稀疏正則約束下深度神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法研究
發(fā)布時間:2024-02-22 03:18
圖像超分辨率是對已知低分辨率圖像進(jìn)行圖像視覺效果改善的圖像處理技術(shù),即通過建立低分辨率圖像和高分辨率圖像之間的數(shù)學(xué)模型,重建獲得具有更多高頻細(xì)節(jié)的高質(zhì)量圖像的技術(shù)。近年來,隨著深度學(xué)習(xí)和機(jī)器視覺技術(shù)的發(fā)展,基于神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法取得了長足的進(jìn)步,并引起了研究學(xué)者們的高度關(guān)注。本文以基于深度學(xué)習(xí)的圖像超分辨率算法為切入點(diǎn),發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)中存在大量參數(shù)特征冗余以及網(wǎng)絡(luò)參數(shù)未能有效表達(dá)模型等的問題,會嚴(yán)重影響神經(jīng)網(wǎng)絡(luò)的性能,導(dǎo)致高分辨率圖像重建效果不佳。據(jù)此本文提出有效解決參數(shù)特征冗余以及參數(shù)有效表達(dá)的方法。本文的主要研究成果如下:首先分析了圖像超分辨率模型,其次總結(jié)典型的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法框架,從卷積神經(jīng)網(wǎng)絡(luò)的組成、結(jié)構(gòu)和網(wǎng)絡(luò)優(yōu)化入手,對網(wǎng)絡(luò)模型進(jìn)行詳細(xì)的論述。然后歸納了稀疏正則化方法。其中稀疏正則化方法包括非結(jié)構(gòu)化稀疏正則和結(jié)構(gòu)化稀疏正則。接著具體闡述幾種應(yīng)用在神經(jīng)網(wǎng)絡(luò)中的典型正則化方法,并對其優(yōu)缺點(diǎn)進(jìn)行分析。最后我們對典型的兩類正則化方法進(jìn)行詳細(xì)論述。針對卷積神經(jīng)網(wǎng)絡(luò)中參數(shù)與參數(shù)之間、濾波器與濾波器之間、通道與通道之間存在大量參數(shù)特征冗余的問題,提出基于卷積神經(jīng)網(wǎng)...
【文章頁數(shù)】:73 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 圖像超分辨率的研究背景及意義
1.2 圖像超分辨率的研究現(xiàn)狀
1.2.1 基于專家知識構(gòu)造的圖像超分辨率方法
1.2.2 基于機(jī)器學(xué)習(xí)的圖像超分辨率方法
1.3 本文的主要研究內(nèi)容及章節(jié)安排
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)稀疏正則化的圖像超分辨率算法相關(guān)理論
2.1 圖像超分辨率模型
2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法
2.2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率模型構(gòu)建
2.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)圖像超分辨率模型訓(xùn)練
2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)稀疏正則化
2.3.1 非結(jié)構(gòu)化稀疏正則
2.3.2 結(jié)構(gòu)化稀疏正則
2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)化稀疏正則約束的圖像超分辨率算法
3.1 總體框架
3.2 基于卷積網(wǎng)絡(luò)的圖像超分辨率網(wǎng)絡(luò)
3.3 基于組橋正則化的網(wǎng)絡(luò)參數(shù)約束
3.3.1 網(wǎng)絡(luò)參數(shù)組劃分
3.3.2 結(jié)構(gòu)化組橋正則
3.4 基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)化稀疏正則約束的圖像超分辨率算法設(shè)計
3.4.1 訓(xùn)練樣本預(yù)處理
3.4.2 超分辨率卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計
3.4.3 超分辨率卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
3.4.4 超分辨率圖像重建
3.5 實(shí)驗(yàn)結(jié)果及分析
3.5.1 實(shí)驗(yàn)設(shè)置
3.5.2 實(shí)驗(yàn)參數(shù)討論
3.5.3 結(jié)果對比及分析
3.6 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)L0正則約束的圖像超分辨率算法
4.1 總體框架
4.2 構(gòu)建基于L0正則化的網(wǎng)絡(luò)參數(shù)約束
4.2.1 實(shí)現(xiàn)L0正則項(xiàng)的連續(xù)性
4.2.2 連續(xù)松弛的離散隨機(jī)變量
4.2.3 結(jié)構(gòu)化L0正則
4.3 基于卷積神經(jīng)網(wǎng)絡(luò)L0正則約束的圖像超分辨率算法設(shè)計
4.3.1 卷積神經(jīng)網(wǎng)絡(luò)L0正則約束的圖像超分辨率網(wǎng)絡(luò)訓(xùn)練
4.4 實(shí)驗(yàn)結(jié)果及分析
4.4.1 實(shí)驗(yàn)參數(shù)設(shè)置
4.4.2 實(shí)驗(yàn)參數(shù)討論
4.4.3 實(shí)驗(yàn)結(jié)果分析
4.5 本章小結(jié)
總結(jié)與展望
總結(jié)
展望
參考文獻(xiàn)
致謝
附錄 A 攻讀學(xué)位期間所取得的主要科研成果
本文編號:3906313
【文章頁數(shù)】:73 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
Abstract
第1章 緒論
1.1 圖像超分辨率的研究背景及意義
1.2 圖像超分辨率的研究現(xiàn)狀
1.2.1 基于專家知識構(gòu)造的圖像超分辨率方法
1.2.2 基于機(jī)器學(xué)習(xí)的圖像超分辨率方法
1.3 本文的主要研究內(nèi)容及章節(jié)安排
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)稀疏正則化的圖像超分辨率算法相關(guān)理論
2.1 圖像超分辨率模型
2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率方法
2.2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率模型構(gòu)建
2.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)圖像超分辨率模型訓(xùn)練
2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)稀疏正則化
2.3.1 非結(jié)構(gòu)化稀疏正則
2.3.2 結(jié)構(gòu)化稀疏正則
2.4 本章小結(jié)
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)化稀疏正則約束的圖像超分辨率算法
3.1 總體框架
3.2 基于卷積網(wǎng)絡(luò)的圖像超分辨率網(wǎng)絡(luò)
3.3 基于組橋正則化的網(wǎng)絡(luò)參數(shù)約束
3.3.1 網(wǎng)絡(luò)參數(shù)組劃分
3.3.2 結(jié)構(gòu)化組橋正則
3.4 基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)化稀疏正則約束的圖像超分辨率算法設(shè)計
3.4.1 訓(xùn)練樣本預(yù)處理
3.4.2 超分辨率卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計
3.4.3 超分辨率卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
3.4.4 超分辨率圖像重建
3.5 實(shí)驗(yàn)結(jié)果及分析
3.5.1 實(shí)驗(yàn)設(shè)置
3.5.2 實(shí)驗(yàn)參數(shù)討論
3.5.3 結(jié)果對比及分析
3.6 本章小結(jié)
第4章 基于卷積神經(jīng)網(wǎng)絡(luò)L0正則約束的圖像超分辨率算法
4.1 總體框架
4.2 構(gòu)建基于L0正則化的網(wǎng)絡(luò)參數(shù)約束
4.2.1 實(shí)現(xiàn)L0正則項(xiàng)的連續(xù)性
4.2.2 連續(xù)松弛的離散隨機(jī)變量
4.2.3 結(jié)構(gòu)化L0正則
4.3 基于卷積神經(jīng)網(wǎng)絡(luò)L0正則約束的圖像超分辨率算法設(shè)計
4.3.1 卷積神經(jīng)網(wǎng)絡(luò)L0正則約束的圖像超分辨率網(wǎng)絡(luò)訓(xùn)練
4.4 實(shí)驗(yàn)結(jié)果及分析
4.4.1 實(shí)驗(yàn)參數(shù)設(shè)置
4.4.2 實(shí)驗(yàn)參數(shù)討論
4.4.3 實(shí)驗(yàn)結(jié)果分析
4.5 本章小結(jié)
總結(jié)與展望
總結(jié)
展望
參考文獻(xiàn)
致謝
附錄 A 攻讀學(xué)位期間所取得的主要科研成果
本文編號:3906313
本文鏈接:http://www.lk138.cn/shoufeilunwen/xixikjs/3906313.html
最近更新
教材專著