• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于并列卷積神經(jīng)網(wǎng)絡的超分辨率重建

    2017-06-27 08:10:42歐陽寧曾夢萍林樂平
    計算機應用 2017年4期
    關鍵詞:支路殘差卷積

    歐陽寧,曾夢萍,林樂平

    1.認知無線電與信息處理省部共建教育部重點實驗室(桂林電子科技大學),廣西 桂林 541004;2.桂林電子科技大學 信息與通信學院,廣西 桂林 541004)(*通信作者電子郵箱lin_leping@163.com)

    基于并列卷積神經(jīng)網(wǎng)絡的超分辨率重建

    歐陽寧1,2,曾夢萍2,林樂平1,2*

    1.認知無線電與信息處理省部共建教育部重點實驗室(桂林電子科技大學),廣西 桂林 541004;2.桂林電子科技大學 信息與通信學院,廣西 桂林 541004)(*通信作者電子郵箱lin_leping@163.com)

    為提取更多有效特征并提高模型訓練的收斂速度,提出一種基于并列卷積神經(jīng)網(wǎng)絡的超分辨率重建方法。該網(wǎng)絡由兩路不同結構的網(wǎng)絡組成:一路為簡單的殘差網(wǎng)絡,其優(yōu)化殘差映射比原始的映射更容易實現(xiàn);另一路為增加了非線性映射的卷積神經(jīng)網(wǎng)絡,增強了網(wǎng)絡的非線性能力。隨著并行網(wǎng)絡結構的復雜化,收斂速度慢成為突出問題。針對這個問題,在卷積層后添加正則化處理,以簡化模型參數(shù)、增強特征擬合能力,最終達到加快收斂的目的。實驗結果表明,與基于深度卷積神經(jīng)網(wǎng)絡算法相比,該網(wǎng)絡結構收斂速度更快,主觀視覺效果更好,峰值信噪比(PSNR)平均提高了0.2 dB。

    并列卷積神經(jīng)網(wǎng)絡;殘差網(wǎng)絡;非線性映射;正則化處理;收斂速度

    0 引言

    圖像超分辨(Super-Resolution, SR)重建的目的是從一組或一幅低分辨率(Low-Resolution, LR)圖像推測丟失的高頻信息來重建高分辨率(High-Resolution, HR)圖像[1]。單幅圖像超分辨率(Single Image SR, SISR)重建算法可分為三大類:基于插值算法[2]、基于重建算法[3],以及基于學習的算法[4-10]。由于基于學習的算法的重建效果更優(yōu),大多數(shù)學者的研究都是建立在這個基礎上。目前,學習算法通常是學習LR和HR圖像塊之間的映射關系。Chang等[6]提出的鄰域嵌入算法是插值圖像塊(Neighbor Embedding with Locally Linear Embedding, NE+LLE)子空間。Yang等[4-5]提出的稀疏編碼算法是利用稀疏表示關系來學習耦合字典。隨機森林[8]以及卷積神經(jīng)網(wǎng)絡[9-10]也被應用于這個領域,同時精度得到很大的提高。其中:Dong等[9]提出了基于卷積神經(jīng)網(wǎng)絡的超分辨率重建(Learning a Deep Convolutional Network for Image SR),成功地將深度學習技術引用到SR鄰域中,該算法系統(tǒng)稱為SRCNN。其主要特征是以端對端的方式直接學習LR與HR圖像塊之間的映射,只需極少量的預前和預后處理。而Yang等[4-7]提出的學習算法需要預處理過程,即塊的提取和整合,同時這個過程需要分開處理。值得一提的是SRCNN算法的效果基本優(yōu)于Yang等[4-5,7]提出的算法。

    但SRCNN依舊存在局限性。首先,該網(wǎng)絡學習到的特征少且單一;再者該網(wǎng)絡的學習速率低,訓練網(wǎng)絡時間長。

    SRCNN模型證明了直接學習LR-HR之間端到端映射的可行性,因此可以推測增加更多的卷積層用于提取更多的特征可能提高SRCNN的重建效果,但更深的網(wǎng)絡難以訓練且不易于收斂。因此本文引入了一種并列的網(wǎng)絡結構,該網(wǎng)絡訓練過程是并列互不干擾的。通過兩路不同網(wǎng)絡結構捕獲更多不同的有效特征,解決了SRCNN特征少且單一的問題。由于并列網(wǎng)絡加寬了網(wǎng)絡,增加了參數(shù)個數(shù)和特征數(shù)量,從而提高了模型重建效果。

    為了解決模型復雜化的問題,本文在卷積層后添加相對應的局部響應正則化(Local Response Normalization, LRN)層[10]。LRN模擬側抑制,迫使在特征映射中的特征以及相鄰特征映射進行局部競爭,使得所有輸入特征映射都具有相似的方差。通過減少參數(shù)調整過程中不適定性帶來的噪聲干擾達到簡明模型的參數(shù)的效果,最終使得模型可以使用比SRCNN高10倍的學習速率進行訓練。較高的學習速率能夠使訓練不易陷入局部極小值,并能提高模型的收斂速度。在訓練過程中,本文使用的相同的學習速率。而SRCNN為了使模型能穩(wěn)定地收斂,因此在不同的層使用不同的學習速率。

    1 基于并列網(wǎng)絡的超分辨率重建模型

    本文引入分離層[13]構造并列網(wǎng)絡模型。該模型加寬了網(wǎng)絡,增加了參數(shù)個數(shù),并有效地防止了過擬合現(xiàn)象;同時設計不同的兩路網(wǎng)絡結構捕獲不同的有效特征,更多的有效特征有利于提高重建效果。

    本文模型是由殘差支路和非線性支路組成的并列模型。該并列網(wǎng)絡的兩路輸入為相同的LR圖像,通過本文模型最終獲得HR圖像。整個網(wǎng)絡結構的基本框架如圖1所示。

    圖1 并列網(wǎng)絡結構

    殘差支路:分離層中的一個輸出LR圖像作為該支路的輸入。首先用核大小為9×9的卷積層提取特征,該特征提取層相當于是一個線性操作。激活函數(shù)Relu[15]對特征提取層輸出的所有特征映射進行非線性處理,并對該激活函數(shù)輸出的所有特征映射進行LRN處理。最后將LRN的響應輸出作為殘差網(wǎng)絡的輸入。

    非線性支路:該支路同樣使用9×9的卷積核進行特征提取,隨之通過激活函數(shù)Relu對其輸出映射進行非線性處理。添加LRN層,對非線性處理后的所有特征映射處理,最后將LRN的響應輸出作為非線性層的輸入。

    增加卷積層可以提高網(wǎng)絡模型的重建性能,但濾波器參數(shù)的增加會增加網(wǎng)絡的訓練時間。因此網(wǎng)絡支路2選用非線性網(wǎng)絡,是為了在不增加網(wǎng)絡復雜度的情況下增加網(wǎng)絡的非線性能力,并相對提高了網(wǎng)絡的重建質量。

    值得一提的是,殘差支路和非線性支路的訓練過程是互不干擾的,這避免了其中一條支路的網(wǎng)絡參數(shù)值不適用于另一支路網(wǎng)絡的問題。同時,網(wǎng)絡結構由兩條不同的支路構成,這有利于兩條支路捕捉不同的有效特征,以便在重建過程中能夠擁有更多的有效信息,從而重建得到與原圖更相似的HR圖像。兩條支路和單條支路相比,加寬了網(wǎng)絡,使得參數(shù)增加,特征數(shù)量也增加,同時還能有效防止過擬合。

    重建層:將殘差網(wǎng)絡的輸出特征和非線性層輸出特征相加進行特征融合,并用融合后的所有特征映射用核大小為5×5卷積層重建得到HR圖像。

    2 分支網(wǎng)絡設計與訓練

    為了提高模型中各分支網(wǎng)絡訓練的收斂速度以及重建效果,本文對網(wǎng)絡結構、學習速率等方面進行了研究。在傳統(tǒng)的深度學習訓練中,如果簡單地設置高學習速率會導致梯度爆炸或梯度消失[14],因此本文加入LRN層達到簡明模型的效果,解決訓練過程中梯度消失及梯度爆炸問題,最終使得網(wǎng)絡可以使用較高的學習速率學習整個網(wǎng)絡。較高的學習速率使得梯度損失相對大,同時參數(shù)的步伐相對大,使得網(wǎng)絡訓練過程不易陷入局部極小值,也相對減少調整參數(shù)的次數(shù),從而提高網(wǎng)絡訓練的收斂速度。

    2.1 卷積神經(jīng)網(wǎng)絡中的LRN(局部正則化)

    該層對輸入的特征映射依次處理,簡明網(wǎng)絡模型。公式如下所示:

    (1)

    式(1)的原理是對每個特征圖相鄰的5幅特征圖的每個特征圖的每個相應的像素點處理,然后求平均,但并不引入另外的濾波器參數(shù)。該處理過程是模擬側抑制,對局部輸入?yún)^(qū)域進行歸一化。LRN通過對每次梯度下降調整后的參數(shù)再作一次約束處理,減少相鄰特征映射的參數(shù)方差,達到減少每次參數(shù)調整過程中引入噪聲的目的,從而簡化模型參數(shù)。簡化后的模型朝著滿足LRN約束條件的方向優(yōu)化,減少的噪聲干擾解決了參數(shù)調整過程中梯度爆炸的問題,從而使得網(wǎng)絡模型能用較高的學習速率學習整個網(wǎng)絡。

    2.2 殘差支路中的殘差網(wǎng)絡

    本文使用的簡單的殘差網(wǎng)絡,框架如圖2所示。

    圖2 簡單的殘差網(wǎng)絡

    該網(wǎng)絡的公式如下所示:

    y=F(x,{Wi})+x

    (2)

    其中:x和y為殘差網(wǎng)絡的輸入和輸出;F(x,{Wi})表示的是網(wǎng)絡學習到的殘差映射,由圖2知該網(wǎng)絡總共有三層;F=W3σ(W2σ(W1x)),σ表示Relu,偏置省略了用來簡化符號。F+x操作通過快捷連接和元素相加表示。

    殘差網(wǎng)絡具有優(yōu)化殘差映射比優(yōu)化原始映射更加容易的優(yōu)點[16-17]。殘差網(wǎng)絡是快捷連接[18],直接跳躍一層或多層,因此殘差網(wǎng)絡優(yōu)化網(wǎng)絡參數(shù)的過程更加快捷。由圖2可知,在整個連接過程中既沒有增加額外的參數(shù)也沒有增加網(wǎng)絡的計算復雜度。整個網(wǎng)絡的訓練依舊采用隨機梯度下降法。

    考慮到網(wǎng)絡支路的結構復雜度,以及訓練時間等因素。本文采用三層的殘差網(wǎng)絡,這三層分別為1×1,3×3,1×1的卷積層。在沒有增加模型復雜性的基礎上用1×1的卷積層增加網(wǎng)絡的非線性能力。值得一提的是,本文特地在中間層后添加了LRN層,對上層輸出的特征映射進行處理,使得局部區(qū)域的特征映射相互競爭,進行局部歸一化,達到簡化模型參數(shù)的目的。

    在殘差網(wǎng)絡中,本文采用的補零方法保證圖像維度一致。這也是選用簡單的殘差網(wǎng)絡的原因,如果選擇的殘差網(wǎng)絡模型中的濾波器過大,則補零就會越多,這同時也增加了圖像的噪聲,進而會降低圖像重建質量。

    2.3 網(wǎng)絡訓練

    3 實驗仿真及結果分析

    本文實驗使用91張圖像作為訓練集,測試集用由set4以及set5組成,同時使用3倍放大因子進行訓練,以及估計圖像效果。

    本文算法和比較算法都是在相同的實驗平臺(IntelCPU3.20GHz和8GB內存)上操作的,應用的是MatlabR2014a以及Caffe。Caffe用于本文算法和SRCNN算法的網(wǎng)絡訓練,其他幾種算法不需要此過程。值得注意的是基于深度學習算法的實驗要保持數(shù)據(jù)庫一致,避免了數(shù)據(jù)庫大小對重建精度的影響。本文網(wǎng)絡的輸入圖像為33×33 的子圖像,子圖像是在x(i)高分辨率圖像集裁剪出來的。其中網(wǎng)絡框架中特征提取層濾波器大小為9×9,殘差網(wǎng)絡濾波器大小分別為1×1,3×3,1×1,非線性層的濾波器設置為1×1,重建層濾波器大小為5×5。除了重建層濾波器個數(shù)為1,其他所有層濾波器個數(shù)均為64。以雙三次插值Bicubic方法作為基準算法,同時還選擇基于稀疏編碼的圖像超分辨(SparsecodingbasedSuperResolution,ScSR)算法[5]、錨點鄰域回歸的(AnchoredNeighborhoodRegression,ANR)算法[7],以及SRCNN算法[9]作對比實驗。實驗中,本文采用了花、蝴蝶、人臉等常用的圖像測試,此外待重建LR圖尺度放大倍數(shù)s=3。

    本文構造的是并列網(wǎng)絡。并列網(wǎng)絡簡單的理解是加寬了網(wǎng)絡,增加了網(wǎng)絡參數(shù)個數(shù),以及增加了特征數(shù)量,能有效地提高重建視覺效果;再者本文應用是兩個不同的支路構成,捕捉了不同的有效圖像特征,更多的有效特征也有利于提高重建質量。圖3為兩個網(wǎng)絡支路的任意的特征映射圖。

    圖3 兩條支路特征映射圖

    由圖3可知,兩條網(wǎng)絡支路都獲得了有效的特征信息:一條支路捕捉的是光滑信息,另一條捕捉的是輪廓信息。這驗證了本文提到的不同的網(wǎng)絡結構可以捕捉不同的有效特征。

    實驗結果如圖4~5所示,分別比較了bird、 ppt3圖用不同SR方法的重建結果,考察全景圖以及截取bird的眼角周圍羽毛紋理和ppt3的話筒等細節(jié)部分。從視覺觀測上來看,Bicubic基于平滑假設,重建效果最差,細節(jié)不明顯,圖像模糊,整體表明較為平滑。ScSR方法的部分細節(jié)重建效果好但bird眼角周圍羽毛黑白交替邊緣不夠自然出現(xiàn)振鈴現(xiàn)象;ANR算法中bird眼角周圍和ppt3上的話筒相對較好,細節(jié)細膩但出現(xiàn)部分偽影信息。SRCNN算法雖然比以上方法不論是從視覺還是從評估參數(shù)上都有較大提高,但是在bird眼角周圍羽毛的振鈴狀還是需改善。而本文方法在bird羽毛邊緣的銳度和清晰度都得到明顯的改善,且重建的高頻信息豐富,視覺效果更好;同樣從圖5 ppt3圖像話筒的細節(jié)看出,本文算法恢復的局部細節(jié)信息清晰、細膩,整體效果與原始圖像更接近。

    圖4 bird原始HR及各方法重建結果對比

    本文首先對網(wǎng)絡的單支路加入LRN層作對比實驗。實驗結果如圖6所示,從中可看出對于單支路加入LRN層能相對提高模型的收斂速度。

    圖5 ppt3原始HR及各方法重建結果對比

    另外,本文的兩條網(wǎng)絡支路結構都很簡單:一支路選用特征提取層以及最簡單的殘差網(wǎng)絡,和原有的映射相比,優(yōu)化殘差映射更容易;另一支路只由特征提取層和非線性層構成。值得一提是,特地添加LRN層主要用于簡化網(wǎng)絡參數(shù),減少參數(shù)調整過程中輸入噪聲的干擾,以至于本文利用使用0.001的學習速率。較高的學習速率使得整個網(wǎng)絡結構更容易收斂,同時也有利于提高重建精度。此外,本文還進行了收斂速度測試,圖7展示了在數(shù)據(jù)集set5上的測試結果。由圖7可知對于傳統(tǒng)算法而言,不考慮收斂速度這個因素影響。因為這幾個重建算法都是訓練好字典后然后進行矩陣運算,不存在網(wǎng)絡訓練反向傳播次數(shù)這個因素的影響,所以隨著反向傳播次數(shù)的增加,它們的峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)也保持不變,最終它們PSNR呈現(xiàn)的是直線。同時觀察到SRCNN算法重建精度優(yōu)于其他幾種算法,而本文算法相對而言是最優(yōu)的,其PSNR平均高于SRCNN 0.2 dB,這說明本文算法確實可行有效。本文可以在反向傳播次數(shù)為2×108時,測試set5平均值為32.42 dB就可以超過SRCNN在反向傳播次數(shù)為8×108的32.39 dB的效果,這說明高學習速率有利于提高模型的收斂速度;而本文算法不論是視覺效果還是參數(shù)估計都優(yōu)于SRCNN。這說明高學習速率也是有利于重建質量,實驗結果如表1~2所示。值得一提的是本文最終使用的反向傳播次數(shù)是4.0×108而SRCNN使用的是8.0×108。

    圖6 單支路添加LRN與SRCNN比較曲線圖

    圖7 本文算法和其他幾種算法測試set5收斂速度以及結果曲線圖

    表1 本文測試圖像重建結果PSNR對比 dB

    表2 本文測試圖像重建結果SSIM對比

    4 結語

    本文提出了基于并列卷積網(wǎng)絡的超分辨率重建方法。該網(wǎng)絡證明了通過加寬網(wǎng)絡可以捕捉更多不同的有效特征,更多的有效特征信息有利于提高重建精度;同時還驗證了通過LRN對局部輸入變量歸一化處理,可相對減少輸入噪聲的干擾達到簡化網(wǎng)絡參數(shù)的目的。簡化模型參數(shù)不僅可以增強網(wǎng)絡模型擬合特征的能力,而且使得網(wǎng)絡模型可用更高的學習速率進行訓練。較高的學習速率相對減少了參數(shù)調整的次數(shù),從而提高模型的收斂速度。本文不論是在主觀重建效果還是客觀評價參數(shù)上都有所提高。在接下來工作中研究的內容包括在更深的網(wǎng)絡結構如何使用更高的學習速率收斂網(wǎng)絡,并通過增加網(wǎng)絡深度提高重建精度。

    References)

    [1] GLASNER D, BAGON S, IRANI M. Super-resolution from a single image[C]// Proceedings of the 2009 IEEE 12th International Conference on Computer Vision. Piscataway, NJ: IEEE, 2009: 349-356.

    [2] ZHANG D, WU X. An edge-guided image interpolation algorithm via directional filtering and data fusion [J]. IEEE Transactions on Image Processing, 2006, 15(8): 2226-2238.

    [3] RASTI P, DEMIREL H, ANBARJAFARI G. Image resolution enhancement by using interpolation followed by iterative back projection[C]// Proceedings of the 2013 21st Signal Processing and Communications Applications Conference (SIU). Piscataway, NJ: IEEE, 2013: 1-4.

    [4] YANG J-C, WRIGHT J, HUANG T S, et al. Image super-resolution via sparse representation[J]. IEEE Transactions on Image Processing, 2010, 19(11): 2861-2873.

    [5] YANG J, WRIGHT J, HUANG T, et al. Image super-resolution as sparse representation of raw image patches[C]// Proceedings of the 2008 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2008: 1-8.

    [6] CHANG H, YEUNG D Y, XIONG Y. Super-resolution through neighbor embedding[C]// Proceedings of the 2004 Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2004, 1: I-I.

    [7] TIMOFTE R, SMET V, GOOL L. Anchored neighborhood regression for fast example-based super-resolution[C]// Proceedings of the 2013 IEEE International Conference on Computer Vision. Piscataway, NJ: IEEE, 2013: 1920-1927.

    [8] SCHULTER S, LEISTNER C, BISCHOF H. Fast and accurate image upscaling with super-resolution forests[C]// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway, NJ: IEEE, 2015: 3791-3799.

    [9] DONG C, LOY C C, HE K, et al. Learning a deep convolutional network for image super-resolution[C]// Proceedings of the 13th European Conference on Computer Vision, LNCS 8692. Berlin: Springer, 2014: 184-199.

    [10] DONG C, LOY C C, HE K, et al. Image super-resolution using deep convolutional networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(2): 295-307.

    [11] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[EB/OL]. [2016- 03- 10]. https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf.

    [12] SHANKAR S, ROBERTSON D, IOANNOU Y, et al. Refining architectures of deep convolutional neural networks [EB/OL]. [2016- 03- 01]. https://arxiv.org/pdf/1604.06832v1.pdf.

    [13] NAIR V, HINTON G E. Rectified linear units improve restricted Boltzmann machines[EB/OL]. [2016- 03- 01]. http://machinelearning.wustl.edu/mlpapers/paper_files/icml2010_NairH10.pdf.

    [14] BENGIO Y, SIMARD P, FRASCONI P. Learning long-term dependencies with gradient descent is difficult [J]. IEEE Transactions on Neural Networks, 1994, 5(2): 157-166.

    [15] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[EB/OL]. [2016-03- 01]. https://arxiv.org/pdf/1512.03385v1.pdf.

    [16] SZEGEDY C, IOFFE S, VANHOUCKE V. Inception-v4, inception-ResNet and the impact of residual connections on learning[EB/OL]. [2016- 03- 01]. https://arxiv.org/pdf/1602.07261.pdf.

    [17] BISHOP C M. Neural Networks for Pattern Recognition[M]. Oxford: Oxford University Press, 1995.

    [18] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

    This work is partially supported by National Natural Science Foundation of China (61362021, 616620211017), the Natural Science Foundation of Guangxi (2013GXNSFDA019030, 2014GXNSFDA118035), the Key Laboratory Director Foundation of Cognitive Radio and Information Processing (CRKL160104), the Scientific and Technological Innovation Ability and Condition Construction Plans of Guangxi (1598025-21), the Scientific and Technological Bureau of Guilin (20150103-6), the Innovation Project of Graduate Education in Guilin University of Electronic Technology (YJCXS201534).

    OUYANG Ning, born in 1972, M. S., professor. His research interests include digital image processing, intelligent information processing.

    ZENG Mengping, born in 1992, M. S. candidate. Her research interests include super-resolution reconstruction, deep learning.

    LIN Leping, born in 1980, Ph. D. Her research interests include pattern recognition, intelligent information processing, image processing.

    Parallel convolutional neural network for super-resolution reconstruction

    OUYANG Ning1,2, ZENG Mengping2, LIN Leping1,2*

    (1. Key Laboratory of Cognitive Radio and Information Processing of Ministry of Education (Guilin University of Electronic Technology), Guilin Guangxi 541004, China;2. School of Information and Communication, Guilin University of Electronic Technology, Guilin Guangxi 541004, China)

    To extract more effective features and speed up the convergence of model training, a super-resolution reconstruction algorithm based on parallel convolution neural network was proposed. The network consists of two different network structures, one is a simple residual network structure, which has a easier optimal residual mapping than the original one; the other is a convolutional neural network with nonlinear mapping, which can increase the non-linearity of the network. As the complexity of the parallel network structure, the convergence speed is the key issue. Aiming at this problem, the Local Response Normalization (LRN) layer was added to the convolution layers to simplify the model parameters and enhance the feature fitting ability, thus accelerating the convergence. Experimental results show that, compared with algorithms based on deep convolutional neural network, the proposed method accelerates the convergence, improves the visual quality, and increases Peak Signal-to-Noise Ratio (PSNR) at least 0.2 dB.

    parallel convolution neural network; residual network; nonlinear mapping; Local Response Normalization (LRN); convergence speed

    2016- 08- 04;

    2016- 12- 27。

    國家自然科學基金資助項目(61362021,61661017);廣西自然科學基金資助項目(2013GXNSFDA019030,2014GXNSFDA118035);認知無線電與信號處理重點實驗室主任基金資助項目(CRKL160104);廣西科技創(chuàng)新能力與條件建設計劃項目(桂科能1598025-21);桂林科技開發(fā)項目(20150103-6);桂林電子科技大學研究生教育創(chuàng)新計劃項目(YJCXS201534)。

    歐陽寧(1972—),男,湖南寧遠人,教授,主要研究方向:數(shù)字圖像處理、智能信息處理; 曾夢萍(1992—),女,湖北鄂州人,碩士研究生,主要研究方向:圖像超分辨率重建、深度學習; 林樂平(1980—),女,廣西桂平人,博士,主要研究方向:模式識別、智能信息處理、圖像處理。

    1001- 9081(2017)04- 1174- 05

    10.11772/j.issn.1001- 9081.2017.04.1174

    TP391.41

    A

    猜你喜歡
    支路殘差卷積
    基于雙向GRU與殘差擬合的車輛跟馳建模
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    基于限流可行方案邊界集的最優(yōu)支路投切
    能源工程(2020年6期)2021-01-26 00:55:22
    基于殘差學習的自適應無人機目標跟蹤算法
    基于遞歸殘差網(wǎng)絡的圖像超分辨率重建
    自動化學報(2019年6期)2019-07-23 01:18:32
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    多支路兩跳PF協(xié)作系統(tǒng)的誤碼性能
    電信科學(2016年9期)2016-06-15 20:27:30
    利用支路參數(shù)的狀態(tài)估計法辨識拓撲錯誤
    平穩(wěn)自相關過程的殘差累積和控制圖
    河南科技(2015年8期)2015-03-11 16:23:52
    捣出白浆h1v1| 十分钟在线观看高清视频www| 99re6热这里在线精品视频| 亚洲中文字幕日韩| 丰满人妻熟妇乱又伦精品不卡| 亚洲色图综合在线观看| 精品国产超薄肉色丝袜足j| 国产一区在线观看成人免费| 国产亚洲精品久久久久5区| 久久久国产成人免费| 成人18禁在线播放| 少妇 在线观看| 亚洲少妇的诱惑av| 天天添夜夜摸| 色婷婷av一区二区三区视频| 亚洲av片天天在线观看| 日韩制服丝袜自拍偷拍| videosex国产| 人人妻人人澡人人看| 制服人妻中文乱码| 黄网站色视频无遮挡免费观看| 欧美在线黄色| 满18在线观看网站| 色综合欧美亚洲国产小说| 王馨瑶露胸无遮挡在线观看| 久久精品国产a三级三级三级| 午夜福利,免费看| 亚洲av熟女| 日本撒尿小便嘘嘘汇集6| 看免费av毛片| 三上悠亚av全集在线观看| 国产91精品成人一区二区三区| 久久99一区二区三区| 性少妇av在线| av电影中文网址| 999久久久国产精品视频| 久久精品国产清高在天天线| 18禁裸乳无遮挡免费网站照片 | 久久久精品区二区三区| 真人做人爱边吃奶动态| 一边摸一边做爽爽视频免费| 久久亚洲精品不卡| 1024视频免费在线观看| 国产高清国产精品国产三级| 一边摸一边做爽爽视频免费| 免费在线观看完整版高清| 亚洲黑人精品在线| 久久久久视频综合| 岛国在线观看网站| 午夜福利乱码中文字幕| 亚洲黑人精品在线| 男女高潮啪啪啪动态图| 一边摸一边做爽爽视频免费| 亚洲男人天堂网一区| 久久天躁狠狠躁夜夜2o2o| 国产成人欧美在线观看 | 亚洲性夜色夜夜综合| 欧美精品一区二区免费开放| 50天的宝宝边吃奶边哭怎么回事| 飞空精品影院首页| 欧美日韩中文字幕国产精品一区二区三区 | 啦啦啦在线免费观看视频4| 国产亚洲精品久久久久久毛片 | 国产精品电影一区二区三区 | 又大又爽又粗| 亚洲 欧美一区二区三区| 12—13女人毛片做爰片一| 欧美老熟妇乱子伦牲交| 99热国产这里只有精品6| 黄色丝袜av网址大全| 9191精品国产免费久久| 精品视频人人做人人爽| 老鸭窝网址在线观看| www.熟女人妻精品国产| 中文字幕制服av| 久久精品人人爽人人爽视色| 精品欧美一区二区三区在线| 精品福利观看| 欧美黄色片欧美黄色片| 亚洲人成伊人成综合网2020| 热re99久久国产66热| 国产日韩欧美亚洲二区| 一级,二级,三级黄色视频| 国产人伦9x9x在线观看| 久久人人97超碰香蕉20202| 视频区欧美日本亚洲| 日本vs欧美在线观看视频| 亚洲av成人一区二区三| 久久国产乱子伦精品免费另类| 日本a在线网址| 国产男女内射视频| 12—13女人毛片做爰片一| 五月开心婷婷网| 99久久精品国产亚洲精品| 黑人操中国人逼视频| 午夜免费成人在线视频| 午夜福利在线观看吧| 久久热在线av| 十八禁高潮呻吟视频| 精品免费久久久久久久清纯 | 99国产精品免费福利视频| 99香蕉大伊视频| 亚洲国产欧美网| 亚洲欧美色中文字幕在线| 电影成人av| 久久国产精品人妻蜜桃| 十八禁高潮呻吟视频| 日本a在线网址| 夫妻午夜视频| 伊人久久大香线蕉亚洲五| 久久中文字幕一级| 国产精品一区二区在线不卡| 999久久久国产精品视频| 国产av精品麻豆| 欧美一级毛片孕妇| 美女视频免费永久观看网站| 国产亚洲精品久久久久5区| 欧美中文综合在线视频| 男人舔女人的私密视频| 黄色视频,在线免费观看| 大码成人一级视频| 亚洲精品中文字幕在线视频| 免费女性裸体啪啪无遮挡网站| 国产激情久久老熟女| 国产亚洲av高清不卡| 国产欧美日韩精品亚洲av| 美女 人体艺术 gogo| 欧美 亚洲 国产 日韩一| 日韩欧美一区视频在线观看| 国产极品粉嫩免费观看在线| 国产精品久久久久成人av| 精品一区二区三卡| 一区在线观看完整版| 9191精品国产免费久久| 亚洲精品久久成人aⅴ小说| 在线观看免费日韩欧美大片| 99国产精品99久久久久| 国产一区在线观看成人免费| 在线观看日韩欧美| 欧美日韩瑟瑟在线播放| 久久久水蜜桃国产精品网| 国产欧美日韩综合在线一区二区| 女性被躁到高潮视频| 久久中文看片网| 女警被强在线播放| 欧美日韩精品网址| 国产精品.久久久| 老司机午夜福利在线观看视频| 一级黄色大片毛片| 免费高清在线观看日韩| 国产精品一区二区在线不卡| 成人国产一区最新在线观看| 电影成人av| 看免费av毛片| avwww免费| 亚洲色图 男人天堂 中文字幕| 亚洲中文日韩欧美视频| 一级a爱片免费观看的视频| 18在线观看网站| 美女福利国产在线| 国产91精品成人一区二区三区| 女警被强在线播放| 亚洲欧美日韩另类电影网站| 露出奶头的视频| 亚洲avbb在线观看| 亚洲伊人色综图| 亚洲黑人精品在线| 午夜91福利影院| 80岁老熟妇乱子伦牲交| 免费不卡黄色视频| 精品一区二区三区视频在线观看免费 | 两个人免费观看高清视频| 成人黄色视频免费在线看| av电影中文网址| 一进一出好大好爽视频| 成人国语在线视频| 午夜视频精品福利| 亚洲精品自拍成人| 高清欧美精品videossex| a级片在线免费高清观看视频| 欧美乱妇无乱码| 在线国产一区二区在线| 精品乱码久久久久久99久播| 欧美一级毛片孕妇| 午夜视频精品福利| 国产成人精品久久二区二区91| 欧美久久黑人一区二区| 日本欧美视频一区| 69精品国产乱码久久久| a级毛片黄视频| 国产欧美亚洲国产| 久久ye,这里只有精品| 成人国产一区最新在线观看| 在线观看免费日韩欧美大片| 国产精品国产高清国产av | 美国免费a级毛片| 国产精品国产av在线观看| 人人妻人人澡人人看| 一边摸一边抽搐一进一出视频| 十八禁网站免费在线| 精品久久蜜臀av无| 黄色 视频免费看| а√天堂www在线а√下载 | 啪啪无遮挡十八禁网站| 韩国av一区二区三区四区| 久久天堂一区二区三区四区| 老司机午夜福利在线观看视频| 一区二区三区激情视频| 欧美激情高清一区二区三区| 国产精品一区二区免费欧美| 久久亚洲精品不卡| 久久久国产成人精品二区 | 中文字幕人妻丝袜一区二区| 欧洲精品卡2卡3卡4卡5卡区| 午夜福利视频在线观看免费| 一进一出抽搐动态| 水蜜桃什么品种好| 中文字幕人妻丝袜制服| 热re99久久国产66热| 国产免费av片在线观看野外av| 久久这里只有精品19| 侵犯人妻中文字幕一二三四区| av有码第一页| 黄色a级毛片大全视频| 国产在线观看jvid| 精品久久久久久电影网| 丝袜在线中文字幕| 高清黄色对白视频在线免费看| 亚洲 欧美一区二区三区| 日韩精品免费视频一区二区三区| 久久久久久亚洲精品国产蜜桃av| 18禁观看日本| 亚洲色图 男人天堂 中文字幕| 欧美精品啪啪一区二区三区| 女人久久www免费人成看片| 国产成人啪精品午夜网站| 日韩制服丝袜自拍偷拍| 久久久国产成人免费| 色老头精品视频在线观看| 国产三级黄色录像| 久久人人爽av亚洲精品天堂| 国产主播在线观看一区二区| 精品久久蜜臀av无| 午夜精品国产一区二区电影| 欧美精品一区二区免费开放| 一级黄色大片毛片| 免费人成视频x8x8入口观看| 亚洲自偷自拍图片 自拍| 日本黄色日本黄色录像| xxx96com| 热99久久久久精品小说推荐| 欧美丝袜亚洲另类 | 国产一区二区三区综合在线观看| 18禁美女被吸乳视频| 亚洲国产中文字幕在线视频| 久久青草综合色| 在线观看免费高清a一片| 日本五十路高清| 国产精品一区二区在线观看99| 男人的好看免费观看在线视频 | 51午夜福利影视在线观看| 法律面前人人平等表现在哪些方面| 国产精品久久久久久精品古装| 免费在线观看完整版高清| 首页视频小说图片口味搜索| 亚洲欧美日韩另类电影网站| 91麻豆精品激情在线观看国产 | 免费不卡黄色视频| 一本大道久久a久久精品| 国产不卡一卡二| 免费看十八禁软件| 精品第一国产精品| 欧美+亚洲+日韩+国产| 男女免费视频国产| 日韩欧美在线二视频 | 久久亚洲真实| 亚洲欧洲精品一区二区精品久久久| a级毛片黄视频| 久久精品aⅴ一区二区三区四区| 最新的欧美精品一区二区| 国产aⅴ精品一区二区三区波| 亚洲欧美激情在线| 成年人免费黄色播放视频| 免费观看a级毛片全部| 成人18禁高潮啪啪吃奶动态图| 女人被躁到高潮嗷嗷叫费观| 亚洲精品美女久久av网站| 国产成人免费观看mmmm| 曰老女人黄片| 久久亚洲精品不卡| 满18在线观看网站| 亚洲人成伊人成综合网2020| 黑人欧美特级aaaaaa片| 久久国产精品人妻蜜桃| 精品一区二区三区视频在线观看免费 | 夜夜夜夜夜久久久久| 亚洲av成人一区二区三| 欧美在线黄色| a级毛片在线看网站| 免费在线观看日本一区| 国产精品综合久久久久久久免费 | 黄色丝袜av网址大全| 亚洲精品中文字幕在线视频| 欧美日韩中文字幕国产精品一区二区三区 | 久久久久久久久免费视频了| 欧美日韩亚洲高清精品| 欧美日韩中文字幕国产精品一区二区三区 | 黄色a级毛片大全视频| 人人妻,人人澡人人爽秒播| 亚洲一区二区三区不卡视频| 悠悠久久av| 日韩欧美三级三区| 视频区图区小说| 亚洲午夜精品一区,二区,三区| 飞空精品影院首页| 人人澡人人妻人| 999久久久精品免费观看国产| videosex国产| 欧美成人免费av一区二区三区 | 精品一区二区三区视频在线观看免费 | 久久ye,这里只有精品| 纯流量卡能插随身wifi吗| 狠狠婷婷综合久久久久久88av| 男女高潮啪啪啪动态图| 成人av一区二区三区在线看| 香蕉丝袜av| www.熟女人妻精品国产| ponron亚洲| 亚洲国产精品一区二区三区在线| 最近最新中文字幕大全电影3 | 这个男人来自地球电影免费观看| 女人被狂操c到高潮| 欧美日韩国产mv在线观看视频| 亚洲av成人不卡在线观看播放网| 国产男女超爽视频在线观看| 欧美黄色淫秽网站| 成人永久免费在线观看视频| 一级a爱片免费观看的视频| 交换朋友夫妻互换小说| 免费在线观看日本一区| 在线观看一区二区三区激情| 国产色视频综合| 久久精品亚洲精品国产色婷小说| 亚洲,欧美精品.| 两人在一起打扑克的视频| 在线观看免费视频日本深夜| 99国产综合亚洲精品| 最近最新中文字幕大全电影3 | 国产精品久久久av美女十八| 99riav亚洲国产免费| 久久精品国产综合久久久| 宅男免费午夜| 久久久国产成人精品二区 | 91成人精品电影| 成年人黄色毛片网站| 精品久久久精品久久久| 亚洲伊人色综图| 18禁国产床啪视频网站| tocl精华| 亚洲色图综合在线观看| 国产在线观看jvid| 中文字幕另类日韩欧美亚洲嫩草| 色综合欧美亚洲国产小说| 水蜜桃什么品种好| 久久天堂一区二区三区四区| 亚洲七黄色美女视频| 国产男女内射视频| 日本黄色视频三级网站网址 | 18禁黄网站禁片午夜丰满| 国产片内射在线| 色婷婷av一区二区三区视频| 亚洲专区字幕在线| 巨乳人妻的诱惑在线观看| 午夜精品在线福利| 女性被躁到高潮视频| 国产淫语在线视频| 久久久国产成人免费| 91九色精品人成在线观看| 免费少妇av软件| 中文欧美无线码| 午夜福利影视在线免费观看| 不卡一级毛片| 精品国产乱码久久久久久男人| 大片电影免费在线观看免费| 午夜视频精品福利| 国产免费现黄频在线看| 亚洲成av片中文字幕在线观看| 男人操女人黄网站| 老熟妇乱子伦视频在线观看| 亚洲精品美女久久久久99蜜臀| 亚洲第一欧美日韩一区二区三区| 亚洲精品在线美女| 精品免费久久久久久久清纯 | 亚洲专区中文字幕在线| 亚洲精品国产精品久久久不卡| av网站在线播放免费| 亚洲全国av大片| 亚洲五月婷婷丁香| 亚洲一区中文字幕在线| 91成年电影在线观看| 黑人猛操日本美女一级片| 免费看a级黄色片| 香蕉国产在线看| 下体分泌物呈黄色| 亚洲人成77777在线视频| 黄片播放在线免费| 国产淫语在线视频| 老司机午夜十八禁免费视频| 国产视频一区二区在线看| 中文字幕人妻丝袜制服| 国产激情欧美一区二区| 人妻 亚洲 视频| 色婷婷av一区二区三区视频| 在线视频色国产色| 夫妻午夜视频| 黄片小视频在线播放| 人妻丰满熟妇av一区二区三区 | 成人影院久久| 99re6热这里在线精品视频| 啦啦啦视频在线资源免费观看| 91成年电影在线观看| 女人爽到高潮嗷嗷叫在线视频| 91av网站免费观看| 国产精品98久久久久久宅男小说| 青草久久国产| 丝瓜视频免费看黄片| 欧美丝袜亚洲另类 | 午夜两性在线视频| 午夜精品久久久久久毛片777| 伊人久久大香线蕉亚洲五| av片东京热男人的天堂| 精品一区二区三卡| 91大片在线观看| 深夜精品福利| 少妇猛男粗大的猛烈进出视频| 国产精品自产拍在线观看55亚洲 | 欧美亚洲 丝袜 人妻 在线| 国产精品一区二区精品视频观看| 午夜精品在线福利| 91九色精品人成在线观看| 欧美激情极品国产一区二区三区| 亚洲欧美一区二区三区久久| 亚洲aⅴ乱码一区二区在线播放 | 精品亚洲成国产av| 色综合欧美亚洲国产小说| 国产av一区二区精品久久| 人人澡人人妻人| 久久久久久久午夜电影 | 国产日韩欧美亚洲二区| 美女扒开内裤让男人捅视频| 在线免费观看的www视频| 一级毛片精品| 欧美日韩乱码在线| 亚洲欧美激情在线| 国产色视频综合| 成人国产一区最新在线观看| 精品欧美一区二区三区在线| 久久中文看片网| 久久 成人 亚洲| 精品国产乱码久久久久久男人| 曰老女人黄片| 亚洲色图 男人天堂 中文字幕| 嫩草影视91久久| 91麻豆av在线| 深夜精品福利| 在线观看舔阴道视频| cao死你这个sao货| 身体一侧抽搐| 亚洲成国产人片在线观看| 一区二区日韩欧美中文字幕| av国产精品久久久久影院| 99精国产麻豆久久婷婷| 久久国产精品影院| 99香蕉大伊视频| 日韩成人在线观看一区二区三区| 久久久久精品国产欧美久久久| 久久久久精品人妻al黑| 又黄又粗又硬又大视频| 99riav亚洲国产免费| 亚洲全国av大片| 精品久久蜜臀av无| 免费在线观看完整版高清| 看黄色毛片网站| 久久久久久久精品吃奶| 妹子高潮喷水视频| 亚洲一区高清亚洲精品| 人妻 亚洲 视频| 亚洲色图综合在线观看| 久久精品国产亚洲av高清一级| 精品少妇一区二区三区视频日本电影| 女警被强在线播放| 国产又色又爽无遮挡免费看| 亚洲精品久久午夜乱码| 狠狠婷婷综合久久久久久88av| 亚洲精品成人av观看孕妇| 日韩有码中文字幕| 国产淫语在线视频| 国产99久久九九免费精品| 中文字幕另类日韩欧美亚洲嫩草| 久久香蕉精品热| 国产精品秋霞免费鲁丝片| 免费少妇av软件| 国产在线精品亚洲第一网站| 免费高清在线观看日韩| 国产精品一区二区精品视频观看| 国产极品粉嫩免费观看在线| 国产淫语在线视频| 日日摸夜夜添夜夜添小说| 亚洲七黄色美女视频| 妹子高潮喷水视频| 18禁裸乳无遮挡动漫免费视频| 18禁国产床啪视频网站| 91在线观看av| a在线观看视频网站| 乱人伦中国视频| 黑人猛操日本美女一级片| 欧美激情极品国产一区二区三区| 两性午夜刺激爽爽歪歪视频在线观看 | 1024视频免费在线观看| 日韩制服丝袜自拍偷拍| 欧美国产精品一级二级三级| videosex国产| 一级a爱视频在线免费观看| 一进一出抽搐动态| 亚洲精品久久成人aⅴ小说| 亚洲 欧美一区二区三区| 久久99一区二区三区| 欧美亚洲日本最大视频资源| 99久久综合精品五月天人人| 久久久久精品人妻al黑| 欧美精品啪啪一区二区三区| 大香蕉久久成人网| 午夜福利视频在线观看免费| 久久久久久久久免费视频了| 免费女性裸体啪啪无遮挡网站| 在线观看www视频免费| 十分钟在线观看高清视频www| 久久中文看片网| 国产亚洲精品一区二区www | 午夜精品国产一区二区电影| 免费久久久久久久精品成人欧美视频| 女性生殖器流出的白浆| 9热在线视频观看99| 国产极品粉嫩免费观看在线| 人妻 亚洲 视频| 中文字幕高清在线视频| a级毛片在线看网站| 亚洲专区中文字幕在线| www.熟女人妻精品国产| 俄罗斯特黄特色一大片| 国产亚洲一区二区精品| 精品欧美一区二区三区在线| 19禁男女啪啪无遮挡网站| 亚洲午夜精品一区,二区,三区| 操出白浆在线播放| 久久精品aⅴ一区二区三区四区| 亚洲中文日韩欧美视频| 国产黄色免费在线视频| 色在线成人网| 免费观看精品视频网站| 亚洲aⅴ乱码一区二区在线播放 | 怎么达到女性高潮| 成人特级黄色片久久久久久久| 在线观看午夜福利视频| 欧美成人午夜精品| 无人区码免费观看不卡| 国产真人三级小视频在线观看| 狠狠狠狠99中文字幕| 成人永久免费在线观看视频| av超薄肉色丝袜交足视频| 一边摸一边做爽爽视频免费| 中文字幕人妻熟女乱码| 久久久久久人人人人人| 亚洲人成伊人成综合网2020| 99re在线观看精品视频| 亚洲欧洲精品一区二区精品久久久| 天堂动漫精品| 咕卡用的链子| av网站免费在线观看视频| 婷婷成人精品国产| 亚洲免费av在线视频| 亚洲成人免费av在线播放| 黑人猛操日本美女一级片| 亚洲精品在线观看二区| 亚洲第一欧美日韩一区二区三区| 亚洲精品一二三| 99精品在免费线老司机午夜| 精品国产乱码久久久久久男人| 又黄又爽又免费观看的视频| 丝袜人妻中文字幕| 999久久久精品免费观看国产| 99久久国产精品久久久| 亚洲美女黄片视频| 国产精品 欧美亚洲| 捣出白浆h1v1| 国产亚洲精品一区二区www | 精品国产乱子伦一区二区三区| 国产精品.久久久| 午夜福利影视在线免费观看| 老鸭窝网址在线观看| 亚洲精品在线美女| 国产麻豆69| 国产又色又爽无遮挡免费看| 国产精品一区二区在线不卡| 日韩三级视频一区二区三区| av电影中文网址| 中国美女看黄片| ponron亚洲| 中出人妻视频一区二区| 欧美午夜高清在线| 美女福利国产在线| 久久99一区二区三区| 999久久久精品免费观看国产| 极品人妻少妇av视频| 精品一品国产午夜福利视频|