宁波大学信息科学与工程学院, 浙江宁波 315211
在图像超分辨率重建问题中, 许多基于深度学习的方法大多采用传统的均方误差 (MSE)作为损失函数, 重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题, 本文对传统的均方误差损失函数进行改进, 提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于 DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入, 计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明, 本文提出的方法在主观视觉效果和 PSRN、SSIM上均有所提升。
图像超分辨率重建 稠密卷积神经网络 多尺度特征损失函数 深度学习 image super-resolution reconstruction densely connected convolutional neural networks multi-scale feature loss function deep learning
华侨大学信息科学与工程学院厦门市移动多媒体通信重点实验室, 福建 厦门 361021
提出了基于多特征稠密卷积神经网络的模型框架(DenseNet-SE)。与传统方法相比,DenseNet-SE采用数据驱动的方法,无需手工提取特征。该框架包含了稠密残差块的结构,能够获取深度特征。通过跳跃连接的方式,从浅层获取细粒度特征来辅助深度特征。同时,融合特征有助于网络结构获取更多全局信息,更好地表示公式符号的类别。利用在线手写数学表达式识别的竞赛组织(CROHME)提供的标准数学公式符号库来验证所提算法,结果表明,CROHME2014和CROHME2016的识别率分别达到93.38%和92.93%,高于目前已有算法的识别率。
光计算 稠密卷积神经网络 手写公式符号 稠密残差块 深度特征 细粒度特征 激光与光电子学进展
2019, 56(7): 072001
