【技术实现步骤摘要】
卷积神经网络、训练方法、服务器及存储介质
[0001]本专利技术涉及神经网络领域,特别涉及一种卷积神经网络、训练方法、服务器及存储介质。
技术介绍
[0002]数码相机和物体之间的相对运动会造成清晰信号的融合,模糊的本质是由于清晰信号融合产生的信息损失,因此,去模糊一直是计算机视觉领域中被广泛研究的任务。
[0003]目前,基于卷积神经网络(CNN,Convolutional Neural Networks)的深度学习方法被越来越多的应用于运动去模糊任务中,基于CNN的算法无需明确估计出模糊核,即可直接估计出恢复的清晰图像,避免了使用不完全正确的先验信息估计模糊核而带来的估计偏差。
[0004]然而,目前基于CNN的深度学习网络恢复清晰图片的效果仍然较差,影响到CNN恢复图像的质量。
技术实现思路
[0005]本申请实施例的主要目的在于提出一种卷积神经网络、训练方法、服务器及存储介质,提高获取的清晰图像的精确度,提高获取的清晰图片的质量。
[0006]为实现上述目的,本申请实施例提供了一种卷积神经网络,包括:编码器、与所述编码器连接的解码器;所述编码器包括依次连接的多个特征抽取子网络;所述解码器包括依次连接的多个特征还原子网络,所述编码器中尾端的特征抽取子网络与所述解码器中首端的特征还原子网络相连接;所述尾端的特征抽取子网络包括图像自相似性获取模块。
[0007]本申请实施例还提供了一种卷积神经网络的训练方法,应用于上述的卷积神经网络;所述方法包括:获取训练集,所述训练 ...
【技术保护点】
【技术特征摘要】
1.一种卷积神经网络,其特征在于,包括:编码器、与所述编码器连接的解码器;所述编码器包括依次连接的多个特征抽取子网络,所述解码器包括依次连接的多个特征还原子网络,所述编码器中尾端的特征抽取子网络与所述解码器中首端的特征还原子网络相连接;所述编码器中尾端的特征抽取子网络包括图像自相似性获取模块。2.根据权利要求1所述的卷积神经网络,其特征在于,所述图像自相似性获取模块包括十字交叉注意力子模块、卷积子模块,所述十字交叉注意力子模块用于对前一所述特征抽取子网络的生成的特征编码进行十字交叉处理,所述卷积子模块用于将所述十字交叉处理后的所述特征编码切成n份子特征编码,分别对每份所述子特征编码进行卷积之后再合并得到输出特征编码,并将所述输出特征编码输入至所述解码器首端的特征还原子网络;所述n为大于或等于2的整数。3.根据权利要求1所述的卷积神经网络,其特征在于,所述编码器包括N个所述特征抽取子网络,所述N为大于或等于3的整数;第一个所述特征抽取子网络用于接收输入图片并生成所述输入图片的特征编码,将所述编码的分辨率减半并将通道的数量增加至原本的两倍;第二个所述特征抽取子网络至第N
‑
1个所述特征抽取子网络之间的每个所述特征抽取子网络将输入的特征编码的分辨率减半并将通道的数量增加至原本的两倍。4.根据权利要求1所述的卷积神经网络,其特征在于,所述编码器包括三个所述特征抽取子网络,所述解码器包括三个所述特征还原子网络;第一个所述特征还原子网络包括第一增强的空间注意力模块;第二个所述特征还原子网络包括DeBlock模块和第二增强的空间注意力模块;所述第一增强的空间注意力模块连接所述DeBlock模块,所述DeBlock模块连接所述第二增强的空间注意力模块;所述第一增强的空间注意力模块还连接第二个所述特征抽取子网络的输出端;所述第二增强的空间注意力模块还连接第一个所述特征抽取子模块的输出端;所述第一增强的空间注意力模块和所述第二增强的空间注意力模块用于将输入的特征编码的分辨率增加至原本的两倍并将通道的数量减半;第三个所述特征还原子网络连接所述第二增强的空间注意力模块的输出端,用于根据所述第二增强的空间注意力模块输出的特征编码还原出输出图片。5.根据权利要求4所述的卷积神经网络,其特征在于,所述第一增强的空间注意力模块、所述第二增强的空间注意力模块对输入的特征编码分别进行均值滤波、最大值滤波、1*1卷积得到三个注意力特征编码,分别对三个注意力特征编码进行合并处理并加入对应的所述特征抽取子模块输出的特征编码得到目标注意力特征编码,所述目标注意力特征编码为对应的所述特征还原子网络输出的特征编码。6.根据权利要求1至5任一项所述的卷积神经网络,其特征在于,所述卷积神经网络包括:多阶主干网络;每阶所述主干网络包括一个所述编码器、一个所述解码器;每阶的所述主干网络的输出端...
【专利技术属性】
技术研发人员:张文强,华孝泉,胡婧婷,张杰,苟定勇,
申请(专利权)人:中兴通讯股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。