-
题名基于卷积神经网络的深度图像超分辨率重建方法
被引量：37
- 1
-
-
作者
李伟
张旭东
-
机构
合肥工业大学计算机与信息学院
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2017年第12期1918-1928,共11页
-
基金
国家自然科学基金(61403116)
中国博士后基金(2014M560507)资助项目
-
文摘
为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。
-
关键词
深度图像
超分辨率重建
卷积神经网络
残差网络结构
-
Keywords
depth image
super-resolution
convolution neural network
residual network
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进DQN算法的移动机器人路径规划
- 2
-
-
作者
于效民
王欣
吴迪
刘雪莲
-
机构
大连理工大学机械工程学院
大连理工大学计算机科学与技术学院
大连理工大学成都研究院
-
出处
《计算机应用与软件》
北大核心
2025年第6期335-341,共7页
-
基金
国家工信部、卫健委的5G+医疗健康应用试点项目(面向5G的智能搬运机器人应用试点)。
-
文摘
移动机器人在动态未知复杂环境中进行路径规划时,需要保证机器人的实时性。针对DQN算法在移动机器人路径规划中存在的过估计问题以及收敛速度慢的问题,提出一种C-RD3QN算法(Combination-Residual Dueling Double DQN)。该算法在D3QN算法基础上,将卷积层修改为残差网络结构,使用竞争网络结构中的动作优势函数来估计动作值函数,将状态值函数与奖励值结合,使机器人达到更快的收敛速度。经过仿真实验对比分析,表明C-RD3QN算法能够进行更优的路径规划。
-
关键词
深度强化学习
机器人路径规划
残差网络结构
奖励值重构
-
Keywords
Deep reinforcement learning
Robot path planning
Residual network structure
Reward value reconstruction
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP3
[自动化与计算机技术—计算机科学与技术]
-
