基于多尺度密集混合注意力神经网络的图像去雨方法.pdf
一吃****新冬
亲,该文档总共15页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于多尺度密集混合注意力神经网络的图像去雨方法.pdf
本发明公开了一种基于多尺度密集混合注意力神经网络的图像去雨方法,包括以下步骤:构建多尺度密集混合注意力神经网络,包括顺序连接的进入模块、多个密集注意力模块、退出模块、全连接操作单元以及负残差还原操作单元,两两相邻的密集注意力模块之间设置一转接层;将含雨图像输入多尺度密集混合注意力神经网络,进行初始特征提取;密集注意力模块对初始特征处理;对密集注意力模块输出的特征经转接层变为和初始特征相同维度大小的特征;全连接操作与负残差还原操作,最后输出无雨清晰图像。基于本发明,可以充分地去除含雨图像中的雨纹,并且较好的
基于多尺度注意力蒸馏学习网络的图像去雨算法.pdf
本发明公开了基于多尺度注意力蒸馏学习网络的图像去雨算法。本发明提出了一个多尺度注意力蒸馏学习网络来探索图像尺度‑空间之间的关联性,并采用一种新的密集连接蒸馏结构来有效地学习并表征更丰富的特征,同时缓解梯度消失问题,加强特征传播,提高模型性能。本发明提出了一个多尺度注意力模块(MAB)和一个并行注意力蒸馏模块(CADB)。MAB使用不同大小的扩张卷积来提取不同尺度的特征。CADB结合通道注意和子空间注意机制来重新计算雨痕特征图,以减少无用的特征并保留空间和背景信息。
基于多尺度与注意力机制的CT图像盲去噪方法.pdf
本发明公开了基于多尺度与注意力机制的CT图像盲去噪方法,具体包括以下步骤:步骤一、特征融合;步骤二、权重分配;步骤三、去噪处理;步骤四、对比筛除;本发明涉及图像处理技术领域。该基于多尺度与注意力机制的CT图像盲去噪方法,利用注意力机制进行权重重分配,输出关键细节特征表达更充分的特征图,为噪音级别的认证提供帮助,且通过不同级别噪音的采样处理,实现不同级别噪音特征图的有效收集,在对待去噪CT图像进行去噪处理时,能够精准有效的检索出对应级别的噪音,进而选择与之适配的去噪模型,保证去噪后CT图像的清晰度,配合残差
一种基于多阶段和多尺度注意力融合网络及图像去雨方法.pdf
本发明提供一种基于多阶段和多尺度注意力融合网络及图像去雨方法,它由两个编码器解码器网络组成,包含有联合通道坐标注意力模块、注意力分支模块和多级特征融合模块,联合通道坐标注意力模块用来提取每个尺度上的有用信息;注意力分支模块用来提取高级特征,多级特征融合模块位于两个编解码器网络之间,用于将第一阶段网络提取的粗糙特征融合到第二阶段,对特征细化。本发明两个网络均采用编码器‑解码器网络来提取特征,第一阶段网络粗化特征,第二阶段网络融合了第一阶段网络的特征进一步细化特征,考虑到雨纹信息的水平性和垂直性,引入了联合通
一种基于多尺度聚合特征的单幅图像去雨方法.pdf
本发明属于计算机视觉领域,涉及一种基于多尺度聚合特征的单幅图像去雨方法。本发明是基于一种多尺度特征聚合密集连接卷积网络框架,由编码‑解码网络组成,每一个编码网络对应着一个解码网络;编码网络通过最大池化层降维和下采样,在进行最大池化的过程中记录最大池化的索引位置,并由该池化索引来引导对应的解码网络的上采样恢复过程。其中,编码网络和解码网络在卷积层是一样的,都是特征聚合密集连接卷积模块,只有最大池化和其对应的而上采样过程不同。本发明能够有效地去除不同密度的雨条纹,同时很好地保留了图像的细节。