论文部分内容阅读
随着互联网的迅速发展,信息呈现爆炸式增长态势。面对海量的数据集,如何利用现有的数据,从中发现对人们有用的信息并最大限度发掘数据的潜在价值,已成为科研领域和工业领域广泛关注的问题。传统的图像增强算法已经无法满足海量数据集的需求,人们需要新的图像处理框架,而深度学习为图像增强算法提供了新的方向。本文重点研究并改进了基于自编码器的图像增强方法LLNet,针对该方法在应用到多通道彩色图像时会产生大量冗余参数这个不足,提出了一种基于卷积自编码器的图像增强方法—CAENet,该方法能够很好的适用于三通道彩色图像,而且具有较强的鲁棒性。而后为了将神经网络算法CAENet很好的应用于大数据背景下,本文随后提出分布式框架来实现该算法,同时为了减少神经网络训练时产生的参数波动,使网络更快和更加平稳的到达收敛点,本文基于指数滑动平均算法提出了一种叫做截尾式指数滑动平均的优化算法。最后本文将图像增强方法CAENet应用于提出的分布式框架上,最终得到了令人满意的结果。本文主要工作如下:(1)针对基于神经网络的图像增强方法LLNet(Low light network)在推广到实际场景下的三通道彩色图像时会产生大量冗余参数的问题,本文提出了一种基于卷积自编码器的神经网络图像增强方法—CAENet(Convolutional Auto-Encoder Network)。实验证明CAENet在有效提高图像光感和色感的同时还能保留图像细节,在克服颜色过度饱和、色块不均匀等缺点时具有不错的效果。此外针对含噪低光图像,能在增强图像的同时达到去噪的效果,呈现出CAENet具有较强的鲁棒性。(2)为了将神经网络算法很好应用在大数据背景下,本文提出了一种基于截尾指数滑动平均的优化算法—TEMA(Trim Ecponential Moving Average),该算法能够很好的平滑掉网络训练时产生的波动参数;同时为了减少网络训练的时间,本文将神经网络与并行式计算相结合,采用同步模式,提出了一种基于截尾指数滑动平均的神经网络分布式框架,该框架能够使神经网络得到很好的并行化计算,加快了神经网络的训练速度。最后实验证明,该框架能够很好的应用在神经网络训练计算上。(3)将图像增强方法CAENet应用在之前所提出的分布式框架上,阐述了图像增强应用在并行式计算的必要性。最后的实验证明CAENet在训练时大大节约了时间,这为图像增强应用在大数据背景下提出了一个有效的解决方案。(4)最后总结全文,并对进一步的研究提出展望。