申请/专利权人：井冈山大学

申请日：2023-12-13

公开（公告）日：2024-03-29

公开（公告）号：CN117793365A

主分类号：H04N19/42

分类号：H04N19/42;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种跨层连接的多路径信源信道联合编码方法，包括如下步骤：制作训练样本集；基于注意力机制构建多路径深度学习网络，所述多路径深度学习网络包括具有编码器网络和译码器网络；输入训练样本集对多路径深度学习网络进行训练；采用训练完成后的多路径深度学习网络对待传输图像进行传输。其显著效果是：通过建立端到端的多路径深度学习网络，全面考虑了信源和信道两方面的条件，在图像传输过程中实现了信息传输性能的整体优化，实现了对图像不同特征的并行提取，综合考虑了语义信息和精准位置信息；同时通过引入跨层连接机制与注意力机制，有助于融合深层和浅层特征，从而提高了图像重建的效果。

主权项：1.一种跨层连接的多路径信源信道联合编码方法，其特征在于，包括如下步骤：步骤1、制作训练样本集；步骤2、基于注意力机制构建多路径深度学习网络，所述多路径深度学习网络包括具有编码器网络和译码器网络；其中，所述编码器网络包括：一个第一卷积下采样模块，用于对输入的原始图像进行卷积下采样，获得第一输出数据；一个基于注意力机制的第一多特征分离模块，用于对第一输出数据进行处理生成编码注意力图，并基于生成的编码注意力图与第一输出数据生成第二输出数据，以及用于将第一输出数据与第二输出数据相减后生成第三输出数据；若干个第二卷积下采样模块，用于对第二输出数据进行连续抽象压缩，提取出深层特征，并对提取的深层特征进行卷积后生成深层特征信息；若干个第三卷积下采样模块，用于对第三输出数据进行连续卷积下采样，提取出浅层特征，并对提取的浅层特征进行卷积后生成浅层特征信息；两个第一重塑模块，用于分别对深层特征信息、浅层特征信息进行数据形状调整后输出至信道；步骤3、输入所述训练样本集对多路径深度学习网络进行训练；步骤4、采用训练完成后的多路径深度学习网络对待传输图像进行传输。

全文数据：

权利要求：

百度查询： 井冈山大学 一种跨层连接的多路径信源信道联合编码方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD