一种可变空洞卷积的稠密图像超分辨率网络制造技术

本发明专利技术提供一种可变空洞卷积的稠密图像超分辨率网络，其特征在于，包括多个依次串接的基本单元BN

【技术实现步骤摘要】
一种可变空洞卷积的稠密图像超分辨率网络


[0001]本专利技术属于图像处理
，具体涉及一种可变空洞卷积的稠密图像超分辨率网络。

技术介绍

[0002]空洞卷积也叫扩张卷积，简单来说就是在卷积核元素之间加入一些空格(零)来扩大卷积核的过程。由此，有效的感受野大小随之增长，而参数的数量却没有变化。
[0003]对于深度学习网络来说，感受野的大小往往是固定的，也就是跟卷积核的尺寸是相关的；而对于各种图像目标来说，其目标的大小决定的图像细节往往又是不同的，这就决定了深度学习网络对同一图像目标的最佳感受野并不相同。
[0004]目前的深度学习方法，往往采用固定尺度的滤波器，通过大量的滤波器和多层次的滤波器，来解决目标大小不同造成的最佳感受野不同的问题。如果能从底层开始选择多尺度的滤波器来解决最佳感受野选择的问题，理论上可以提升训练效率和处理效果。

技术实现思路

[0005]专利技术目的：针对上述现有技术，提出一种可变空洞卷积的稠密图像超分辨率网络；
[0006]技术方案：一种可变空洞卷积的稠密图像超分辨率网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可变空洞卷积的稠密图像超分辨率网络，其特征在于，包括多个依次串接的基本单元BN
‑
ReLU
‑
ConvBC
N
，且最后一个所述基本单元BN
‑
ReLU
‑
ConvBC
N
的输出端依次连接2个卷积层和1个反卷积层；其中，每个所述基本单元BN
‑
ReLU
‑
ConvBC
N
中的BN为归一化层，ReLU为损失函数L，ConvBC
N
为卷积操作，通过ConvBC
N
卷积操作获取单通道特征图；向第一个所述基本单元BN
‑
ReLU
‑
ConvBC
N
输入原始图像，反卷积层输出高分辨率图像。2.如权利要求1所述的一种可变空洞卷积的稠密图像超分辨率网络，其特征在于，损失函数L的计算公式为：式中，i表示高分辨率图像的像素序号，m为像素的个数，y
i

【专利技术属性】
技术研发人员：张云飞，曹黎俊，王孝群，蔡占毅，
申请(专利权)人：江苏济远医疗科技有限公司，
类型：发明
国别省市：