相关实验视频
Updated: May 5, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
一个基于非参数注意力和多尺度特征融合的并行图像拒绝网络
Jing Mao1, Lianming Sun2, Jie Chen3
1Graduate School of Environmental Engineering, The University of Kitakyushu, Kitakyushu 808-0135, Japan.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
这项研究介绍了一种新的双分支卷积神经网络,用于图像无色化,增强特征提取和保存图像细节. 与现有方法相比,新模型显著提高了除尘性能和边缘恢复.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 卷积神经网络 (CNN) 在图像剥离方面表现出色,但在单分支模型中面临信息丢失的挑战.
- 深度CNN经常表现出不足的边缘特征提取和性能和.
- 现有的方法难以平衡有效的消除噪声与保存关键的图像细节,如边缘和纹理.
研究的目的:
- 提出一种新的双分支卷积图像无线化网络.
- 为了增强特征提取能力和提高除噪性能.
- 为了更好地恢复在剥光过程中丢失的图像边缘和纹理信息.
主要方法:
- 采用双分支网络架构,用于深度特征提取的互补结构.
- 使用密集连接的块用于局部特征提取和扩展的卷积用于全球特征提取.
- 集成了一个非参数的注意力机制,用于集中特征学习和多尺度特征融合,以实现强大的特征表示.
主要成果:
- 拟议的网络在多个标准测试数据集 (Set12,BSD68,Set5,CBSD68,SIDD) 中显示出优异的客观索引.
- 实验结果显示,该算法的性能优于几种主流的denoising方法.
- 该方法有效地保留了原始图像边缘和纹理信息,同时实现了显著的降噪.
结论:
- 双分支网络有效地解决了单分支模式和深度CNN和的局限性.
- 非参数关注和多尺度融合的整合增强了消灭效果和细节保存.
- 这种方法为基于深度神经网络的图像否定研究提供了一个有希望的新方向.
