公共文化服务平台

搜索到214509篇“ 分辨率“的相关文章

基于残差U-net网络的地震资料分辨率提高方法: 2025年; 高分辨率地震资料处理是获取高品质地震资料、实现薄储层良好地震地质解释的关键。传统提高地震分辨率的方法应用条件苛刻,关键参数求取复杂,在实际应用中受到诸多限制。深度学习中的U-net网络以纯数据驱动的优势,可学习低分辨率地震记录到高分辨率标签的非线性关系,实现地震资料的高分辨率处理。本文设计了残差U-net网络结构,同时提出了基于概率密度函数控制的同分布反射系数集生成方法,将测井反射系数的概率密度函数作为一种先验约束信息融入训练样本,不仅保证了足够的同分布样本来训练网络,还确保了训练样本更符合工区实际情况,以此提高模型预测的准确性。模型测试和实际资料应用结果表明,本文提出的方法能够有效应用于地震资料分辨率的提高,同时拓宽频带。; 董博艺张进; 关键词：提高分辨率同分布

采用感受野优化与渐进特征融合的图像超分辨率算法: 2025年; 针对现有基于深度学习的超分辨率方法存在参数冗余以及难以学习到全局上下文信息、重建图像高频特征能力欠佳的问题,提出一种基于感受野优化与渐进特征融合的超分辨率网络(RPSRnet),其在单幅图像重建方面实现了较高的性能。该网络采用像素注意力机制与大感受野卷积相结合的方式,设计两条渐进路径将输入表征为不同层次的特征抽象,增强网络捕获上下文信息的能力,同时减少了网络参数冗余。通过分层卷积和多重感受野分支,在保持轻量卷积的前提下,于分层的多路径上学习不同尺度的融合特征,增强网络重建边缘细节和复杂纹理特征的能力。实验结果表明:相比于先进算法,所提算法在基准测试集Set5上的峰值信噪比达到32.47 dB,在测试集Set14上达到28.81 dB,优于现有的先进算法,且网络参数更少,实现了9%的参数缩减,从而验证了算法的有效性。; 吴洪伍盖绍彦达飞鹏; 关键词：超分辨率

双编码端高分辨率遥感影像语义分割算法: 2025年; 遥感影像具有多尺度对象、复杂背景、不均衡类别等特点。基于卷积神经网络(CNN)的语义分割算法难以捕捉到影像的全局特征,导致分割效果不佳。针对以上问题,利用Swin Transformer的全局特征提取能力,提出了双编码端高分辨率遥感影像语义分割算法DEGFNet。设计特征融合模块(FFB)将Swin Transformer捕获的全局特征引入编码端,应对多尺度对象带来的挑战。在Swin Transformer中设计空间交互模块(SIB),降低复杂背景样本带来的负面影响;在解码端引入全局-局部注意力模块(GLTB)和特征细化模块(FRB),来更好地利用编码端提取的信息,提高语义分割的精确性;采用交叉熵损失和Dice Loss组成的混合损失函数训练模型,减轻样本类别不均衡带来的消极影响。在Vaihingen数据集上,宏观平均F1值(mF1)、平均交并比(mIoU)和整体准确率(OA)指标分别达到91.9%、84.8%和92.4%;在LoveDA数据集上,mIoU指标达到55.0%,均展现出了更好的语义分割效果和良好的泛化性。; 吴梦可高心丹; 关键词：高分辨率遥感影像卷积神经网络

基于双目立体视觉的多分辨率图像匹配方法研究: 2025年; 在双目立体视觉系统中,面对复杂场景时噪声会损害图像特征,增加提取难度,导致匹配精度和鲁棒性下降。因此,文中提出基于双目立体视觉的多分辨率图像匹配方法,旨在从不同尺度图像中有效获取信息并实现高精度匹配。该方法利用双目立体视觉模型的双目旋转相机扫描目标并进行成像,根据内、外空间标定提升双目旋转相机的位置精度,保证目标的多分辨率成像效果;将其输入金字塔立体匹配网络中,通过网络中的类金字塔多空洞卷积操作提取双目图像特征,在此基础上,基于可变卷积增强其纹理特征细节;结合细粒度特征和互注意力机制完成双目图像匹配。测试结果显示,空间标定后,左、右两个相机的成像误差最小值分别为0.6 Pixel和0.4 Pixel;匹配点坐标偏差均值和坐标偏差方差值分别低于0.012和0.011,匹配效果良好。; 刘华春吴广文闫静莉; 关键词：双目立体视觉多分辨率图像匹配特征提取细粒度

DCaT:面向高分辨率场景的轻量级语义分割模型: 2025年; 语义分割是计算机视觉中分析和理解场景的关键任务,但现有的分割模型需要较高的计算成本和内存需求,不适合高分辨率场景的轻量级语义分割。针对该问题,提出了一种新的面向高分辨率场景的轻量级语义分割模型DCaT。采用深度可分离卷积提取图像的局部语义;使用基于坐标感知和动态稀疏混合注意力的轻量级Transformer获取图像的全局语义;通过模块融合,在低级语义上注入高级语义;通过分割头输出像素预测标签。实验结果表明:与基线模型相比,DCaT在高分辨率数据集Cityscapes上的平均交并比提高了1.5个百分点,模型复杂度降低了26%,推理速度提升了12%。实现了高分辨率场景下模型复杂度与性能之间的更好平衡,证明了DCaT的有效性和实用性。; 黄科迪黄鹤鸣李伟樊永红; 关键词：轻量化高分辨率 TRANSFORMER

基于超分辨率重组技术提高CT放射组学评估原发性肝癌经导管肝动脉化疗栓塞术后肿瘤反应的价值: 2025年; 目的探讨基于超分辨率重组技术提高CT放射组学评估原发性肝癌经导管肝动脉化疗栓塞术(TACE)后肿瘤反应的价值。方法基于癌症影像档案库下载2002年11月至2012年6月来自于美国德克萨斯大学安德森癌症中心机构的105例肝癌患者的临床影像资料。基于GAN深度学习模型执行超分辨率重组过程对CT门静脉期低分辨率图像实现了提高4倍空间分辨率。基于低、高分辨率和三维图像提取放射组学特征,构建机器学习模型。基于多种指标评估低、高分辨率、三维图像模型(低,模型1;高,模型2;三维,模型3)评估TACE后肿瘤反应的效果差异。结果经过超分辨率重组后构建的模型2[曲线下面积(AUC)=0.84]的AUC值远远高于模型1(AUC=0.70),与模型3相似(AUC=0.82)。Delong检验显示模型2和模型1,模型2和模型3并没有显著的效果差异,但综合判别指数却表现出模型2比模型1更优越,与模型3相似的预测效果。结论利用超分辨率重组技术具有潜在提高二维CT图像的空间分辨率,减少视觉误差以提高CT放射组学的可靠性,优化了TACE术后肿瘤反应的预测效果。; 刘文慈卢振东卜秋进罗文暄符有文; 关键词：肝癌经导管肝动脉化疗栓塞术肿瘤反应

无人机海上舰船目标影像超分辨率重建: 2025年; 针对无人机在获取海上舰船目标影像时面临的实时性与清晰度之间的矛盾,提出一种影像压缩模糊重建方法。该方法利用改进的YOLOv8检测模型和Real-ESRGAN网络,通过数据集构建、网络训练调试和部署运用等步骤,实现了在有限带宽和计算资源环境下地面端高质量舰船目标影像的实时重建。首先利用改进的YOLOv8模型对影像中舰船目标进行精准检测和定位,随后通过Real-ESRGAN网络对压缩及模糊影像进行重建,以恢复影像的高分辨率和细节信息。实验结果表明,该方法不仅显著提升了影像的清晰度和检测准确性,还大幅减少了带宽消耗,满足了无人机舰船识别的高实时性要求,且在资源受限的情况下表现尤为突出。为无人机在海上舰船目标监测领域提供了一种有效的解决方案,不仅提高了无人机的监测和识别能力,也为进一步推进无人机在海洋监测中的广泛应用奠定了基础。; 孙炜玮崔亚奇张少卿夏沭涛; 关键词：无人机影像

GKPA-联合全局与关键区域的光学-SAR中分辨率遥感影像场景分类: 2025年; 遥感影像场景分类是自然灾害检测和城市功能规划等实际应用的基础,因此研究遥感影像场景分类具有重要意义。基于深度学习的方法由于其强大的特征提取能力已经成为遥感影像场景分类领域最常用的方法,此类方法强烈依赖数据集的质量。现阶段场景分类领域的数据集大多为高分辨率的光学影像,易于提取有效的语义特征。在面对中分辨率场景时,影像中细节信息更匮乏,有效特征不够显著,场景分类具有更大难度,相较于高分辨率场景分类精度不够理想。在此情况下,利用其他模态的数据如合成孔径雷达(SAR)提供互补特征可以有效改善场景分类精度。考虑到以上现状,本文构建光学-SAR遥感影像场景分类数据集(OS-RSISC),基于此数据集进一步提出了一个联合全局与关键区域的感知注意力双模态场景分类框架(GKPA-RSSC)。实验结果显示GKPA-RSSC相较于对比方法具有最高的分类精度,总体精度达81.97%。光学-SAR数据与单模态数据的对比试验结果突显双模态数据的优势,进而验证了本文提出的光学-SAR场景分类数据集的重要意义。; 李杰何国强蒋梦辉袁强强

分辨率增强成像: 本文公开了将以下各项组合的系统和方法：(i)使用第一光学变换来产生被引导到被成像物体的图案化照明，使得由所述物体反射、透射、散射或发射的光包括关于所述物体的原本不会获得的高分辨率空间信息；以及(ii)使用第二光学变换，所...; O·施瓦茨G·阿尔莫吉R·陆G·波洛维A·E·弗朗茨

去噪和超分辨率: 公开了一种处理包括多个像素的一个或多个检查图像的计算机实现方法，包括：获得输入检查图像(S1)，该输入检查图像由被配置成检查一个或多个容器的检查系统生成，其中所述检查系统被配置成通过将由加速器生成的并且具有从所述加速器到...; N·加迪L·托拜厄斯

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈