公开(公告)号：CN110111257A

公开(公告)日：2019-08-09

申请号：CN201910378335.X

申请日：2019-05-08

Applicant: 哈尔滨工程大学

Inventor： 郑丽颖 ,  张文武 ,  邴鑫阳 ,  张晏博

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像重建领域，特别是涉及一种基于特征通道自适应加权的超分辨图像重建方法。一种基于特征通道自适应加权的超分辨图像重建方法，包括以下步骤：(1)改进压缩激励网络SE的激励函数，得到ISE模块；(2)简化现有的EDSR网络；(3)将ISE模型嵌入到简化的EDSR网络，得到ISE-EDSR模型；(4)用训练样本训练ISE-EDSR模型。本发明的优点有：训练难度低；自适应学习特征通道权重；避免网络中间层输出值过低的问题；超分辨率重建后的图像峰值信噪比高。

公开(公告)号：CN110111257B

公开(公告)日：2023-01-03

申请号：CN201910378335.X

申请日：2019-05-08

Applicant: 哈尔滨工程大学

Inventor： 郑丽颖 ,  张文武 ,  邴鑫阳 ,  张晏博

IPC: G06T3/40 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明属于图像重建领域，特别是涉及一种基于特征通道自适应加权的超分辨图像重建方法。一种基于特征通道自适应加权的超分辨图像重建方法，包括以下步骤：(1)改进压缩激励网络SE的激励函数，得到ISE模块；(2)简化现有的EDSR网络；(3)将ISE模型嵌入到简化的EDSR网络，得到ISE‑EDSR模型；(4)用训练样本训练ISE‑EDSR模型。本发明的优点有：训练难度低；自适应学习特征通道权重；避免网络中间层输出值过低的问题；超分辨率重建后的图像峰值信噪比高。

公开(公告)号：CN107609634A

公开(公告)日：2018-01-19

申请号：CN201710717240.7

申请日：2017-08-21

Applicant: 哈尔滨工程大学

Inventor： 郑丽颖 ,  沈柳笛 ,  张文武 ,  初妍

IPC: G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于增强极速学习的卷积神经网络训练方法，属于人工神经网络领域。其特征在于：构建传统的卷积神经网络，以三层感知机作为全连接层；利用传统的训练算法预训练卷积神经网络模型；当网络的损失函数小于预先设定好的阈值时，停止预训练；将所有样本输入预训练好的卷积神经网络模型，记录误分类的样本；保持预训练的模型结构和参数不变，根据误分类样本和极速学习算法微调全连接层的隐层与输出层之间的连接权值。本发明克服了传统CNN存在的问题，具有学习速度快、网络泛化能力强的特点。