-
公开(公告)号：CN109272452B
公开(公告)日：2020-12-22
申请号：CN201811007566.1
申请日：2018-08-30
Applicant: 北京大学
IPC: G06T3/40
Abstract: 本发明公布了一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建包括特征提取网络和图像恢复网络的新型超分辨率网络，实现单张图片的超分辨率恢复。通过特征提取网络将输入的低分辨率图像表示为一组特征映射；图像复原网络包括一个集团上采样模块和一个卷积层；将特征提取网络的输出特征传入集团上采样模块中，进行子带提取、自残差学习和子带精细化；使用逆离散小波变换改变特征图的分辨率大小，从而恢复得到高分辨率的特征图；再通过卷积层恢复得到高分辨率图像。本发明方法量化指标好，能够有效实现单张图片的超分辨率恢复。
-
公开(公告)号：CN107516129B
公开(公告)日：2020-06-02
申请号：CN201710645965.X
申请日：2017-08-01
Applicant: 北京大学
Abstract: 本发明公布了一种基于维度自适应调整的Tucker分解的深度网络压缩方法，包括维度自适应调整过程和维度适应的权重张量分解过程，通过适应调整张量各维度的大小，生成一个新的任意阶张量，再通过可学习的核张量和转移矩阵去实现张量分解，由此达到网络优化压缩的目的。相比于现有的低秩压缩方法，本发明在保持网络性能的情况下，网络参数量有更大的压缩倍数，能获得更高的压缩倍数；同时，不需要存储非零元素的指引位置，不需要记录索引，可以更有效的利用存储空间。
-
公开(公告)号：CN109272452A
公开(公告)日：2019-01-25
申请号：CN201811007566.1
申请日：2018-08-30
Applicant: 北京大学
IPC: G06T3/40
Abstract: 本发明公布了一种小波域中基于集团结构子带共同学习超分辨率网络的方法，通过构建包括特征提取网络和图像恢复网络的新型超分辨率网络，实现单张图片的超分辨率恢复。通过特征提取网络将输入的低分辨率图像表示为一组特征映射；图像复原网络包括一个集团上采样模块和一个卷积层；将特征提取网络的输出特征传入集团上采样模块中，进行子带提取、自残差学习和子带精细化；使用逆离散小波变换改变特征图的分辨率大小，从而恢复得到高分辨率的特征图；再通过卷积层恢复得到高分辨率图像。本发明方法量化指标好，能够有效实现单张图片的超分辨率恢复。
-
公开(公告)号：CN107516129A
公开(公告)日：2017-12-26
申请号：CN201710645965.X
申请日：2017-08-01
Applicant: 北京大学
Abstract: 本发明公布了一种基于维度自适应调整的Tucker分解的深度网络压缩方法，包括维度自适应调整过程和维度适应的权重张量分解过程，通过适应调整张量各维度的大小，生成一个新的任意阶张量，再通过可学习的核张量和转移矩阵去实现张量分解，由此达到网络优化压缩的目的。相比于现有的低秩压缩方法，本发明在保持网络性能的情况下，网络参数量有更大的压缩倍数，能获得更高的压缩倍数；同时，不需要存储非零元素的指引位置，不需要记录索引，可以更有效的利用存储空间。
-
-
-
Search Results
4
records
(took 0.015 seconds)
