公开(公告)号：CN111047515B

公开(公告)日：2024-01-09

申请号：CN201911387641.6

申请日：2019-12-29

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  徐铸业 ,  惠永永 ,  常启慧 ,  牟淼 ,  姚红娟 ,  刘舒宁 ,  张和慧 ,  魏伟

IPC: G06T3/4069 ,  G06T3/4046 ,  G06T3/4007

Abstract: 的特征提取，有效提高了图像超分辨率重建效本发明提供了一种基于注意力机制的空洞 果。卷积神经网络图像超分辨率重建方法，该方法设计了基于注意力机制的空洞卷积模块、多通道基于注意力机制的空洞卷积模块、注意力残差块、多通道特征提取模块，在此基础上设计了基于注意力机制的空洞卷积神经网络。本发明方法提出使用空洞卷积实现多种不同尺寸的感受野去提取低分辨率图像特征信息，并利用注意力块提取图像高频信息。同时为了充分利用低分辨率图像特征信息之间的相关性并提取更多的特征信息，该方法设计了多通道基于注意力机制的空洞卷(56)对比文件Feilong Cao, Huan Liu.Single imagesuper-resolution via multi-scale residualchannel attentionnetwork.Neurocomputing.2019,第358卷424-436.OUYANG Ning等.Self-attention networkbased image super-resolution.ComputerApplications.2019,第39卷(第8期),2391-2395.Zhaoyang Song等.Fusing AttentionNetwork Based on Dilated Convolution forSuperresolution.IEEE Transactions onCognitive and Developmental Systems.2023,第15卷(第1期),234 - 241.

公开(公告)号：CN111047515A

公开(公告)日：2020-04-21

申请号：CN201911387641.6

申请日：2019-12-29

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  徐铸业 ,  惠永永 ,  常启慧 ,  牟淼 ,  姚红娟 ,  刘舒宁 ,  张和慧 ,  魏伟

IPC: G06T3/40

Abstract: 本发明提供了一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法，该方法设计了基于注意力机制的空洞卷积模块、多通道基于注意力机制的空洞卷积模块、注意力残差块、多通道特征提取模块，在此基础上设计了基于注意力机制的空洞卷积神经网络。本发明方法提出使用空洞卷积实现多种不同尺寸的感受野去提取低分辨率图像特征信息，并利用注意力块提取图像高频信息。同时为了充分利用低分辨率图像特征信息之间的相关性并提取更多的特征信息，该方法设计了多通道基于注意力机制的空洞卷积模块，该模块采用多通道的方式使用不同的感受野对低分辨率图像进行特征提取，然后使用注意力残差块对各个通道提取到的特征进行深度的特征提取，有效提高了图像超分辨率重建效果。

公开(公告)号：CN110675321A

公开(公告)日：2020-01-10

申请号：CN201910920959.X

申请日：2019-09-26

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  惠永永 ,  徐铸业 ,  刘舒宁 ,  张和慧 ,  姚红娟

IPC: G06T3/40

Abstract: 本发明提供了一种基于渐进式的深度残差网络的超分辨率图像重建方法，主要包括如下步骤：(1)选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；(2)将得到的训练数据集图像进行下采样处理；(3)将原始训练数据集图像和步骤2低分辨率图像分别裁剪成图像块；(4)将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；(5)搭建渐进式的深度残差网络；(6)训练渐进式的深度残差网络；(7)将低分辨率图像输入到上述渐进式的深度残差网络模型中，输出得到重建后的高分辨率图像。

公开(公告)号：CN110675321B

公开(公告)日：2024-08-06

申请号：CN201910920959.X

申请日：2019-09-26

Applicant: 兰州理工大学

Inventor： 宋昭漾 ,  赵小强 ,  惠永永 ,  徐铸业 ,  刘舒宁 ,  张和慧 ,  姚红娟

IPC: G06T3/4076 ,  G06T3/4023 ,  G06T3/4046 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供了一种基于渐进式的深度残差网络的超分辨率图像重建方法，主要包括如下步骤：(1)选择训练数据集和测试数据集，并对训练数据集图像进行旋转和比例缩放处理，扩充训练数据集图像；(2)将得到的训练数据集图像进行下采样处理；(3)将原始训练数据集图像和步骤2低分辨率图像分别裁剪成图像块；(4)将对应相同位置的步骤3原始图像块和低分辨率图像块作为高分辨率/低分辨率样本对，生成格式为HDF5的训练数据集文件；(5)搭建渐进式的深度残差网络；(6)训练渐进式的深度残差网络；(7)将低分辨率图像输入到上述渐进式的深度残差网络模型中，输出得到重建后的高分辨率图像。

公开(公告)号：CN111506041A

公开(公告)日：2020-08-07

申请号：CN202010158952.1

申请日：2020-03-09

Applicant: 兰州理工大学

Inventor： 姚红娟 ,  赵小强 ,  宋昭漾 ,  牟淼 ,  刘凯 ,  张和慧 ,  刘舒宁

IPC: G05B23/02

Abstract: 本发明提供了一种基于扩散距离改进的邻域保持嵌入的间歇过程故障检测方法，主要包括如下步骤：(1)采集多个批次正常工况下的间歇过程数据，构成三维训练数据；(2)将采集到的三维训练数据展开为二维数据并进行标准化处理；(3)建立基于扩散距离改进的邻域保持嵌入模型，求取映射变换矩阵；(4)建立正常数据下霍特林统计模型T2和平方预测误差统计模型SPE的统计量，并求取其控制限；(5)采集在线的间歇过程数据，构成测试数据，按步骤(2)方法对其展开并标准化处理；(6)将预处理后的测试数据通过步骤(3)得到的映射变换矩阵进行投影；(7)求取测试数据的霍特林统计模型T2和平方预测误差统计模型SPE的统计量，判断有无故障发生。