残差学习
残差学习的相关文献在2017年到2022年内共计182篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、电工技术
等领域,其中期刊论文127篇、专利文献107091篇;相关期刊73种,包括科学技术与工程、武汉工程大学学报、中国图象图形学报等;
残差学习的相关文献由605位作者贡献,包括朱麒宇、李学生、李晨等。
残差学习—发文量
专利文献>
论文:107091篇
占比:99.88%
总计:107218篇
残差学习
-研究学者
- 朱麒宇
- 李学生
- 李晨
- 刘斌
- 刘祎
- 张敏
- 桂志国
- 赵耀
- 陈啟超
- 高净植
- 黄刚
- 丁丹丹
- 丁静怡
- 于洋
- 任超
- 何民军
- 佟骏超
- 侯彪
- 倪蓉蓉
- 傅真珍
- 冉杰文
- 刘屏极
- 刘芳
- 卢涛
- 卫淑波
- 史再峰
- 叶志伟
- 吕金城
- 吕鑫
- 吴乐
- 吴婷
- 周海林
- 周莹
- 唐旭
- 唐求
- 姚文轩
- 孙彪
- 孟德宇
- 尹嫱
- 屈嵘
- 常晓丽
- 张世辉
- 张帆
- 张彤
- 张旭阳
- 张权
- 张梦璇
- 张毅
- 张笑笑
- 张美琦
-
-
陈乔松;
宗冕;
官暘珺;
范金松;
王子权;
邓欣;
王进
-
-
摘要:
近年来,各种基于卷积神经网络的单幅图像超分辨率方法取得了优异的性能提升。现有的超分辨率网络大多数都是使用单种尺度的卷积核来提取低分辨率图像的特征信息,这样很容易造成细节信息的遗漏,也无法很好地利用低分辨率图像的多尺度特征来提高图像的表达能力。为了解决超分辨率重建中存在的问题,提出了一种新的超分辨重建方法称为分型残差网络(fractal residual network,FRN)。该网络使用分形残差注意力块,充分利用不同的层次特征,生成更精细的特征。同时,引入信道注意机制,自适应地重新缩放每个通道的特征,增加网络判别学习能力。此外,该算法将局部残差学习与全局残差学习相结合,以弥补信息丢失,降低学习难度。实验结果表明,该方法在重建性能上优于其他很多算法。
-
-
陆瑶;
王立国;
石瑶
-
-
摘要:
针对小样本下基于深度学习的高光谱图像分类方法精度不高的问题,本文提出一种基于空谱特征增强残差网络的高光谱图像分类方法。该方法利用三维卷积核同时提取高光谱图像的空间和光谱特征。同时,在普通三维卷积神经网络结构前加入空间和光谱特征增强的残差网络模块,通过恒等映射保留高光谱原始信息的同时用较少的参数增强网络的信息流,并且在构造更深层网络的同时避免了梯度消失的问题。实验表明:本文方法能充分利用高光谱图像的空间和光谱特征,在印第安纳森林数据集、帕维亚大学数据集上分别能够取得99.29%、99.74%的总体分类精确度,提高了小样本下的分类精度。
-
-
高元浩;
罗晓清;
张战成
-
-
摘要:
在同一场景下被捕获的一对红外与可见光图像虽然具有不同的模态,但是具有共享的公有信息和互补的私有信息,学习并融合上述信息可以得到一幅完整的融合图像。受益于残差网络的启发,在训练学习阶段,通过网络分支间特征层面的互换和相加,强制每一个分支映射到一幅具有全局特征的标签图上,来鼓励各个分支学习对应模态图像的私有特征。直接学习得到图像的私有特征可以避免设计复杂的融合规则并保证特征细节信息的完整。在融合预测阶段,采用最大值融合策略融合私有特征,并在解码层与学习得到的公有特征相叠加,最后解码出集成了红外和可见光图像信息的融合图像。使用在NYU-D2上合成的多聚焦图像数据集训练该模型,在TNO真实的红外和可见光数据集上进行测试,实验结果表明,与当前主流的红外与可见光融合算法相比,所提算法在主观效果和客观评价指标上都取得了较好的成绩。
-
-
唐杰;
韩盛元;
刘英昌;
张文征;
孟涛
-
-
摘要:
提高地震资料的信噪比是地震数据处理的重要任务之一,与依赖信号模型及其相应先验假设的传统地震噪声衰减算法相比,基于大型训练集的深度神经网络的去噪方法通过对大型数据集进行学习,训练完成后可以对面波进行自适应智能降噪。根据叠前高密度地震数据的特点,建立面波去噪训练库,通过去噪卷积神经网络来衰减地震数据的面波噪声。为了准确高效地提取地震数据面波噪声的特征,采用残差学习和批量标准化相结合的方式来加快训练过程并提高算法的面波去噪效果,去噪卷积神经网络能够有效处理未知噪声水平的面波降噪。模型数据和单点高密度地震数据测试结果表明,常规带通滤波及变分模态分解方法对有效信号损伤较大,而去噪卷积神经网络在高效去除面波噪声的同时能够较好地保护有效信号。
-
-
谢民;
邵庆祝;
汪伟;
俞斌;
于洋;
徐晓冰
-
-
摘要:
针对特高压换流站全景监视系统运行环境导致的视频图像抖动、镜头出现积灰等问题,以及基于深度学习的高分辨率图像重建算法存在细节特征失真和计算复杂度较高的缺陷,提出一种基于多尺度卷积块和残差网络的图像超分辨率重建方法,通过增加具有较小内核的深度卷积层来获取图像的鲁棒细节特征,并在训练过程中加入残差网络,加快网络收敛速度,解决消失梯度,改善图像重建质量。对部分标准数据集和特高压换流站全景监视图像数据集进行了图像超分辨率重建和目标识别实验研究,与超分辨率卷积神经网络(super-resolution convolutional neural network,SRCNN)和快速超分辨率卷积神经网络(fast SRCNN,FSRCNN)方法相比,所提算法的结构相似指数均值分别增加了0.0043和0.0298,峰值信噪比分别提高了0.17 db和0.83 dB。实验结果表明所提方法重建了细节信息更逼真的高分辨率图像,可以满足换流站全景监视的需求。
-
-
扶明;
郑霖;
杨超;
黄凤青;
符杰林;
王俊义
-
-
摘要:
针对强杂波背景下慢速运动目标检测性能不足的问题,设计了一种基于深度卷积神经网络(DCNN)的目标检测方法。主要将雷达回波信号距离—多普勒谱作为输入,送入设计的DCNN中,通过学习回波信号中杂波特征,并隐含的去除回波信号中目标成分,得到回波信号的残差谱。然后利用残差谱与回波信号R-D谱进行背景对消以抑制杂波,进而实现对回波信号中运动目标的检测。由于该方法通过学习杂波特性进而进行目标检测,因此适用于未知杂波模型的场景,避免了假设的模型与实际环境不符合的问题。实验验证:该方法相比于传统的杂波抑制目标检测方法,具有较好的性能表现。
-
-
曹一珉;
蔡磊;
高敬阳
-
-
摘要:
在深度学习中,随着卷积神经网络(CNN)的深度不断增加,进行神经网络训练所需的数据会越来越多,但基因结构变异在大规模基因数据中属于小样本事件,导致变异基因的图像数据十分匮乏,严重影响了CNN的训练效果,造成了基因结构变异检测精度差、假阳性率高等问题。为增加基因结构变异样本数量,提高CNN识别基因结构变异的精度,提出了一种基于生成对抗网络(GAN)进行基因图像数据扩增的方法——GeneGAN。首先,利用Reads堆叠方法生成初始基因图像数据,将变异基因图像数据与非变异基因图像数据分为两个数据集;然后,为了平衡正负样本数据集,使用GeneGAN对变异图像样本进行扩充;最后,通过CNN对平衡前后数据集进行检测,并对精确率、召回率与F1值进行对比。实验结果显示,与传统扩增方法、生成对抗网络扩增方法、特征提取方法相比,GeneGAN对基因结构变异检测的F1值提升了1.94~17.46个百分点,说明使用GeneGAN进行基因数据生成能够有效提高使用CNN进行基因图像分类的精确率。
-
-
李恒鑫;
常侃;
谭宇飞;
凌铭阳;
覃团发
-
-
摘要:
在商用数码相机中,由于CMOS传感器的限制,在采样得到的图像中的每个像素位置仅有一个色彩通道的信息,因此,需要采用彩色图像去马赛克(CDM)算法来恢复全彩图像。然而,现有的基于卷积神经网络(CNN)的CDM算法不能以较低的计算复杂度和网络参数量取得令人满意的性能。针对这个问题,提出一种应用通道间相关性和增强信息蒸馏(ICEID)的彩色图像去马赛克网络。首先,为了充分利用彩色图像的通道间相关性,提出了一种通道间的引导重建结构来生成初始CDM结果;其次,提出一种增强信息蒸馏模块(EIDM)来以相对较低的参数量有效地提取和精炼图像特征,从而高效地优化重建的全彩图像。实验结果表明,与主流CDM算法相比,所提算法不仅在客观质量与主观质量上均获得了明显提升,而且具有较低的计算复杂度和网络参数量。
-
-
余晓鹏;
何儒汉;
黄晋;
张俊杰;
胡新荣
-
-
摘要:
知识图谱嵌入(KGE)将实体和关系映射到低维连续向量空间中,以利用机器学习方法实现关系数据的应用,如知识分析、推理、补全等。以ConvE为代表将卷积神经网络(CNN)应用于知识图谱嵌入中,以捕捉实体和关系的交互信息,但其标准卷积捕捉特征交互信息能力不足,特征表达能力低下。针对特征交互能力不足问题,提出了一种改进的Inception结构,在此基础上构建一个知识图谱嵌入模型InceE。首先,该结构使用混合空洞卷积替代标准卷积,以提高特征交互信息捕捉能力;其次,使用残差网络结构,以减少特征信息丢失。实验使用基准数据集Kinship、FB15k、WN18验证InceE链接预测有效性。在Kinship、FB15k数据集上,相较于ArcE和QuatRE模型,InceE的Hit@1分别提升了1.6和1.5个百分点;在三个数据集上,与ConvE对比,InceE的Hit@1分别提升了6.3、20.8和1.0个百分点。实验结果表明InceE具有更强的特征交互信息捕捉能力。
-
-
张帅勇;
刘美琴;
姚超;
林春雨;
赵耀
-
-
摘要:
受采集装置的限制,采集的深度图像存在分辨率较低、易受噪声干扰等问题.本文构建了分级特征反馈融合网络(Hierarchical feature feedback network,HFFN),以实现深度图像的超分辨率重建.该网络利用金字塔结构挖掘深度-纹理特征在不同尺度下的分层特征,构建深度-纹理的分层特征表示.为了有效利用不同尺度下的结构信息,本文设计了一种分级特征的反馈式融合策略,综合深度-纹理的边缘特征,生成重建深度图像的边缘引导信息,完成深度图像的重建过程.与对比方法相比,实验结果表明HFNN网络提升了深度图像的主、客观重建质量.