青岛大学计算机科学技术学院, 山东 青岛 266071
针对基于卷积神经网络的超分辨技术在纹理恢复时存在信息丢失、边缘模糊的现象,将密集块和激励模块结合,对图像进行低分辨率到高分辨率的端对端处理。密集连接融合后组成的密集块结构使图像区域的上下文信息得到有效利用。激励模块将有价值的全局信息选择性放大并将无用特征加以抑制。图像重建部分中的多个1×1卷积层结构减小了前一层的尺寸,在加速计算的同时减少了信息丢失。直接处理的原始图像缩短了训练时间,卷积层和滤波器的优化显著降低了计算复杂度。
图像处理 超分辨技术 密集连接 激励模块 1×1卷积层; 计算复杂度 激光与光电子学进展
2019, 56(20): 201005
青岛大学计算机科学技术学院, 山东 青岛 266071
针对视频分类中时序特征的融合问题,将二维卷积神经网络中的挤压激励(SE)网络与三维卷积残差网络相结合,提出了新的三维挤压激励网络结构模块,该模块比直接转化而来的三维挤压激励模块多了一个时间维度系数,时间维度系数记录了研究对象在时间轨迹上所进行的动作轨迹变化。新模块不仅可以记录某个时间点的特征,而且能够强化多个时间点的关联性。将具有时空纬度的挤压激励网络应用于人物的动作行为识别,检验了新模块的有效性。实验结果表明,新模块可加快损失收敛并有效提高视频分类精度。
图像处理 信号处理 视频分类 挤压激励 三维卷积 残差网络 深度学习 激光与光电子学进展
2019, 56(12): 121004
