文献类型：期刊文献

中文题名：基于改进的卷积神经网络的图像超分辨率重建

英文题名：Image super-resolution reconstruction based on improved convolutional neural networks

作者：甄雪艳[1];何宁[2];孙欣[2]

第一作者：甄雪艳

机构：[1]北京联合大学北京市信息服务工程重点实验室,北京100101;[2]北京联合大学智慧城市学院,北京100101

第一机构：北京联合大学北京市信息服务工程重点实验室

年份：2020

卷号：41

期号：3

起止页码：795-801

中文期刊名：计算机工程与设计

外文期刊名：Computer Engineering and Design

收录：CSTPCD;;北大核心:【北大核心2017】；

基金：国家自然科学基金项目(61572077、61872042、61370138);北京市教育委员会科研计划基金项目(KZ201911417048)。

语种：中文

中文关键词：深度学习;超分辨率重建;卷积神经网络;自适应矩估计;激活函数

外文关键词：deep learning;super-resolution reconstruction;convolution neural network;adaptive moment estimation;activation function

摘要：利用卷积神经网络技术对单幅低分辨率图像进行超分辨率重建。利用五层卷积的网络模型用以特征提取和端到端的低分辨率与高分辨率之间的映射;使用自适应矩估计优化算法加快网络的收敛速度;将ReLU激活函数修改为Leaky ReLU激活函数,解决遇到导数为0时的导致神经元不能进行参数更新的问题,同时调整卷积核大小以及数目。提出算法在Set5和Set14数据集上进行实验验证,并与Bicubic、ScSR、SR_NE_ANR、SRCNN等主流方法进行对比,实验结果表明,该方法在重建精度和收敛速度等方面都有很好的效果。
Convolution neural network was used to reconstruct the single low resolution image.A five-layer convolution network model was proposed for feature extraction and mapping between end-to-end low resolution and high resolution.The adaptive moment estimation optimization algorithm was used to accelerate the convergence speed of the network.The ReLU activation function was modified to Leaky ReLU activation function to solve the problem that neurons can not update parameters when the derivative is zero,and the size and number of convolution nuclei were adjusted.Results of experiments on Set5 and Set14 datasets show that the proposed method has good performance in reconstruction accuracy and convergence speed,compared with Bicubic,ScSR,SR_NE_ANR,SRCNN and other mainstream methods.