【摘 要】
：
在信息爆炸的时代,图像是获取信息的主要媒介,而高分辨率图像因其包含丰富的信息被广泛的用在安防、图像压缩、医疗等多个领域。但是由于硬件、环境等因素,导致现实中获得的大部分图像的分辨率都较低。针对这个问题,图像超分辨率重建技术被提出,该技术旨在利用低分辨率图像重建出对应的高分辨率图像。近年来,随着深度学习的飞速发展,基于深度学习的超分辨率重建技术得到广泛的关注。通过对现有的一些超分辨率重建方法进行深入
论文部分内容阅读
在信息爆炸的时代,图像是获取信息的主要媒介,而高分辨率图像因其包含丰富的信息被广泛的用在安防、图像压缩、医疗等多个领域。但是由于硬件、环境等因素,导致现实中获得的大部分图像的分辨率都较低。针对这个问题,图像超分辨率重建技术被提出,该技术旨在利用低分辨率图像重建出对应的高分辨率图像。近年来,随着深度学习的飞速发展,基于深度学习的超分辨率重建技术得到广泛的关注。通过对现有的一些超分辨率重建方法进行深入的分析,本文将频率交互和轻量化作为切入点,设计出了有效的重建模型,实现了图像的超分辨率重建。本文的主要研究内容如下:1.介绍了超分辨率重建的研究背景及意义,阐述了超分辨率重建的理论基础,介绍了传统的超分辨率重建方法,详细分析了深度学习理论和模型训练方式,总结了近年来基于深度学习的超分辨率重建模型和评价指标。2.图像的高频信息在超分辨率重建任务中非常重要,而现有的一些网络模型虽然进行了高低频分离的处理,却没有让高频信息和低频信息互补,忽略了全局特征与局部特征的关系,不利于后续高低频特征融合。针对该问题,设计了一种基于增强的频率分离残差模块的超分辨率重建模型,它能够充分的挖掘出高频信息和低频信息间的关系,保证学习过程中信息的完整性。实验结果表明,该模型相较于现有的一些方法更具优势,且重建得到的图像更加真实。3.现有的一些网络模型通过增加大量参数来提高重建质量,忽略了网络的实际应用价值,通常需要一个参数少、速度快且重建质量相对满意的网络模型来解决实际问题。基于此,设计了一种基于动态自适应层叠网络的轻量化超分辨率重建模型,这种层叠结构可以充分利用各个分支的特征。同时,利用动态卷积核的思路,设计了一种自适应的特征提取模块,在最大化利用卷积核的同时,使得分离的频率信息相互融合。实验结果表明,该模型相较于现有的一些方法具有一定的优势,且能在性能和质量达到很好的平衡。
其他文献
随着信息技术的发展,网络中的图像数据量日益增长,图像已成为信息表达和传递的一个重要载体。如何从丰富的图像数据中自动地总结出其中的语义内容是当前机器学习领域关注的重点之一。基于深度学习的发展,图像描述任务取得了很大突破。但是目前大多数的研究工作关注的是为图像生成一个英文句子描述。事实上,世界上非英语母语者的人数众多,且图像描述任务不应该受限于某种特定的语言。因此,跨语言图像描述是一个值得探索的研究课
深度强化学习作为人工智能领域的一个子领域,其能够使用简单的结构并且能够在不需要事先了解关于环境的知识的情况下解决广泛的任务,将强化学习融合多智能体系统形成的多智能体强化学习已经成为人工智能领域的研究热点。目前传统的多智能体深度强化学习由于联合状态空间庞大,动作行为的奖励稀少等原因导致每一个智能体在训练前期难以获得奖励、收敛速度慢、智能体之间难以形成有效配合。而且深度强化学习往往只针对连续或者离散动
近年来,面向多标签分类的特征选择技术受到越来越多的关注和应用。然而,一方面,已有的多标签特征选择方法大多未考虑所选特征的全局最优性以及多标签数据中标签冗余的问题,导致多标签学习模型的性能下降。另一方面,这些方法大多忽略流特征的场景,而考虑流特征的多标签流特征选择方法又忽略了多标签的类不平衡问题。针对上述问题,本文围绕多标签特征选择开展研究,主要研究工作包括:（1）针对标签冗余和全局最优性,提出一种
为了缓解互联网环境下愈发严峻的信息过载问题,个性化推荐成为众多大型系统必不可少的模块,通过背后的推荐算法挖掘交互历史中隐藏的用户兴趣,为用户推荐与其最匹配的物品。然而,很多推荐算法对交互数据的高度依赖性导致其难以应对交互稀疏或冷启动等问题。本文认为推荐系统中许多图结构的数据,可以从多个角度为推荐向量的学习过程注入辅助信息,进而缓解交互不足引发的推荐效果下降问题。为此本文对多种图结构数据进行研究,重
因果关系能够刻画事件的本质关联,对于理解数据、解释事件有着重要意义。因果关系的获取主要有两种:一种是分析观察数据获取各属性间的因果关系,另一种是分析文本数据提取其中陈述的因果关系。前者面临某些因果关系无法单纯从数据区分的问题,而后者面临文本蕴含的因果知识有限的问题。考虑健康领域拥有丰富的专业文献和大量公开的观察数据集,因此本文面向健康领域,创新性地探索观察数据与文本数据相结合的因果关系图构建方法,
复杂社交网络（CSG）因其蕴含丰富上下文信息已经成为众多学者的研究对象。通过设计含多属性需求的模式图,图模式匹配得以有效利用该丰富信息因而在CSG领域得到广泛应用。然而,随着决策问题日益复杂、决策者（Decision Makers,DMs）数量增多,模式图复杂性也不断增加:不同决策者对模式图中各属性常有不同需求。因而如何聚合各需求得到满足决策者偏好的模式图为多约束图模式匹配问题带来了新挑战。本文旨
基于深度学习的目标检测算法因具有速度快、精度高等优点被工业产品表面缺陷检测领域寄予厚望。但该方法需要大量的缺陷数据用于模型训练,而工业场景中获取缺陷数据的成本往往较高,因此迫切需要有效的数据增强方法以降低缺陷数据的获取成本。和其他数据增强方法相比,基于生成对抗网络的数据增强方法因能生成更接近真实分布的数据而备受重视,所以本文基于生成对抗网络对缺陷数据增强方法中的若干典型问题展开了深入研究,具体研究
从非结构化文本中进行信息抽取和知识图谱构建在自然语言处理（Natural Language Processing,NLP）任务中均发挥着至关重要的作用,而实体关系抽取（Entity and Relation Extraction,ERE）又是信息抽取和知识图谱中的一个关键而又具有挑战性的子任务。ERE又是由命名实体识别（Named Entity Recognition,NER）和关系抽取（Rela
随着互联网的发展,越来越多的创作者在社交媒体上发布文章。但随着文章的不断增多,其内容质量也变得参差不齐,其中包括大量的低质量的甚至传播虚假信息的文章。因此,如何从海量的多媒体文章中自动筛选高质量的内容是十分重要的。现有的方法往往依赖于大量的人工标注数据来训练质量评估模型。并且现有的方法通常会考虑社交媒体文档中的描述性内容特征和简单关系,但不能对文章之间的复杂结构和动态关系进行建模。另外,社交媒体中
近些年来,随着信息时代的快速发展以及智能手机和智能手环等设备的普及,采集人体相关数据变得更加方便且准确,因此,基于可穿戴设备的第一视角多模态个体行为识别任务逐渐受到越来越多研究人员的关注。然而,传统的个体行为识别任务由于数据采集成本高而面临着缺乏大规模多模态数据集的困境。本文主要解决基于视觉和传感器数据的小样本多模态个体行为识别任务,它面临两个重大的挑战,一方面,视觉模态的数据通常包含丰富的物体和