[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像縮小方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010563256.9
• 申請(qǐng)日: 2020-06-19
• 公開(kāi)（公告）號(hào): CN111724306B
• 公開(kāi)（公告）日: 2022-07-08
• 發(fā)明（設(shè)計(jì)）人: 牛玉貞;鐘夢(mèng)真;林家祺;劉文犀
• 申請(qǐng)（專(zhuān)利權(quán)）人: 福州大學(xué)
• 主分類(lèi)號(hào): G06T3/40
• 分類(lèi)號(hào): G06T3/40;G06N3/04;G06N3/08;G06K9/62;G06V10/774
• 代理公司: 福州元?jiǎng)?chuàng)專(zhuān)利商標(biāo)代理有限公司 35100
• 代理人: 錢(qián)莉;蔡學(xué)俊

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像縮小方法，其特征在于，包括以下步驟：

對(duì)原始高分辨率訓(xùn)練圖像進(jìn)行預(yù)處理，得到原始高分辨率訓(xùn)練圖像塊組成的圖像塊數(shù)據(jù)集；

設(shè)計(jì)圖像縮小教師網(wǎng)絡(luò)，并使用圖像塊數(shù)據(jù)集訓(xùn)練該網(wǎng)絡(luò)；

設(shè)計(jì)圖像縮小學(xué)生網(wǎng)絡(luò)，保持訓(xùn)練好的圖像縮小教師網(wǎng)絡(luò)的參數(shù)、權(quán)重不變，訓(xùn)練圖像縮小學(xué)生網(wǎng)絡(luò)；

將原始高分辨率的測(cè)試圖像輸入到訓(xùn)練好的圖像縮小學(xué)生網(wǎng)絡(luò)，預(yù)測(cè)其縮小后的圖像；

所述設(shè)計(jì)圖像縮小教師網(wǎng)絡(luò)，并使用圖像塊數(shù)據(jù)集訓(xùn)練該網(wǎng)絡(luò)具體包括以下步驟：

將高分辨率訓(xùn)練圖像塊隨機(jī)分成一個(gè)以上的批次，每個(gè)批次包含N個(gè)圖像塊；

將每個(gè)批次的圖像塊分別輸入到圖像縮小教師網(wǎng)絡(luò)，得到各個(gè)圖像塊的圖像縮小預(yù)測(cè)結(jié)果；

根據(jù)圖像縮小教師網(wǎng)絡(luò)的目標(biāo)損失函數(shù)loss，利用反向傳播方法計(jì)算所述圖像縮小教師網(wǎng)絡(luò)中各參數(shù)的梯度，并利用隨機(jī)梯度下降方法更新參數(shù)；

以批次為單位重復(fù)進(jìn)行上述步驟直至得到的損失函數(shù)值收斂到預(yù)設(shè)的閾值或達(dá)到迭代次數(shù)閾值，保存網(wǎng)絡(luò)參數(shù)，完成圖像縮小教師網(wǎng)絡(luò)的訓(xùn)練過(guò)程；

所述圖像縮小教師網(wǎng)絡(luò)由逆亞像素卷積模塊以及通道注意力密集殘差模塊構(gòu)成；

所述將每個(gè)批次的圖像塊分別輸入到圖像縮小教師網(wǎng)絡(luò)，得到各個(gè)圖像塊的圖像縮小預(yù)測(cè)結(jié)果具體包括以下步驟：

A1：將高分辨率圖像塊輸入到一個(gè)逆亞像素卷積模塊，按如下公式重新排列圖像特征：

式中，s代表圖像縮小的尺度，s是大于1的整數(shù)，(c,h,w)分別代表特征的通道、高度、寬度，代表向下取整操作，invpixel()代表逆亞像素卷積操作，F(xiàn)₀為經(jīng)過(guò)逆亞像素卷積模塊重新排列后的特征，代表高分辨率圖像塊；

A2：將得到的特征F₀輸入到一個(gè)通道注意力密集殘差模塊，首先計(jì)算密集通道注意力模塊的輸出：

F₁＝Ψ_channel(H_i)；

式中，F(xiàn)₁為密集通道注意力模塊的輸出，Ψ_channel為通道注意力模塊，H_i代表密集連接模塊，下標(biāo)i表示第i個(gè)卷積層，其中密集連接模塊公式如下：

式中，代表按照通道拼接特征操作，w_i,b_i分別為第i層采用的卷積核的權(quán)重和偏置；

然后計(jì)算殘差模塊輸出：

F₂＝ReLU(w₂(ReLU(w₁(F₀)+b₁))+b₂)；

式中，F(xiàn)₂為殘差模塊輸出，w₁,b₁,w₂,b₂分別代表模塊中第一、第二層卷積層采用的卷積核的權(quán)重和偏置；

最后計(jì)算通道注意力密集殘差塊的輸出：

式中，F(xiàn)₃為通道注意力密集殘差塊的輸出，由F₁,F₂按通道拼接而成；

A3：通過(guò)一個(gè)卷積層將輸出特征的通道數(shù)調(diào)整為3，按如下公式得到圖像縮小教師網(wǎng)絡(luò)的最終輸出F₄：

F₄＝w₃(F₃)+b₃；

式中，其中w₃,b₃是這一步采用的卷積核的權(quán)重和偏置；

所述設(shè)計(jì)圖像縮小學(xué)生網(wǎng)絡(luò)，保持訓(xùn)練好的圖像縮小教師網(wǎng)絡(luò)的參數(shù)、權(quán)重不變，訓(xùn)練圖像縮小學(xué)生網(wǎng)絡(luò)具體包括以下步驟：

將高分辨率訓(xùn)練圖像塊隨機(jī)分成一個(gè)以上的批次，每個(gè)批次包含N個(gè)圖像塊；

將每個(gè)批次的圖像塊分別輸入到預(yù)訓(xùn)練好的圖像縮小教師網(wǎng)絡(luò)以及需要訓(xùn)練的圖像縮小學(xué)生網(wǎng)絡(luò)；

根據(jù)圖像縮小學(xué)生網(wǎng)絡(luò)的目標(biāo)損失函數(shù)loss，利用反向傳播方法計(jì)算所述圖像縮小卷積神經(jīng)網(wǎng)絡(luò)中各參數(shù)的梯度，并利用隨機(jī)梯度下降方法更新參數(shù)；

以批次為單位重復(fù)進(jìn)行上述步驟，直至圖像縮小學(xué)生網(wǎng)絡(luò)的目標(biāo)損失函數(shù)loss值收斂到預(yù)設(shè)的閾值或達(dá)到迭代次數(shù)閾值，保存網(wǎng)絡(luò)參數(shù)，完成圖像縮小學(xué)生網(wǎng)絡(luò)訓(xùn)練過(guò)程。