像超分辨率效果,可改善超分辨率图像质量欠佳的问题。

J对称分块算子矩阵的谱

基于J对称微分算子,J自伴微分算子和分块算子矩阵的定义,首先,给出了J对称分块算子矩阵和J自伴分块算子矩阵的判断定理,还给出了他们的共轭算子的性质。其次,利用分析和算子的方法,研究了J对称分块算子矩阵和J自伴分块算子矩阵的亏指数与其零空间的维数之间的关系,发现Hilbert空间上有界分块算子矩阵是J自伴的充要条件是它的亏指数等于零;再利用同样的方法,得到在Hilbert空间上的有界J自伴分块算子矩阵的剩余谱为空集的结论。

基于深度神经网络的藏药材识别分类研究

为了实现对藏药材快速、高效、准确的鉴定识别,本文采用深度学习的方式提出了一种对称卷积核多分支残差块。该块不仅可以根据藏药材的差异动态调节卷积的参数,而且可以在更细粒度的级别上提取多尺度空间信息,并形成长距离的信道依赖性,然后将此块进行堆叠,形成了一个新型的网络结构——深度对称卷积核神经网络。实验结果表明,该网络在相同条件下取得了参数量-计算量-准确率之间的平衡,具有更好的性能。