کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4948608 | 1439619 | 2016 | 18 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Research on the natural image super-resolution reconstruction algorithm based on compressive perception theory and deep learning model
ترجمه فارسی عنوان
تحقیق در الگوریتم بازسازی الگوریتم تصویر فوق العاده با استفاده از تئوری درک فشرده و مدل یادگیری عمیق
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تصویر فوق العاده رزولوشن، ادراک فشرده و حساسیت، مدل یادگیری عمیق، ساختار شبکه عصبی، بهینه سازی، تصاویر طبیعی ترمیم تصویر،
ترجمه چکیده
با پیشرفت قابل توجهی از یادگیری ماشین و هوش مصنوعی، تکنیک های پردازش تصویر مبتنی بر شناسایی الگو، سریعتر از همیشه رشد می کنند. در این مقاله، ما تجزیه و تحلیل نظری بر الگوریتم بازسازی تصویر با وضوح تصویر طبیعی با استفاده از تئوری درک فشرده و مدل یادگیری عمیق را انجام می دهیم. ترمیم تصویر هدف از پردازش تصویر تضعیف شده است که بهبود آن را تا قبل از تخریب تصویر ایده آل می گیرد. با توجه به دیدگاه اپتیک فوریه، سیستم تصویربرداری نوری یک فیلتر عبور پایین است که به علت تأثیر کلی پراش نوری است. شبکه عصبی عمیق با روش آموزشی غیررسمی سلسله مراتبی آموزش مقید بودن حرص و طمع به دلیل آموزش اولیه به عنوان مدل احتمالی نظارت بر یادگیری جدید از ارزش اولیه برای استفاده مناسب از سیستم تصویربرداری نوری خواهد بود. تئوری حساسیت فشرده شده تایید شده نشان می دهد که تا زمانی که سیگنال فشرده یا ضعیف باشد، بنابراین اگر یک ماتریس تبدیل وجود داشته باشد، ماتریس مشاهده مرتبط مربوط به سیگنال به طور مستقیم نمی تواند شکل فشرده سیگنال اصلی را بدست آورد. تحقیق ما پیشرفت تکنیک ذکر شده را در مرحله آموزشی تطبیق می دهد، ما از شبکه عمیق عصبی استفاده می کنیم تا به طور خودکار ویژگی ها را جذب کند و در روش بازسازی ما از نظر سنجش فشمی و نظریه یادگیری فرهنگی برای بازسازی تصویر با وضوح بالا استفاده کنیم. با افزایش هر دو مرحله، نتیجه تجربی ما نشان دهنده امکان الگوریتم رمان است. چشم انداز نیز در بخش نهایی بحث شده است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
With the bursting development of machine learning and artificial intelligence, the pattern recognition based image processing techniques are growing faster than ever before. In this paper, we conduct theoretical analysis on the natural image super-resolution reconstruction algorithm based on compressive perception theory and deep learning model. The image restoration is the purpose of the degraded image processing which make its recovery as it had been before the degradation of ideal image. According to the views of Fourier optics, optical imaging system is a low pass filter, due to the general influence of optical diffraction. The deep neural network with hierarchical unsupervised training method stratified greed training beforehand matter will be the result of the training as the novel learning supervision probability model of the initial value to make good use of the optical imaging system. The adopted compressed sensing theory points out that as long as signal is compressible or sparse, so, if there is a transformation matrix is not related observation matrix on signal can directly obtain compressed form of the original signal. Our research adopts the advances of the mentioned technique, in the training step, we use deep neural network to automatically capture the features and in the reconstruction procedure we use the compressive sensing and dictionary learning theory to reconstruct the high resolution image. By enhancing both of the steps, our experimental result indicates the feasibility of the novel algorithm. The prospect is also discussed in the final part.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 208, 5 October 2016, Pages 117-126
Journal: Neurocomputing - Volume 208, 5 October 2016, Pages 117-126
نویسندگان
Ganglong Duan, Wenxiu Hu, Jianren Wang,