搜索到11538篇“ 网络图像“的相关文章
一种基于异构网络图像编码的流量信标检测方法
本发明涉及网络安全流量追踪技术领域,具体为一种基于异构网络图像编码的流量信标检测方法,通过改变数据包的时间间隔进行水印嵌入,采用编码机制,将数据编码展平后嵌入时间序列,经过网络传输,接收方快速定位水印,并进行提取和识别。...
李晓慧陈悦王俊峰代言李镀
一种深度神经网络图像分类模型鲁棒性提升方法
本发明针对深度神经网络图像分类模型鲁棒性问题,公开了一种深度神经网络图像分类模型鲁棒性提升方法,属于机器学习和AI智能安全领域。该方法首先基于相同的训练样本集训练n个模型,然后以最大化神经元覆盖率和模型差异行为为指导构建...
孙家泽李娟王小银王曙燕
一种注意力机制引导的双卷积神经网络图像去噪算法
2025年
近年来深度卷积神经网络图像去噪中的应用引起了越来越多的研究兴趣。然而,对于复杂的任务,如真实的噪声图像,普通网络无法恢复精细的细节。提出了一种经过注意力机制引导的双重去噪网络来恢复干净的图像。具体来说,该网络由四个模块组成,扩张特征提取块Dilated Feature Extraction Block (DFEB)、动态卷积块Dynamic convolution structure diagram、注意力模块,重建模块。具有稀疏机制的特征提取模块经由两个子网络提取全局和局部特征。增强块收集并融合全局和局部特征,为后者的网络提供补充信息。压缩块细化所提取的信息并压缩网络。最后,利用重建区块重建去噪影像。该网络具有以下优点:1) 双网络结构具有稀疏机制,可以提取不同的特征,增强去噪器的泛化能力。2) 融合全局和局部特征可以提取显著特征,从而恢复复杂噪声图像的细节。大量的实验结果表明,该网络有较好的去噪效果。In recent years, the application of deep convolutional neural networks in image denoising has attracted more and more research interest. However, for complex tasks, such as real noisy images, ordinary networks cannot recover fine details. A dual denoising network guided by attention mechanism is proposed to restore clean images. Specifically, the network consists of four modules: Dilated Feature Extraction Block (DFEB), Dynamic convolution structure diagram, attention module and reconstruction module. Feature extraction blocks with sparse mechanism extract global and local features through two subnetworks. Enhancement blocks collect and fuse global and local features to provide supplementary information to the latter’s network. The compressed block refines the extracted information and compresses the network. Finally, the reconstructed block is used to reconstruct the denoised image. The network has the following advantages: 1) the dual network structure has a sparse mechanism, which can extrac
王权
关键词:图像去噪特征提取CNN
一种卷积神经网络图像去噪算法
本发明涉及了一种卷积神经网络图像去噪算法,其是基于CBAM注意力机制和多尺度提取特征的卷积神经网络图像去噪算法,包括以下步骤:步骤一:建立数据集;步骤二:搭建多尺度和注意力机制相结合的卷积神经网络模型;步骤三:构建合适的...
刘春雨 张朔 吴晓斌 张玉鑫刘帅
神经网络图像修复模型生成方法及装置
本说明书实施例提供了一种基于低信息熵和高容忍度的神经网络图像修复模型生成方法及装置,其中,方法包括:获取训练集和测试集,对神经网络图像修复模型的算法超参数进行设置;获取自然图像和掩码图像,进行预处理和数据分批;输入神经网...
王恒友柯熔基
易懂的神经网络图像处理工作流程
使用通过易懂的工作流程训练的深度神经网络来实现改进的(例如,高通量、低噪声和/或低伪影)X射线显微图像。该工作流程涉及选择所需的改进因子(x),所述改进因子用于自动将所提供的数据划分为两个或多个子集以进行神经网络训练。通...
M·安德鲁L·欧姆勒A·安德烈耶夫C·H·格拉夫·沃姆·哈根
网络图像的展示方法、系统、电子设备和存储介质
本发明公开了一种网络图像的展示方法、系统、电子设备和存储介质,该网络图像的展示方法包括:从网页端对应的图像服务器中获取缩略图;判断缩略图是否满足预设条件,若满足,则本地客户端获取缩略图,同时采用本地图像增强技术对缩略图进...
于洁露霍兴龙
基于自监督的集成神经网络图像去噪方法分析
2024年
随着深度学习技术的不断发展及其广泛应用,针对缺失清晰图像的情形,本文提出了一种基于自监督学习的集成神经网络方法,该方法仅需要输入单幅噪声图像即可实现图像去噪。首先使用伯努利采样(Bernoulli Sampling,BS)方法,生成噪声图像对,实现样本增广;其次构建“编码器-解码器”的神经网络结构,使用伯努利采样方法,实现神经网络差异化;最后通过优化更新图像对样本和神经网络的权重,集成多个神经网络,并根据各神经网络的权重来集成神经网络输出的去噪图像,从而得到清晰的去噪图像。实验结果表明,所提出的方法泛化性能较好,能够基于单幅图像实现图像的去噪声,并在去噪后能保留图像的绝大多数细节,无论在主观视觉效果上还是在客观量化指标上均优于同类型的算法。
刘才源姜珊
关键词:集成神经网络噪声图像神经网络结构图像去噪泛化性能伯努利
基于边缘增强的卷积神经网络图像去雾方法
本发明公开基于边缘增强的卷积神经网络图像去雾方法,具体如下:步骤1,对数据集进行预处理;步骤2,构建基于残差密集块和注意力机制的去雾网络,将步骤1得到的低频子带输入到RDADN网络中进行训练学习,获得干净的低频子带;步骤...
刘晶赵珂洁
基于加权滤波增强的卷积神经网络图像预测方法
本发明涉及图像处理技术领域,尤其是提供了基于加权滤波增强的卷积神经网络图像预测方法。该方法包括根据原始图像的纹理复杂度,将原始图像分为平滑块组和纹理块组,根据像素位置将平滑块组和纹理块组分别划分为四个像素集合,生成预处理...
马宾段泓韬段培永舒明磊刘兆伟方崇荣

相关作者

胡卫明
作品数:282被引量:955H指数:9
供职机构:中国科学院自动化研究所
研究主题:视频 图像 存储介质 网络 神经网络
张印辉
作品数:224被引量:362H指数:10
供职机构:昆明理工大学
研究主题:机器人 卷积 多尺度 视频 图像
雷芳芳
作品数:30被引量:36H指数:4
供职机构:湖南工程学院
研究主题:像素 置乱 电商 网络图像 市场营销
黄峰
作品数:66被引量:31H指数:3
供职机构:湖南工程学院
研究主题:电池 风电功率预测 新能源汽车 像素 嵌入式系统
袁晓辉
作品数:18被引量:9H指数:1
供职机构:武汉理工大学
研究主题:叶片图像 叶脉 表型 网络图像 电子设备