典型文献
Res2-Unet深度学习网络的RGB-高光谱图像重建
文献摘要：
针对高光谱成像设备价格昂贵而难以推广应用的问题,利用深度学习网络从易获得的RGB图像重建高质量的高光谱图像.提出的Res2-Unet深度学习网络以Unet框架为基础,以Res2Net为主要模块构建其骨干网络,可以在更加细粒度级别提取局部和全局的图像特征.引入通道注意力机制自适应调节通道特征响应,并在编解码间通过跳跃连接以充分融合不同尺度和不同深度的信息.最后在图像恢复与增强新趋势2020年国际挑战赛提供的数据集上进行训练和测试.实验结果表明,与自适应加权注意力机制网络、分层回归网络相比,提出的方法在平均相对绝对误差、均方根误差、峰值信噪比和平均光谱角制图等4种客观评价指标上均获得了最好的结果;在Clean赛道中平均峰值信噪比分别高出0.08 dB和1.73 dB,在Real World赛道中平均峰值信噪比分别高出0.72 dB和0.97 dB.对比高光谱参考图像与重建图像,无论是在图像的低频平坦区还是在图像的高频纹理区,提出方法均获得了更好的主观视觉效果.
文献关键词：
深度学习;高光谱图像;图像重建;Res2Net;通道注意力机制
中图分类号：
作者姓名：
宋蓓蓓;马穗娜;何帆;孙文方
作者机构：
长安大学信息工程学院,陕西西安710064;西安电子科技大学空间科学与技术学院,陕西西安710126
文献出处：
引用格式：
[1]宋蓓蓓;马穗娜;何帆;孙文方-.Res2-Unet深度学习网络的RGB-高光谱图像重建)[J].光学精密工程,2022(13):1606-1619
A类：
Res2
B类：
Unet,深度学习网络,RGB,高光谱图像,图像重建,高光谱成像,成像设备,价格昂贵,Res2Net,骨干网络,加细,细粒度,图像特征,通道注意力机制,自适应调节,通道特征,在编,编解码,跳跃连接,充分融合,不同尺度,不同深度,图像恢复,国际挑战,挑战赛,自适应加权,注意力机制网络,分层回归,绝对误差,峰值信噪比,光谱角制图,客观评价指标,Clean,赛道,中平,dB,Real,World,参考图像,重建图像,平坦,视觉效果
AB值：
0.331706
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
