标签:Separable 分离 Shot 卷积 Image 深度 噪声 图像 网络结构
1. 摘要
大量的高光谱数据收集起来比较困难,所以作者提出了一种自监督策略,可以从一张退化图像构建出训练数据来训练一个去噪网络而不需要任何干净数据。
另外,高光谱图像的光谱波段数一般比较多,计算负载较大,因此作者引入深度可分离卷积来实施去噪,既能捕获高光谱图像的结构先验又能减小模型复杂性。
2. 方法介绍
2.1. 深度可分离卷积的性能
现在,我们考虑一个图像填充任务。假设 \(A\in \{0, 1\}^{N*N}\),代表一个已知的随机采样矩阵,只给出与 \(A\) 相关的像素,我们想要恢复出整幅图像 \(x\)。只采用这些被 \(A\) 掩盖的点来计算均方误差,然后我们训练一个网络。
其中一个网络结构是八层卷积,每一层的参数大小为 \(3 × 3 × M× L\),\(M,L\) 分别代表输入和输出特征图的通道数。
另外一个网络结构是八层深度可分离卷积,包含一个参数大小为 \(3 × 3 × 1 × M\) 的深度卷积和一个参数大小为 \(1 × 1 × M × L\) 的点卷积。
实验结果如上图所示,可以看到,尽管深度可分离卷积的参数量更少,其性能却更加优越。
2.2. 自监督高斯去噪
考虑如下的去噪模型,
\[y=x+n \]
我们假设一个能从噪声观测 \(y\) 中恢复出干净信号 \(x\) 的网络也有能力从 \(y+n\) 恢复出 \(y\)。
所以,我们对输入噪声图片再加上噪声作为输入,而将原始的噪声图片作为目标来对网络进行训练,以此来达到自监督的目的。
网络结构如下图所示,大部分卷积采用深度可分离卷积操作。
3. 实验结果
获取更多精彩,请关注「seniusen」!
标签:Separable,分离,Shot,卷积,Image,深度,噪声,图像,网络结构 来源: https://www.cnblogs.com/seniusen/p/12742973.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。