[發(fā)明專利]使用卷積神經(jīng)網(wǎng)絡(luò)的超分辨率在審
| 申請?zhí)枺?/td> | 202080093007.6 | 申請日: | 2020-02-17 |
| 公開(公告)號: | CN114945935A | 公開(公告)日: | 2022-08-26 |
| 發(fā)明(設(shè)計)人: | 蔡曉霞;王晨;竇環(huán);邱怡仁;徐理東 | 申請(專利權(quán))人: | 英特爾公司 |
| 主分類號: | G06T3/40 | 分類號: | G06T3/40;G06N3/08 |
| 代理公司: | 北京東方億思知識產(chǎn)權(quán)代理有限責(zé)任公司 11258 | 代理人: | 陳蒙 |
| 地址: | 美國加利*** | 國省代碼: | 暫無信息 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 使用 卷積 神經(jīng)網(wǎng)絡(luò) 分辨率 | ||
1.一種用于超分辨率成像的裝置,包括:
卷積神經(jīng)網(wǎng)絡(luò),用于接收低分辨率幀并且生成高分辨率亮度分量幀;
硬件縮放器,用于接收所述低分辨率幀并且生成高分辨率色度分量幀;以及
組合器,用于將所述高分辨率亮度分量幀和所述高分辨率色度分量幀相組合,以生成高分辨率幀。
2.如權(quán)利要求1所述的裝置,其中,所述卷積神經(jīng)網(wǎng)絡(luò)在額外的訓(xùn)練幀對上被訓(xùn)練,所述額外的訓(xùn)練幀對被生成為包括增強部分,所述增強部分是使用高分辨率地面實況訓(xùn)練幀的最近鄰降采樣來生成的。
3.如權(quán)利要求1所述的裝置,其中,所述卷積神經(jīng)網(wǎng)絡(luò)是使用自相似性損失函數(shù)來訓(xùn)練的。
4.如權(quán)利要求1所述的裝置,其中,所述卷積神經(jīng)網(wǎng)絡(luò)包括基于增強型深度超分辨率的小尺度網(wǎng)絡(luò)。
5.如權(quán)利要求1所述的裝置,其中,所述卷積神經(jīng)網(wǎng)絡(luò)包括參數(shù)化修正線性單元(PReLU)激活。
6.如權(quán)利要求1-5的任何組合所述的裝置,其中,所述卷積神經(jīng)網(wǎng)絡(luò)用于在訓(xùn)練期間從低分辨率訓(xùn)練幀生成重建的高分辨率幀,其中,所述重建的高分辨率幀和地面實況高分辨率幀被用于計算損失,該損失被用于訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)。
7.如權(quán)利要求1-5的任何組合所述的裝置,包括:基于CNN的降采樣器,用于對重建的高分辨率幀進行降采樣,以用于訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)。
8.如權(quán)利要求1-5的任何組合所述的裝置,包括:自相似性損失計算器,用于基于從重建的高分辨率幀生成的基于CNN的降采樣幀、以及通過對高分辨率地面實況幀進行降尺度生成的低分辨率訓(xùn)練幀,來計算自相似性損失。
9.如權(quán)利要求1-5的任何組合所述的裝置,包括:最終損失計算器,用于基于損失和自相似性損失來計算最終損失,所述最終損失被用于在訓(xùn)練期間訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)。
10.如權(quán)利要求1-5的任何組合所述的裝置,其中,所述卷積神經(jīng)網(wǎng)絡(luò)的特征圖譜大小被優(yōu)化來改善緩存局部性。
11.一種用于超分辨率成像的方法,包括:
經(jīng)由處理器接收低分辨率幀;
經(jīng)由卷積神經(jīng)網(wǎng)絡(luò)(CNN)基于所述低分辨率幀生成高分辨率亮度分量幀;
經(jīng)由硬件縮放器基于所述低分辨率幀生成高分辨率色度分量幀;以及
經(jīng)由所述處理器將所述高分辨率亮度分量幀和所述高分辨率色度分量幀相組合,以生成高分辨率幀。
12.如權(quán)利要求11所述的方法,包括:使用高分辨率地面實況訓(xùn)練幀的最近鄰降采樣來訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)。
13.如權(quán)利要求11所述的方法,包括:使用自相似性損失函數(shù)來訓(xùn)練所述卷積神經(jīng)網(wǎng)絡(luò)。
14.如權(quán)利要求11所述的方法,其中,生成所述高分辨率亮度分量幀包括:使用具有化簡的殘差塊組的CNN。
15.如權(quán)利要求11所述的方法,其中,生成所述高分辨率亮度分量幀包括:使用具有參數(shù)化修正線性單元(PReLU)激活的CNN。
16.如權(quán)利要求11-15的任何組合所述的方法,包括:使所述卷積神經(jīng)網(wǎng)絡(luò)的特征圖譜大小適應(yīng)于所述低分辨率幀的分辨率。
17.如權(quán)利要求11-15的任何組合所述的方法,包括:基于所述處理器可用的存儲器帶寬來調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)中的特征圖譜的數(shù)目。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于英特爾公司,未經(jīng)英特爾公司許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202080093007.6/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 卷積運算處理方法及相關(guān)產(chǎn)品
- 一種卷積神經(jīng)網(wǎng)絡(luò)的計算方法及系統(tǒng)
- 卷積運算方法及系統(tǒng)
- 卷積運算方法、裝置及系統(tǒng)
- 深度神經(jīng)網(wǎng)絡(luò)裁剪方法、裝置及電子設(shè)備
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法和圖像處理裝置
- 卷積神經(jīng)網(wǎng)絡(luò)及基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理方法
- 一種圖像處理方法、裝置以及計算機存儲介質(zhì)
- 用于卷積神經(jīng)網(wǎng)絡(luò)的卷積運算裝置
- 基于FPGA實現(xiàn)圖像識別的方法、裝置、設(shè)備及存儲介質(zhì)
- 硬件神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法、計算裝置、軟硬件協(xié)作系統(tǒng)
- 生成較大神經(jīng)網(wǎng)絡(luò)
- 神經(jīng)網(wǎng)絡(luò)的生成方法、生成裝置和電子設(shè)備
- 一種舌診方法、裝置、計算設(shè)備及計算機存儲介質(zhì)
- 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
- 脈沖神經(jīng)網(wǎng)絡(luò)轉(zhuǎn)換方法及相關(guān)轉(zhuǎn)換芯片
- 圖像處理方法、裝置、可讀存儲介質(zhì)和計算機設(shè)備
- 一種適應(yīng)目標(biāo)數(shù)據(jù)集的網(wǎng)絡(luò)模型微調(diào)方法、系統(tǒng)、終端和存儲介質(zhì)
- 用于重構(gòu)人工神經(jīng)網(wǎng)絡(luò)的處理器及其操作方法、電氣設(shè)備
- 一種圖像神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化方法及裝置





