申请/专利权人：兰州交通大学

申请日：2024-01-09

公开（公告）日：2024-04-19

公开（公告）号：CN117911545A

主分类号：G06T9/00

分类号：G06T9/00;G06T5/60;G06T5/70;G06T5/20;G06V10/44;G06V10/52;G06V10/77;G06V10/80;G06V10/82;G06N3/0455;G06N3/0464;G06N3/0495;G06N3/082;H04N19/117;H04N19/17;H04N19/42;H04N19/80

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.07#实质审查的生效;2024.04.19#公开

摘要：本发明公开了基于滤波器剪枝的多尺度压缩感知图像重构算法，所提采样算法通过卷积模拟图像的线性分解，融合输入图像和不同尺度的分解特征后，进行多尺度采样得到压缩感知测量值，使采样子网络学习到更加丰富的多尺度特征，在重构阶段，提出一种基于坐标注意力的多尺度空洞残差模块，通过融合不同尺度特征及坐标注意力的加权得到更多的特征，进而完成重构。坐标注意力的引入，使得精确的位置信息嵌入到通道注意中，对通道关系和长距离依赖进行编码，增强了网络特征学习的能力，对较复杂的深度特征提取模块进行了模型剪枝来减少模型参数量，通过计算输出特征图的熵来判别每一个滤波器的重要性，剪除掉重要性低的滤波器，实现网络轻量化的目的。

主权项：1.基于滤波器剪枝的多尺度压缩感知图像重构算法，包括多尺度融合的坐标注意力网络，其特征是：多尺度融合的坐标注意力网络包含多尺度融合采样子网络、初始重构子网络和深度重构子网络，多尺度融合采样子网络使用大小为3×3，空洞值分别为1、2、3、4的卷积核来模拟线性分解，得到不同尺度的分解特征，如式1：xl＝Clx1式中：x表示原始图像，Cll∈{l,...m}表示卷积核，m表示卷积核的总个数，取m＝4，xl表示第l个图像分解特征；对大小为n×n的输入图像x线性分解得到四路不同尺度的特征，采用concat方式将相邻两路的分解特征进行融合，通过3×3、5×5、7×7大小的卷积核进一步提取融合后的特征信息，最后将x和三路特征用concat再进行融合，得到λ＝4个待采样的图像，单尺度采样时，若采样率为则采样矩阵ΦB可以得到个CS测量值，其中B＝32，选择大小为步长为的卷积核进行不重叠采样，时，得到个压缩感知测量值，由此，可以得到多尺度压缩感知测量值y，表示为：y＝Nms*xc2式中：*表示卷积运算，Nms表示大小为的nB个卷积核，xc表示concat融合后的特征；初始重构子网络通过反卷积Deconv方式将维度提升到原始图像的大小，并生成初始重构图像，反卷积操作首先将零添加到测量图像以将其维数扩展到原始图像的大小，然后将全卷积测量中的卷积核转置后对零填充测量图像进行卷积运算；深度重构子网络由浅层特征提取、深层特征提取和多尺度去噪模块三部分组成；1浅层特征提取使用大小为3×3，空洞值为3的128个卷积核对初始重构图像提取高维特征，然后使用3×3卷积来降低通道数，引入坐标注意力，最后通过3×3卷积层将注意力加权后的图像特征输出到深度特征提取部分；坐标注意力包括坐标信息嵌入和坐标注意力生成，对于输入Pi,j，使用H,1与1,W的池核将全局池化分别沿着水平L和竖直V坐标方向分解为一个一维特征编码对zh,zw，C为特征图的通道数，H，W分别为特征图的高度和宽度；首先将坐标信息嵌入部分生成的两路特征图级联，然后发送到大小为1×1卷积的变换函数F1，F1变换得到空间信息在水平方向和垂直方向上编码的中间特征图f∈RCr×H+W，r为缩放系数，用来控制通道数；然后从空间维度将f分解成两个独立的张量fh∈RCr×H和fw∈RCr×W，两个1×1卷积变换Fh和Fw分别用于将fh和fw变换为与输入特征具有相同通道数的张量，然后通过Sigmoid函数分别输出gh和gw作为注意力权重，通过更新权重Re-weight后，最终的输出Qi,j为：Qi,j＝Pi,j×ghi×gwj32深层特征提取提出了多尺度空洞残差块，也引入了坐标注意力机制，MDRB的数量为6，MDRB包含两部分：多尺度特征融合和局部残差学习；多尺度特征融合：第一层由三条支路分别使用空洞值为1、2、3的3×3卷积来提取特征，将三路不同尺度的特征进行concat融合，将融合后的特征通过坐标注意力加权后输入到第二层卷积层，完成和第一层同样操作，同理，第三层再融合第二层输出的融合特征，最后使用1×1卷积进行降维；局部残差学习：为了提升网络提取特征的效率，通过一个快捷连接对多尺度特征采用局部残差学习，可描述为：Xn＝S+Xn-14式中：Xn-1和Xn分别为MDRB的输入和输出，S表示输出的图像特征；3多尺度去噪首先通过大小为3×3的卷积对初始重构图像进行滤波，然后将通道按照顺序划分为三等分，不同卷积核用分层残差的形式连接，最后通过1×1卷积融合三路多尺度特征，整个模块做残差连接处理，分割和融合策略使得卷积能够更有效地处理特征，MDM内部及残差连接的具体操作可定义为：Xk＝X*3×3＝X1+X2+X35Y1＝X1*3×36Y2＝X2+Y1*3×37Y3＝X3+Y2*3×38X′＝X+Y9式中：Xk表示初始重构图像通过3×3卷积后的特征图，*表示卷积运算，Y1，Y2，Y3分别得到与标准卷积3×3、5×5和7×7相同的感受野。

全文数据：

权利要求：

百度查询： 兰州交通大学 基于滤波器剪枝的多尺度压缩感知图像重构算法

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