【摘 要】
：
近年来,深层卷积神经网络在图像超分辨率重建任务中取得了巨大成功,然而复杂的深度神经网络会消耗大量存储空间以及计算资源,严重限制了其在资源有限的移动端设备上的部署.因此降低模型的资源消耗将有助于扩展深度超分辨率网络的实际应用范围.二值神经网络占用存储空间小、计算效率高,激励我们将二值化算法应用于目前的深度超分辨率重建领域,满足现有移动设备对于超分辨率的实际应用需求.因此,本文关注于二值图像超分辨率重
论文部分内容阅读
近年来,深层卷积神经网络在图像超分辨率重建任务中取得了巨大成功,然而复杂的深度神经网络会消耗大量存储空间以及计算资源,严重限制了其在资源有限的移动端设备上的部署.因此降低模型的资源消耗将有助于扩展深度超分辨率网络的实际应用范围.二值神经网络占用存储空间小、计算效率高,激励我们将二值化算法应用于目前的深度超分辨率重建领域,满足现有移动设备对于超分辨率的实际应用需求.因此,本文关注于二值图像超分辨率重建网络的研究.为此,我们首先总结了现有二值化方法,并针对其技术细节和算法特点进行了详细介绍.随后,我们探
其他文献
针对倾斜摄影测量中扩展航线上存在大量冗余影像的问题,文章提出了一种基于影像摄影方向剔除扩展航线上冗余影像的方法。该方法无须测区高程信息且计算简单快速,易于编程实现,试验对比表明,可有效剔除扩展航线中的冗余影像,显著提高内业数据处理效率,降低生产成本,在大规模倾斜摄影测量项目中具有重要的应用价值。
随着城市化进程的快速发展,地面沉降问题受到了人们的广泛关注。文章以新乡市主城区为例,基于PS-InSAR技术对研究区2017年11月～2019年10月的Sentinel-1A数据进行了处理,获取了该地区的沉降信息。试验结果表明:新乡市存在不同程度的地面沉降,沉降区域主要集中在牧野区内人口集中的村庄,最大沉降速率超过20 mm/a;通过时序分析发现,引起地面沉降的原因与地下水超采有关。
随着无人机、相机和数字处理软件技术的不断完善,传统的三维建模将逐渐被自动化三维建模技术所取代。文章先通过分析大疆精灵4 RTK无人机进行倾斜摄影测量作业流程和像控点布置的基本要求,然后使用大疆精灵4 RTK无人机进行倾斜摄影测量和银河1plus对像控点进行三维坐标实测两项外业施测工作,最后借助Context Capture对采集的影像数据和控制点坐标完成航空大楼的三维建模。
封面图片为吉林一号宽幅01A卫星于2021年8月3日拍摄的位于四川省广汉市的三星堆遗址真彩色合成影像,展现了三四千年前的古蜀文化遗址如今的风貌。从吉林一号卫星拍摄的影像中可以清晰地看到三星堆博物馆、三星堆遗址所处位置及其地物纹理信息。"吉林一号"星座是由138颗涵盖高分辨、大幅宽、视频、多光谱等系列的高性能光学遥感卫星组成,已经通过11次发射将29颗"吉林一号"卫星送入太空,建成了中国目前最大的商
针对经典Unet算法在提取遥感影像中建筑物特征时存在编码信息丢失、对多尺度建筑目标适应性差和上下文特征联系不足的问题,本研究提出了一种多尺度融合的变形残差金字塔编解码网络.首先,引入深度编码网络与下采样旁路网络替换原编码结构,共同完成对建筑物目标高阶特征信息的提取;其次,在编码网络次末端节点引入联合变形卷积的残差金字塔结构,以提升网络对建筑物多尺度特征和边缘模糊特征的辨识能力;最后,将高阶和低阶特
目前,违章建筑和违章占地现象时有发生,两违执法工作已是城市管理部门的常态。基于U型神经网络(U-Net)建立了两违疑似图斑识别模型,在GIS技术支持下,可对大面积正射影像进行自动搜索,标定两违疑似图斑的位置和范围,从而减轻人工作业劳动强度,提高了两违监测的自动化水平和工作效率。
Multispectral points, as a new data source containing both spectrum and spatial geometry, opens the door to three-dimensional(3D) land cover classification at a finer scale. In this paper, we model th
欢迎参加CNCC2021本届大会由香港科技大学(广州)校长倪明选担任大会主席,南京大学人工智能学院院长周志华担任程序委员会主席。今年的特邀嘉宾包括ACM图灵奖获得者John Hopcroft教授和Barbara Liskov教授,陈维江、冯登国、郭光灿、孙凝晖、王怀民等多位院士。今年的技术论坛多达111个,将为参会者带来学术、技术、产业、教育、科普等方面的全方位体验。大会期间还将首次举办"会员之夜
大数据时代,针对高维数据的聚类分析已成为数据挖掘的热点和难点问题,与此同时,近年来数据获取方式的重大变革推动了多视角研究快速兴起.多视角子空间聚类能够针对高维数据进行聚类,已成为目前聚类研究的一个重要分支.然而,现有部分方法直接从原始数据学习相似度矩阵,极易受到数据中噪声的影响.因此,本文提出了一种基于本质自表示的多视角子空间聚类方法 (intrinsic self-representation
数字图像抠像与合成问题是虚拟现实中的经典问题.抠像问题需要根据抠像公式,从输入图像准确地提取出前景物体的透明度(α)和前景物体的颜色值,而合成问题仅使用抠像结果与新背景图像进行结合,使其成为新的合成图像.然而,目前很多抠像算法仅局限于抠像部分的α值的计算,忽略了用于后续合成步骤的前景颜色的计算.这实际上仅限于理论研究,脱离了抠像问题的合成应用层面.同时,其他一些兼顾计算前景颜色算法的效果仍然不理想