【图像超分辨率】Remote Sensing Imagery Super Resolution Based on Adaptive Multi-Scale Feature Fusion Network
对于遥感图像的超分辨率,本文提出了一种自适应多尺度特征融合网络(AMFFN)。 AMFFN 可以直接从原始低分辨率图像中提取密集特征,而无需任何图像插值预处理。串联几个自适应多尺度特征过滤块(AMFE),以自适应地提取遥感图像的高频详细特征信息。AMFFN 的主要贡献包括:
- 针对遥感图像的超分辨率引入了一种自适应多尺度特征融合网络,可以自适应地提取多尺度特征信息;
- 集成了挤压激励模块(Squeeze-and-Excited,SE)和自适应门控单元(Adaptive Gating Unit),用于特征提取和融合,可以学习特征图的通道相关性,自适应地确定应保留多少先前特征信息,减少冗余特征信息中间的多尺度特征,并增强了有用特征信息的使用。
首先介绍了自适应多尺度特征融合网络的整体结构,然后详细介绍了网络结构中更加细节的设计。
自适应多尺度特征融合网络(AMFFN)的网络结构主要分为四个部分:
- 原始特征提取(original feature extraction)
- 自适应多尺度特征提取(adaptive multi-scale feature extraction,AMFE)
- 特征融合(feature fusion)
- 图像重建(image reconstruction)
自适应多尺度特征提取是本文算法的核心模块,它由若干个自适应多尺度特征过滤块(AMFB)串联而成,主要用于完成遥感图像高频细节特征信息的自适应提取。
上图中网络输入为待重建的低分辨率遥感图像LR,HR为重建的高分辨率遥感图像。为保证计算效率,图像特征的提取和融合均在LR上进行。首先将带0n 个卷积核的卷积层conv 应用于输入图像,以生成一组特征图,具体操作如下:
式中,A 作为从低分辨率遥感图像中提取原始特征,w 对应于卷积层中的滤波器,这里为 128 个空间大小为 3×3 的卷积核,0b 表示卷积层的偏置,而’*'表示卷积运算。
在自适应多尺度特征提取部分,假设这里部分包含有 n 个自适应多尺度提取块(AMFE),那么第 i 个 AMFE 可以表示为:
、
其中,fMFE表示多尺度特征提取操作,g(.) 表示自适应特征门控操作,AMFE 是自适应特征提取的基础模块,它是由多尺度特征提取(multi-scale feature extraction, MFE)单元和特征门控组成,用于自适应地保留来自前一个 AMFE 模块的特征信息。通过特征提取,可以获得一系列特征图,对于这些特征图,包含大量的冗余信息,如果直接将其用于图像重建,则会大大增加计算负担。 因此,在将这些用于超分辨率的特征输入到重建层之前,将特征融合层设置在 n 个AMFE 之后以进行特征融合和降维。 特征融合层fusionA 的输出公式为:
上式中,w 对应特征融合层的权重,代表了 64 个尺寸为 1×1 的卷积核,b 是对应的偏差,并且[ , , , ]表示由第一特征提取层 conv 和 AMFE 提取的所有特征图的并联。
在最后图像重建部分与许多基于 CNN 的方法一样,采用亚像素卷积(sub-pixelconvolution)[35]的方法来重建高分辨率遥感图像。重建层的数学表达可以定义如下:
【图像超分辨率】Remote Sensing Imagery Super Resolution Based on Adaptive Multi-Scale Feature Fusion Network相关推荐
- 学习笔记之——基于深度学习的图像超分辨率重建
最近开展图像超分辨率( Image Super Resolution)方面的研究,做了一些列的调研,并结合本人的理解总结成本博文~(本博文仅用于本人的学习笔记,不做商业用途) 本博文涉及的paper已 ...
- 基于深度学习的图像超分辨率重建
最近开展图像超分辨率( Image Super Resolution)方面的研究,做了一些列的调研,并结合本人的理解总结成本博文~(本博文仅用于本人的学习笔记,不做商业用途) 本博文涉及的paper已 ...
- 【图像超分辨率】Remote Sensing Image Super-resolution: Challenges and Approaches
Remote Sensing Image Super-resolution: Challenges and Approaches 遥感图像超分辨率的挑战和方法 1 摘 要 2 遥感观测模型 3 遥感中 ...
- 深度学习(6):图像超分辨率(Image Super Resolution)重建
目标:使用深度学习技术对图像进行超分辨率重建,涉及到的技术包括卷积神经网络,生成对抗网络,残差网络等. 技术:本实验使用到"Jupyter Notebook"等开发组件,涉及到了& ...
- 基于Python的图像超分辨率(Image Super Resolution)
资源下载地址:https://download.csdn.net/download/sheziqiong/85596189 一.业务背景 本实验将使用时深度学习技术对图像进行超分辨率重建,设计到的技术 ...
- 《Foreground-Aware Relation Network for Geospatial Object ......Remote Sensing Imagery》
论文阅读笔记:<Foreground-Aware Relation Network for Geospatial Object Segmentation in High Spatial Reso ...
- 深度学习(二十)——Ultra Deep Network, 图像超分辨率算法
http://antkillerfarm.github.io/ Ultra Deep Network FractalNet 论文: <FractalNet: Ultra-Deep Neural ...
- 【图像超分辨率】MSAN:Scene-Adaptive RS Img SR a Multiscale Attention
MSAN:Scene-Adaptive Remote Sensing Image Super-Resolution Using a Multiscale Attention Network 摘要 I ...
- 【图像超分辨率】SR for RS via Local–Global Combined Network
Super-Resolution for Remote Sensing Images via Local–Global Combined Network 摘要 I. 引言 II. 方法 A. 用于超分 ...
最新文章
- 逻辑回归 + GBDT模型融合实战!
- python提高办公效率-用Python的这3个优点,让工作效率提升一倍
- sublimeText3 工具
- gulp修改服务器端口,2.用gulp建立一个服务器
- Web安全-伪静态网页
- Windows 任务栏缩略图自定义程序[更新 Build20100830]
- integer 最大值_JAVA源码之Integer
- 开源数据库:何为NoSQL生态系统?
- Atitti onvif 设备发现与原理
- paip.图形化编程厉器.net vs2010 工作流WF4 hello word
- 请不要滥用SharedPreference
- Effective java读后感
- 作为一名程序员,我都收集了哪些好玩的生成器?
- getch方法_C语言 getch()用法及代码示例
- 个人支付方案(免签约)-支付宝当面付开通教程
- SpringBoot整合SpringDataElasticSearch 完成地理搜索 附近人搜索 距离搜索
- 北航计算机考研经验_2018届考研
- Node 学习 | Day03 express (初识Express、Express 路由、Express 中间件、使用 Express 写接口)
- Mountain Lion 系统配置 Apache+Mysql+PHP 详细教程
- 关于卸载Google浏览器后无法重装问题
热门文章
- confirm修改按钮文字_踏入MG动画设计的门,才知道文字动画这么重要……
- c语言程序输入n个数字排序,输入n个数字然后进行排序,用C语言编写。注意是n个数啊,不是确定的个数。...
- 人脸测温门禁 传感器_湖南人脸测温门禁如何选择
- 关于Android studio 3.0 Failure [INSTALL_FAILED_TEST_ONLY]安装失败的问题
- mysql数据库没有密码_MySQL用户数据库没有密码列-在OSX上安装MySQL
- symbol(s) not found for architecture i386
- 从一道面试题说起—js隐式转换踩坑合集
- 如何开启一个Django项目
- 表中字段变化sql语句如何出现
- nfs挂载在centos6后注意