3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising
1. 摘要
作者设计了一个 QRU3D 块来对高光谱图像进行去噪,其中的 3D 卷积负责提取空间和光谱的结构相关性,而近似循环池化函数则用来捕获光谱方向的全局相关性。
此外,作者还引入了交替方向结构,以消除单向的因果关系,并且无需额外的计算成本。
2. 方法介绍
2.1. QRU3D
QRU3D 块的结构如上图所示,包含两个主要步骤:3D 卷积和近似循环池化。其中输入 III 的大小 1∗H∗W∗B1*H*W*B1∗H∗W∗B,H,W,BH,W,BH,W,B分别为高光谱图像的长宽和波段数。
第一步我们分别应用两个 3D 卷积到输入图像,激活函数分别为 TanhTanhTanh 和 SigmoidSigmoidSigmoid,得到 Z,FZ,FZ,F 两个特征图,大小都为 Cout∗H∗W∗BC_{out}*H*W*BCout∗H∗W∗B。
然后,我们将 Z,FZ,FZ,F 沿着光谱方向分离出 BBB 个 zb,fbz_b, f_bzb,fb,那么输出特征图就可以表示为:
输出特征图 HHH 的每个波段 hbh_bhb 都由上一个波段的特征 hb−1h_{b-1}hb−1 以及 zbz_bzb 加权组成,而权重则由fbf_bfb 提供。
2.2. 交替方向结构
在一个前向的 QRU3D 单元中,输出特征图 hbh_bhb 只与前面波段的特征 zbz_bzb 相关,而与后面波段的特征无关,这显然是不合理的。
一个很自然的想法就是引入双向结构,一层从前向后循环,一层从后向前循环,然后再将两者相加,如上图 (b) 所示,但这样会使得计算代价和内存消耗近似翻倍。
因此,作者提出了一个交替方向结构,如上图 © 所示。也就是每个 QRU3D 单元中的循环顺序交替改变,如果上一层是从前向后循环,下一层则是从后向前循环。这样,既没有额外的计算代价,也能在任何位置都可以捕获整个波段的依赖性。
2.3. 整体网络结构
整体的网络结构则以 QRU3D 块为基础,采取 U-Net 的基本骨架,空间分辨率先变小再逐渐恢复到输入大小,并在分辨率相同的地方引入跳跃连接。详细的每一层的参数设置则如下表所示。
3. 实验结果
可以看到,作者提出的方法不仅在去噪效果上超越了现有方法,运行时间也是最快的。
获取更多精彩,请关注「seniusen」!
3-D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising相关推荐
- Quasi Recurrent Neural Network (QRNNs) (git待更新...)
文章目录 1. Introduction 2.模型详解 2.1. 卷积 2.2. 池化 相关代码 参考文献 工程化的时候总会考虑到性能和效率,今天的主角也是基于这个根源,最终目的是在准确率保证的前提下 ...
- 论文笔记22:QRNN3D: 3D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising
3D Quasi-Recurrent Neural Network for Hyperspectral Image Denoising-网络复杂 引言 相关工作 方法 3D Quasi-Recurre ...
- (zhuan) Recurrent Neural Network
Recurrent Neural Network 2016年07月01日 Deep learning Deep learning 字数:24235 this blog from: http://jxg ...
- Recurrent Neural Network系列2--利用Python,Theano实现RNN
作者:zhbzz2007 出处:http://www.cnblogs.com/zhbzz2007 欢迎转载,也请保留这段声明.谢谢! 本文翻译自 RECURRENT NEURAL NETWORKS T ...
- How to Visualize Your Recurrent Neural Network with Attention in Keras
Neural networks are taking over every part of our lives. In particular - thanks to deep learning - S ...
- 深度学习之递归神经网络(Recurrent Neural Network,RNN)
为什么有bp神经网络.CNN.还需要RNN? BP神经网络和CNN的输入输出都是互相独立的:但是实际应用中有些场景输出内容和之前的内 容是有关联的. RNN引入"记忆"的概念:递归 ...
- 论文学习15-Table Filling Multi-Task Recurrent Neural Network(联合实体关系抽取模型)
文章目录 abstract 1 introduction 2.方 法 2.1实体关系表(Figure-2) 2.2 The Table Filling Multi-Task RNN Model 2.3 ...
- Recurrent Neural Network系列1--RNN(循环神经网络)概述
作者:zhbzz2007 出处:http://www.cnblogs.com/zhbzz2007 欢迎转载,也请保留这段声明.谢谢! 本文翻译自 RECURRENT NEURAL NETWORKS T ...
- 【李宏毅机器学习】Recurrent Neural Network Part1 循环神经网络(p20) 学习笔记
李宏毅机器学习学习笔记汇总 课程链接 文章目录 Example Application Slot Filling 把词用向量来表示的方法 1-of-N encoding / one-hot Beyon ...
最新文章
- 在Linux上进行内核参数调整
- python 单词发音-在python中的单词上拆分语音音频文件
- vue axios POST请求中参数以form data和request payload形式的原因
- Java --- 基础学习Ⅰ
- mysql mysqladmin 介绍_Mysql—mysqladmin 命令详解
- 关于电脑周边配件的问题
- nginx和tomcat实现反向代理、负载均衡和session共享
- 动态表头_Excel制作动态考勤表及周六周日颜色标注
- Nexus-NuGet私有仓库服务搭建(一)
- 小程序开发教程 | 来自小程序开发者的实例教程
- 背包问题1:【SSL】1059.01背包问题——2021-03-10更
- 目标跟踪经典论文阅读(1)MOSSE
- 计算机网络基础知识试题及答案,计算机网络基础知识试卷及答案
- 集合的一些练习题1(Collection+Map)
- java版商城源码 spring cloud+spring boot+mybatis 多商户电子商务源码 直播带货源码 短视频带货源码 社交电商源码 分布式微服务电子商务源码
- android 高级工具包,root工具箱app下载
- android 移除子view,android-从父视图中移除视图与隐藏视图
- FineReport帆软报表实现动态生成递增列
- t600和t1200的区别
- 新型网络病毒“风暴”防护解决方案
热门文章
- kubectl命令补全出错:kubectl ge-bash: _get_comp_words_by_ref: command not found
- AD软件PCB转PADS
- 计算机仿真初审多长时间,普刊初审时间多久有回复
- QQ空间点赞Jquery代码
- 算法——连续性后处理(把26邻域连续的变成6邻域连续的)
- 微信小程序背景图片background无法在手机端显示问题解决方案
- 计算机编程ebcdic码,EBCDIC和BCD码
- 在Windows下搭建React Native Android开发环境常见问题
- iOS平台手机银行App大多存安全风险漏洞
- 基类、派生类、虚基类、虚函数、虚析构、纯虚函数、抽象类