龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：东北师范大学
申请日：2024-03-21
公开（公告）日：2024-06-21
公开（公告）号：CN118229526A
主分类号：G06T3/4053
分类号：G06T3/4053;G06T3/4046;G06N3/0464;G06N3/0455;G06N3/082;G06N3/084;G06T5/73
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明公开了一种基于CNNs和Transformer的单幅中子图像超分辨率模型，主要包括用于局部特征提取的CNNs模块和用于全局信息学习的并行Transformer结构两大部分。CNNs模块主要是由特征提取网络和高频信息增强网络以及改进后的通道注意力机制组成。采用并行Transformer架构，结合了两种Transformer的优点，在节约网络计算资源的同时能够提取更多的上下文信息，解决中子图像序列中的长依赖问题，学习图像的全局信息，实现更优的单幅中子图像超分辨率。计算像素级损失时，引入高频锐化部分来引导网络关注提升图像的高频细节部分。
主权项：1.一种基于CNNs和Transformer的单幅中子图像超分辨率模型，它包括：利用卷积核大小为3×3的卷积层Ⅰ（11）初步提取、CNNs模块（4）深度提取、Transformer（3）全局信息的学习；对初步提取获得的特征和经过Transformer（3）进行全局信息的学习后获得的特征，赋予一定的权重然后再进行相加，使用卷积核大小为3×3的卷积层Ⅱ（12）进行细化；采用亚像素卷积层Ⅰ（51）对特征进行上采样，然后利用卷积核大小为3×3的卷积层Ⅲ（13），对上采样的特征进行细化从而重建高分辨率特征；将卷积核大小为3×3的卷积层Ⅰ（11）初步提取的特征，利用亚像素卷积层Ⅱ（52）进行上采样，然后利用卷积核大小为3×3的卷积层Ⅳ（14），对上采样的特征进行细化后，与网络重建的高分辨率特征相加；所述的权重为网络学习自适应权重λ1和λ2；所述的CNNs模块的聚合（2），是密集跳跃连接串联的三个CNNs模块（4）；所述的CNNs模块（4）包括：特征提取网络、高频信息增强网络和通道注意力机制。
全文数据：
权利要求：
百度查询： 东北师范大学 一种基于CNNs和Transformer的单幅中子图像超分辨率模型
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号