申请/专利权人：南京邮电大学

申请日：2022-05-24

公开（公告）日：2024-04-05

公开（公告）号：CN114998125B

主分类号：G06T5/70

分类号：G06T5/70;G06F17/15;G06F17/18;G06T5/73;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明属于红外光谱去卷积处理技术领域，具体地说，是一种基于深度神经网络非配对学习的红外光谱盲去卷积方法，包括自监督学习和知识提取的两阶段去卷积方，从一组未配对的干净和有噪声的红外光谱中学习去卷积网络。卷积盲点网络从真实红外光谱中学习去卷积，采用1×1卷积层叠加的网络来估计每条红外光谱的噪声特性，联合训练卷积盲点网络和红外光谱特定噪声模型。将学习到的噪声模型应用于红外光谱去卷积，合成一组成对的训练红外光谱，并在第一阶段使用真实的噪声红外光谱和相应的去卷积结果形成另一组成对的训练红外光谱。通过使用这两个配对集训练基于U‑Net的去卷积网络。

主权项：1.一种基于深度神经网络非配对学习的红外光谱盲去卷积方法，其特征在于，包括自监督学习和知识提取两阶段，其中自监督学习阶段包括以下步骤：步骤1：使用卷积盲点网络仅从真实红外光谱中学习去卷积；步骤2：采用1×1卷积层叠加的网络来估计每条红外光谱的噪声级图；步骤3：通过最大化约束对数似然，联合训练卷积盲点网络和1×1卷积的红外光谱噪声模型，在给定卷积盲点网络输出和估计的噪声水平图的情况下，基于贝叶斯规则进一步提高去卷积性能；知识提取阶段包括以下步骤：步骤4：将学习到的噪声模型应用于红外光谱去卷积，合成一组成对的训练红外光谱，并在第一阶段使用真实的噪声红外光谱和相应的去卷积结果形成另一组成对的训练红外光谱；步骤5：通过使用这两个配对集训练去卷积网络，提取最终的去卷积模型；步骤6：运行模型，获得潜在的干净红外光谱，以及潜在的干净红外光谱与原始红外光谱的误差率均方根误差RMSE、相关系数CC和自加权相关系数WCC；使用一种结合自监督学习和知识提取的两阶段去卷积方案，将每一组未配对的红外光谱输入网络模型中进行迭代训练，迭代训练获得最优模型，运行模型，获得潜在的干净红外光谱，以及潜在的干净红外光谱与原始红外光谱的误差率均方根误差RMSE、相关系数CC和自加权相关系数WCC，具体包括以下流程：流程一：将第n组未配对的红外光谱输入网络模型中，n∈[1,n]，n和N均为正整数；流程二：计算出所有迭代的潜在的干净红外光谱与原始红外光谱的误差率均方根误差RMSE、相关系数CC和自加权相关系数WCC；判断输入网络模型中的退化的红外光谱是否为最后一个退化的红外光谱，如果不是则n的值加1，运行流程一，如果是则结束运行。

全文数据：

权利要求：

百度查询： 南京邮电大学 基于深度神经网络非配对学习的红外光谱盲去卷积方法

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