典型文献
轻型金字塔池化注意力机制网络实现图像超分
文献摘要：
在基于深度学习的图像超分辨率重建领域,通过扩大网络规模以提高性能将导致计算资源损耗增加.为此,提出了一种轻量级的基于金字塔池化注意力机制网络(light-weighted pyramid pooling-based attention network,LiPAN),该算法模型由融合注意力机制的信息蒸馏块、多层金字塔池化结构和反向注意力融合模块组成.注意力机制确保了网络对重要特征的提取,金字塔池化结构可获取更多的上下文信息,得到更准确的重建结果,蒸馏结构的引入可有效地提高网络性能并减少网络参数.与目前主流的轻量级网络模型相比,提出的LiPAN模型在Set5、Set14、BSD100及Urban100四个公共数据集分别进行2倍、3倍和4倍下采样重建并定量评估,获得最优峰值信噪比和结构相似度.由此表明,提出的LiPAN在网络模型参数与当前主流的轻量级网络相当的情况下,具有更优的超分辨率重建性能.
文献关键词：
超分重建;注意力机制;蒸馏网络;轻量级;金字塔池化
中图分类号：
作者姓名：
方金生;朱古沛
作者机构：
闽南师范大学 计算机学院,福建 漳州 363000;数据科学与智能应用福建省高校重点实验室(闽南师范大学),福建 漳州 363000
文献出处：
引用格式：
[1]方金生;朱古沛-.轻型金字塔池化注意力机制网络实现图像超分)[J].计算机工程与应用,2022(20):197-205
A类：
LiPAN
B类：
轻型,金字塔池化,注意力机制网络,图像超分辨率重建,大网,网络规模,计算资源,资源损耗,light,weighted,pyramid,pooling,attention,network,算法模型,信息蒸馏,反向注意力,注意力融合,特征的提取,上下文信息,网络性能,网络参数,轻量级网络,Set5,Set14,BSD100,Urban100,公共数据,下采样,定量评估,峰值信噪比,结构相似度,超分重建,蒸馏网络
AB值：
0.36641
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。
