-
题名基于多级残差信息蒸馏的真实图像去噪方法
被引量：3
- 1
-
-
作者
冯妍舟
刘建霞
王海翼
冯国昊
白宇
-
机构
太原理工大学电子信息与光学工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第3期216-223,共8页
-
基金
山西省重点研发计划(2022ZDYF088)
山西省回国留学人员科研资助项目(HGKY2019040)
太原理工大学研究生精品课程(2021KC08)。
-
文摘
深度神经网络对真实图像有较强的去噪能力,可以学习含噪图像和干净图像之间复杂的非线性映射关系。然而,过多的卷积操作导致计算成本增加并占据大量内存,限制了去噪技术在低运算能力设备中的应用,现有去噪算法容易损坏细节信息,恢复图像存在边缘过度平滑、纹理缺失、含有残留噪声等问题。针对这些问题,构造一种多级残差信息蒸馏模块。通过对特征通道进行分割,保留部分特征用于后续多级融合,并进一步通过深度提取单元提取细化后的特征信息;引入对比度感知通道注意力机制对不同通道的特征分配权重;使用多级跳跃连接充分融合不同阶段提取到的上下文信息。构建1个轻量级的多级残差信息蒸馏网络,采用块间复杂度低的编码-解码结构,编码部分为含噪图像特征提取模块,解码部分为干净图像恢复模块。为了加快训练速度,采用混合图像尺寸的渐进式训练方法。实验结果表明,该方法在SSID和DND真实图像数据集上的峰值信噪比分别为39.43 dB和39.49 dB,与其他网络相比提升了0.17~15.77 dB和0.02~7.06 dB,而模型参数量仅为6.92×106,所提模型在提高去噪性能的同时具有较少的参数量。
-
关键词
图像复原
真实图像去噪
多级残差信息蒸馏模块
深度提取模块
对比度感知通道注意力
-
Keywords
image restoration
real image denoising
Multi-level Residual Information Distillation Block(MRIDB)
Deep Extraction Module(DEM)
Contrast-aware Channel Attention(CCA)
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于残差符号信息识别残差污染
被引量：5
- 2
-
-
作者
李碧君
薛禹胜
顾锦汶
韩祯祥
-
机构
浙江大学
电力自动化研究院
-
出处
《电力系统自动化》
EI
CSCD
北大核心
2000年第5期5-8,共4页
-
基金
国家重点基础研究专项经费资助 !( G19980 2 0 3 )
国家电力公司科技项目! ( 1999SKPJ0 10 -2 0 )
-
文摘
残差污染的存在对正确检测与辨识坏数据的危害很大,而用一种统一的方法,根据量测残差识别出残差污染,从而准确地检测与辨识坏数据一直非常困难。文中基于残差符号信息研究状态估计中的残差污染问题,探讨了基于残差灵敏度矩阵和残差符号判断存在严重的残差污染的可能性,在此基础上,提出了利用残差符号信息识别严重的残差污染的方法,用简单的图示直观地描述了这一方法。IEEE30节点系统上的试验证实了所提出的方法提高了检测与辨识坏数据的准确性。
-
关键词
状态估计
残差污染
识别
残差符号信息
电力系统
-
Keywords
state estimation
residuals
residual contamination
bad data
identification
-
分类号
TM732
[电气工程—电力系统及自动化]
-
-
题名使用不同频率域残差和K-SVD模型的图像消噪方法
- 3
-
-
作者
尚丽
周燕
孙战里
-
机构
苏州市职业大学电子信息工程学院
安徽大学电气工程与自动化学院
-
出处
《实验技术与管理》
CAS
北大核心
2019年第10期139-143,共5页
-
基金
国家自然科学基金资助项目(61373098)
2018年度江苏省第五期“333工程”培养对象资助项目
-
文摘
图像消噪前后的残差信息包含图像的高频信息.为了提高消噪图像的质量,在轮廓波变换域内,根据噪声图像及其K-SVD消噪后不同频率子带图像的残差信息,对残差子图像块再次进行K-SVD消噪,并将其结果与消噪图像的子带图像进行融合,得到包含残差信息的消噪子带图像,最后通过轮廓波逆变换得到消噪图像.仿真实验结果证明了所提出的基于不同频率子带内残差信息和K-SVD的图像消噪方法优于轮廓波变换和K-SVD模型,具有较好的消噪性能.
-
关键词
图像消噪
图像残差信息
轮廓波变换
K-SVD消噪模型
-
Keywords
image denoising
image residual information
contour wave transform
K-SVD denoising models
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名基于自适应超螺旋观测器的空间机械臂鲁棒故障诊断
- 4
-
-
作者
高升
张海龙
张伟
孔维国
-
机构
中国科学院沈阳自动化研究所机器人学国家重点实验室
中国科学院机器人与智能制造创新研究院
航天器在轨故障诊断与维修重点实验室
-
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2024年第4期1287-1296,共10页
-
基金
国家自然科学基金(61973100)
中国科学院沈阳自动化研究所基础研究计划项目(2022JC3K03)
中国科学院沈阳自动化研究所研究室发展基金(E155380107)资助课题。
-
文摘
针对空间机械臂系统执行器鲁棒故障诊断问题,提出一种基于改进的自适应超螺旋观测器故障诊断方法。为抑制复杂空间环境引起的外部干扰对故障诊断结果的影响,在经典超螺旋观测器的基础上引入观测器参数自适应调整算法,同时解决观测器参数过估计问题与噪声扩展问题。此外,引入小于1的分数幂和线性比例项来提高观测器的平滑性和快速性,进一步改善故障诊断效果。基于Moreno-Lyapunov函数算法分析了观测器的有限时间稳定性,证明了观测器的估计误差可以在有限时间内收敛至包含原点的邻域内,提出残差生成方法并设计了基于自适应阈值的故障诊断策略。最后,结合小行星采样空间三连杆机械臂算例,通过仿真验证了所提方法的有效性。
-
关键词
空间机械臂
执行器故障
故障诊断
残差信息
自适应超螺旋观测器
-
Keywords
space robot manipulator
actuator fault
fault diagnosis
residual imformation
adaptive super-twisting observer
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于神经网络自适应观测器的鲁棒故障检测
被引量：4
- 5
-
-
作者
周川
胡维礼
陈庆伟
-
机构
南京理工大学自动化系
-
出处
《应用科学学报》
CAS
CSCD
2004年第1期124-126,共3页
-
基金
国家自然科学基金(60174019)
清华大学智能技术与系统重点实验室基金
南京理工大学科研发展基金资助项目
-
文摘
提出一种基于动态神经网络的不确定非线性系统鲁棒故障检测方法,该方法通过构造神经网络自适应观测器来获取反映系统故障的残差信息以进行快速的故障检测,并采用Lyapunov稳定理论证明了闭环误差系统的一致最终有界稳定性.针对某型飞机舵面故障的仿真验证了本文方法的有效性.
-
关键词
神经网络
自适应观测器
鲁棒故障检测
残差信息
Lyapunov稳定理论
闭环误差系统
-
Keywords
dynamic neural networks
adaptive observer
fault detection
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于特征图注意力机制的图像超分辨率重建
被引量：9
- 6
-
-
作者
鲁甜
刘蓉
刘明
冯杨
-
机构
华中师范大学物理科学与技术学院
华中师范大学计算机学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第3期261-268,共8页
-
基金
国家科技支撑计划课题(2015BAK33B00)
国家社会科学基金(19BTQ005)。
-
文摘
图像超分辨率重建中的高频分量通常包含较多轮廓、纹理等细节信息,为更好地处理特征图中的高频分量与低频分量,实现自适应调整信道特征,提出一种基于特征图注意力机制的图像超分辨重建网络模型。利用特征提取块提取原始低分辨率图像中的特征信息,基于多个结合特征图注意力机制的信息提取块,通过特征信道之间的相互依赖性自适应调整信道特征,以恢复更多细节信息。在此基础上利用重建模块重建出不同尺度的高分辨率图像。在Set5数据集上的实验结果表明,与基于双三次插值的重建模型相比,该模型能够有效提升图像的视觉效果,且峰值信噪比与结构相似度分别提高了3.92 dB和0.056。
-
关键词
超分辨率重建
特征图注意力机制
自适应调整
残差信息
高分辨率图像
-
Keywords
Super-Resolution(SR)reconstruction
attention mechanism of feature map
adaptive adjustment
residual information
High-Resolution(HR)image
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于生成对抗网络的图像阴影消除算法
被引量：4
- 7
-
-
作者
石恒
张玲
-
机构
武汉科技大学计算机科学与技术学院
-
出处
《计算机科学》
CSCD
北大核心
2021年第6期145-152,共8页
-
基金
国家自然科学基金(61902286)。
-
文摘
虽然现有基于深度学习的图像阴影消除方法已取得了一定的进步,但是这些方法主要关注图像本身,没有很好地探索其他额外与阴影相关的信息,因此这些方法常常存在图像纹理模糊、内容不协调等问题。针对这些问题,文中基于生成对抗网络(Generative Adversarial Network, GAN),提出了一种新的阴影消除网络模型。该方法首先从全局上生成一个粗糙的阴影消除结果,再利用与阴影相关的残差信息对粗糙的结果在颜色和细节上进行局部优化,从而获得更加真实自然的无阴影图像。生成网络包含3个编码-解码结构,首先利用第1个编码-解码结构对阴影图像进行整体光照恢复,生成一个初始的阴影消除结果;同时将与阴影相关的残差信息作为辅助信息输入第2个编码-解码器,对初始结果进行进一步优化;为了避免阴影区域出现纹理不协调等问题,最后利用第3个编码-解码器对阴影区域细节纹理进行修正,使得生成的阴影消除图像更加真实自然。对抗网络由Patch鉴别器构成,用来鉴别图像阴影消除结果的真实性。实验结果表明,与目前的图像阴影消除方法相比,无论在阴影区域还是在非阴影区域上所提方法都达到了最佳的RMSE值,且该方法生成的阴影消除图像与真实无阴影图像更加接近,有效解决了纹理模糊等问题,证实了该方法的有效性和可行性。
-
关键词
阴影消除
生成对抗网络
残差信息
编码-解码结构
Patch鉴别器
-
Keywords
Shadow removal
Generative Adversarial Network
Residual information
Encoding-decoding structure
Patch discrimi-nator
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
