一种用于文字修复的分支卷积通道注意力模块制造技术

本发明专利技术涉及一种用于文字修复的分支卷积通道注意力模块，属于文字修复领域。包括字符自编码器，CAE是一个基于U

【技术实现步骤摘要】
一种用于文字修复的分支卷积通道注意力模块


[0001]本专利技术涉及一种用于文字修复的分支卷积通道注意力模块，是利用神经网络模型来修复笔画缺失或涂抹不清楚的文字，目的是数字化保护文化遗产和提高手写汉字识别的准确率，是一种端到端的修复网络，涉及到的技术包括U
‑
net、扩张卷积(Dilated convolution)、RepVGG和高效通道注意力机制(Efficient Channel Attention for Deep Convolutional Neural Networks,ECA
‑
net)等，属于文字修复


技术介绍

[0002]目前，研究文字修复的学者不多，提出的文字修复方法更是寥寥无几。文字修复是图像修复的一个具体应用，属于图像修复的一个分支，是一个小众研究。
[0003]图像修复的概念很早就被提出，在发展过程中也设计了很多优秀的算法。根据修复方法的不同，可以分为传统纯算法修复和神经网络修复。传统的图像修复主要有偏微分方程和补丁匹配这两类。
[0004]偏微分方程只能修本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于文字修复的分支卷积通道注意力模块，其特征在于，包括字符自编码器，即CAE，CAE是一个基于U
‑
Net的生成器和一个判别器，生成器负责文字修复任务，判别器负责监督生成器完成文字修复任务；CAE的生成器由编码器和解码器组成；编码器是一个下采样层，该层通过不断减小空间分辨率实现将图像信息压缩到低维表示，CAE使用BCCAM替换下采样层，对文字特征进行逐层下采样，将文字特征学习到一个长度为128的向量；CAE的前面还设置有4层扩张卷积；解码器是上采样层，通过不断增加特征映射大小重新增加分辨率，精确地重建原始图像；判别器由下采样模块组成，判别器将输入的文字学习到4x4的特征矩阵进行判别。2.根据权利要求1所述的用于文字修复的分支卷积通道注意力模块，其特征在于，训练CAE时采用了三个损失函数，分别是最小二乘对抗损失、像素重建损失和纹理损失，损失函数是引导优化器对生成器进行优化的目标，是模型训练中关键的部分；最小二乘对抗损失的作用是辅助并监督生成器生成出更像训练集的文字，即使生成器生成出地文字更加真实，更符合人类的视觉；最小二乘损失函数如下所示：最小二乘损失函数如下所示：其中，D(
·
)和G(<...

【专利技术属性】
技术研发人员：赵龙，袁宗龙，娄煜昊，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：