一种基于多尺度并行CNN的图像去噪方法.pdf
Ch****75
亲,该文档总共13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
一种基于多尺度并行CNN的图像去噪方法.pdf
本发明公开一种基于多尺度并行CNN的图像去噪方法,包括五步。步骤一,搭建多尺度并行卷积神经网络模型,其中只有卷积层和激活层,同时加入了残差学习;步骤二,设置多尺度并行卷积神经网络模型的训练参数;步骤三,选取训练集,并对选取的训练图像进行裁剪、翻转等操作,以增强训练集的数量;步骤四,选取均方误差作为损失函数,并以最小化损失函数来训练多尺度并行卷积神经网络模型,得到图像去噪模型;步骤五,将任意大小的噪声图像输入到图像去噪模型,输出即为去噪后的干净图像。本发明在去噪的同时能尽可能的保留图像的边缘信息和细节信息,
基于多尺度卷积组与并行的卷积神经网络图像去噪方法.pdf
本发明公开了基于多尺度卷积组与并行的卷积神经网络图像去噪方法,具体为:步骤1、准备训练集,选择合适的数据集作为训练集中的原始图像,并对其进行预处理操作,采用高斯白噪声模拟真实噪声并加入到原始图像中,作为与之对应的噪声图像;步骤2、构建网络模型,结合多尺度卷积组与并行的卷积网络方式搭建网络模型;步骤3、根据步骤2中所构建的网络模型设置网络的超参数、损失函数和优化算法;步骤4、进行网络训练,使用步骤2中的构建网络模型来分别训练单噪声训练集和多噪声训练集,来得到多个与训练集相对应的网络模型;步骤5、测试网络性能
一种基于多尺度CNN和连续CRF的单目图像深度估计方法.pdf
本发明公开了一种基于多尺度CNN和连续CRF的单目图像深度估计方法,其利用CRF模型根据DCNN的输出深度图计算单点势能,根据输入RGB图像计算成对稀疏势能,最后用MAP(最大化后验概率)算法推导出优化的深度图。本发明结合了多尺度CNN和连续CRF优化思想,不仅能够以较高的精确度估计出深度图,又能使得到的深度图轮廓清晰;本发明所估计的深度有比较高的分辨率,而且所得到的深度图能保留场景中所有对象的深度细节信息,具有更好的视觉效果。
一种基于多尺度并行门控神经网络的图像降噪方法.pdf
本发明公开了一种基于多尺度并行门控神经网络的图像降噪方法,包括以下步骤:将清晰图像和与清晰图像对应的噪声图像作为一个训练样本,以此构建训练集;构造图像降噪网络,该图像降噪网络包括用于提取图像特征的特征提取单元、用于对提取的图像特征进行逐步降噪的降噪处理单元、以及用于对降噪后的特征进行融合的特征重建单元;其中,降噪处理单元包含7个依次连接的多尺度门控模块;利用训练集训练图像降噪网络,获得图像降噪模型;应用时,将噪声图像输入至图像降噪模型中,经计算输出降噪图像。该方法能够充分利用多尺度信息,在去除噪声的同时最
一种基于多尺度CNN-Transformer的遥感图像变化检测方法和装置.pdf
本发明实施例提供了一种基于多尺度CNN‑Transformer的遥感图像变化检测方法和装置,所述方法包括:将双时态遥感图像输入多尺度CNN‑Transformer编码器;利用所述多尺度CNN‑Transformer编码器对所述双时态遥感图像进行特征提取,得到双时态遥感图像的多尺度全局‑局部特征;利用级联解码器将所述双时态遥感图像的多尺度全局‑局部特征进行逐层融合重构,得到变化特征图;通过分类器对所述变化特征图进行逐像素分类,得到变化检测结果图。本发明实施例实现将CNN和Transformer在多个尺度上进