• <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
    麻豆一二三区av精品| 九色成人免费人妻av| 久久久精品大字幕| 午夜福利成人在线免费观看| 久久人人爽人人爽人人片va | 亚洲黑人精品在线| 国产真实伦视频高清在线观看 | 又爽又黄无遮挡网站| 国产三级黄色录像| av国产免费在线观看| 每晚都被弄得嗷嗷叫到高潮| 天堂av国产一区二区熟女人妻| 色视频www国产| 性插视频无遮挡在线免费观看| 国产成年人精品一区二区| 波多野结衣高清无吗| h日本视频在线播放| 可以在线观看毛片的网站| 精品人妻熟女av久视频| 日韩av在线大香蕉| 亚洲av.av天堂| 国产三级中文精品| 又紧又爽又黄一区二区| 在线国产一区二区在线| 久久久久精品国产欧美久久久| 久久性视频一级片| 偷拍熟女少妇极品色| 99热只有精品国产| 午夜福利在线在线| 午夜两性在线视频| 两性午夜刺激爽爽歪歪视频在线观看| 成人美女网站在线观看视频| 午夜福利成人在线免费观看| 亚洲成av人片免费观看| 五月玫瑰六月丁香| 国内精品美女久久久久久| 午夜日韩欧美国产| 91麻豆av在线| 色精品久久人妻99蜜桃| 国产高清激情床上av| 精品不卡国产一区二区三区| 最近最新中文字幕大全电影3| 欧美色视频一区免费| 国产伦人伦偷精品视频| 日韩中字成人| 成人国产综合亚洲| 国内精品久久久久精免费| 中文字幕精品亚洲无线码一区| 天天躁日日操中文字幕| 99在线人妻在线中文字幕| 精品久久久久久,| .国产精品久久| 中文字幕av在线有码专区| 色尼玛亚洲综合影院| 桃色一区二区三区在线观看| 亚洲五月婷婷丁香| 丰满乱子伦码专区| 99久久精品热视频| 人人妻人人澡欧美一区二区| 国产精品亚洲一级av第二区| 亚洲无线观看免费| 久久久久久久亚洲中文字幕 | 日韩精品中文字幕看吧| 可以在线观看毛片的网站| 看免费av毛片| 亚洲不卡免费看| 国产日本99.免费观看| 国产精品久久久久久人妻精品电影| 欧美黄色片欧美黄色片| 在线观看一区二区三区| 中文字幕av成人在线电影| 午夜两性在线视频| 亚洲三级黄色毛片| 99热这里只有精品一区| 免费看日本二区| 真人一进一出gif抽搐免费| 男女视频在线观看网站免费| 偷拍熟女少妇极品色| 中文字幕熟女人妻在线| 亚洲av美国av| 深夜a级毛片| 久久精品人妻少妇| 亚洲最大成人av| 欧美一区二区精品小视频在线| 一夜夜www| 午夜福利在线在线| 三级国产精品欧美在线观看| 日韩精品中文字幕看吧| 天天一区二区日本电影三级| 高潮久久久久久久久久久不卡| 久久久久精品国产欧美久久久| 中出人妻视频一区二区| 两人在一起打扑克的视频| 久久午夜亚洲精品久久| 中亚洲国语对白在线视频| av在线天堂中文字幕| 久久久精品欧美日韩精品| 天堂√8在线中文| eeuss影院久久| 97人妻精品一区二区三区麻豆| 久久精品人妻少妇| 日韩中文字幕欧美一区二区| 国语自产精品视频在线第100页| 中文资源天堂在线| 高清在线国产一区| 精品日产1卡2卡| 免费在线观看亚洲国产| 最近在线观看免费完整版| 在线观看午夜福利视频| 久久亚洲真实| 久久6这里有精品| 国产高清有码在线观看视频| 国产精品自产拍在线观看55亚洲| 国产一区二区亚洲精品在线观看| 亚洲综合色惰| 男女做爰动态图高潮gif福利片| 久久久久久久久大av| 久久久久久久久大av| 婷婷六月久久综合丁香| 久久精品夜夜夜夜夜久久蜜豆| 一a级毛片在线观看| 一a级毛片在线观看| 男人舔女人下体高潮全视频| 婷婷色综合大香蕉| 少妇被粗大猛烈的视频| 久久精品国产自在天天线| 婷婷六月久久综合丁香| 国产高清激情床上av| 国产主播在线观看一区二区| 精品人妻1区二区| 99国产极品粉嫩在线观看| 精品人妻偷拍中文字幕| 一区二区三区高清视频在线| 在线观看免费视频日本深夜| 亚洲午夜理论影院| 亚洲中文日韩欧美视频| 麻豆一二三区av精品| 亚洲在线观看片| 啦啦啦韩国在线观看视频| 色综合婷婷激情| 国产免费男女视频| 欧美激情国产日韩精品一区| 757午夜福利合集在线观看| 一级黄色大片毛片| 亚洲专区国产一区二区| 欧美激情国产日韩精品一区| 色5月婷婷丁香| 熟妇人妻久久中文字幕3abv| 国产午夜精品论理片| 色5月婷婷丁香| 亚洲欧美日韩高清在线视频| 国产色婷婷99| 老女人水多毛片| 日本撒尿小便嘘嘘汇集6| 精品欧美国产一区二区三| 日韩av在线大香蕉| 国模一区二区三区四区视频| 欧美成人性av电影在线观看| 一个人免费在线观看电影| 免费看美女性在线毛片视频| 亚洲av一区综合| 国产一区二区三区在线臀色熟女| 男女床上黄色一级片免费看| 我的女老师完整版在线观看| 他把我摸到了高潮在线观看| 国产精品一及| АⅤ资源中文在线天堂| 国产精品三级大全| a级毛片免费高清观看在线播放| 精品久久国产蜜桃| 亚洲自偷自拍三级| 在线观看美女被高潮喷水网站 | 久久6这里有精品| 久久6这里有精品| 色精品久久人妻99蜜桃| 欧美乱妇无乱码| 狂野欧美白嫩少妇大欣赏| xxxwww97欧美| 日韩 亚洲 欧美在线| 老鸭窝网址在线观看| 俺也久久电影网| 精品熟女少妇八av免费久了| 蜜桃久久精品国产亚洲av| 9191精品国产免费久久| 看片在线看免费视频| 国产熟女xx| 一个人看的www免费观看视频| 国产老妇女一区| 麻豆久久精品国产亚洲av| 亚洲专区中文字幕在线| 亚洲精品在线观看二区| 搡老岳熟女国产| 久久久久久久久大av| 色哟哟·www| 最近视频中文字幕2019在线8| 少妇裸体淫交视频免费看高清| 一区二区三区四区激情视频 | 国产精品av视频在线免费观看| 香蕉av资源在线| 国产一区二区激情短视频| 亚洲av一区综合| 久久午夜福利片| 成人性生交大片免费视频hd| 国产美女午夜福利| 成年免费大片在线观看| 女人被狂操c到高潮| 老司机福利观看| 久久久久精品国产欧美久久久| 一本精品99久久精品77| 窝窝影院91人妻| 色5月婷婷丁香| 三级男女做爰猛烈吃奶摸视频| 日本黄大片高清| av中文乱码字幕在线| 亚洲乱码一区二区免费版| 国产免费av片在线观看野外av| 十八禁网站免费在线| 久久久久久久午夜电影| 丰满乱子伦码专区| 一区二区三区四区激情视频 | 国产精品一区二区三区四区久久| 久久久久久国产a免费观看| 美女xxoo啪啪120秒动态图 | 99热这里只有是精品50| 精品久久久久久久久久免费视频| 窝窝影院91人妻| 欧美乱色亚洲激情| 日韩中文字幕欧美一区二区| 国产老妇女一区| 熟女电影av网| 最好的美女福利视频网| 欧美黑人欧美精品刺激| 欧美日韩乱码在线| 国产欧美日韩一区二区精品| 老司机午夜福利在线观看视频| 久久人妻av系列| 欧美高清成人免费视频www| 国产亚洲精品久久久久久毛片| 成人毛片a级毛片在线播放| 久久国产乱子伦精品免费另类| 美女黄网站色视频| 淫秽高清视频在线观看| 欧美成人一区二区免费高清观看| 国产麻豆成人av免费视频| 人妻久久中文字幕网| 中文字幕久久专区| 麻豆一二三区av精品| 99国产精品一区二区三区| 久久国产精品影院| 97碰自拍视频| 久久精品国产清高在天天线| 成人特级av手机在线观看| 夜夜爽天天搞| 精品一区二区三区视频在线| 精品久久久久久成人av| 午夜日韩欧美国产| 熟女电影av网| 久久人人精品亚洲av| 在线免费观看的www视频| 乱人视频在线观看| 亚洲最大成人手机在线| 成人亚洲精品av一区二区| 色综合婷婷激情| 成年女人看的毛片在线观看| 深夜a级毛片| 亚洲精品粉嫩美女一区| 天天躁日日操中文字幕| 日本撒尿小便嘘嘘汇集6| 国内精品久久久久精免费| 亚洲经典国产精华液单 | 男人的好看免费观看在线视频| 国产成人欧美在线观看| 国产av麻豆久久久久久久| 99久久九九国产精品国产免费| 午夜激情欧美在线| 国产美女午夜福利| 中文在线观看免费www的网站| 老司机深夜福利视频在线观看| 12—13女人毛片做爰片一| 国产免费av片在线观看野外av| 欧美日韩乱码在线| 久久99热6这里只有精品| 中文字幕人妻熟人妻熟丝袜美| 亚洲无线观看免费| 国产高潮美女av| 黄片小视频在线播放| 俺也久久电影网| 精品人妻一区二区三区麻豆 | 少妇高潮的动态图| 国产精品综合久久久久久久免费| 久久久久久久久大av| 天美传媒精品一区二区| 少妇人妻精品综合一区二区 | 国产欧美日韩精品亚洲av| 岛国在线免费视频观看| 在线免费观看不下载黄p国产 | 女人被狂操c到高潮| 国产激情偷乱视频一区二区| 国产午夜福利久久久久久| 久久精品国产亚洲av香蕉五月| 亚洲av一区综合| 免费在线观看成人毛片| 啦啦啦观看免费观看视频高清| 欧美区成人在线视频| 一a级毛片在线观看| 一个人免费在线观看电影| 国产视频内射| 看片在线看免费视频| 色哟哟哟哟哟哟| 亚洲av.av天堂| 性色av乱码一区二区三区2| 亚洲成a人片在线一区二区| 午夜免费男女啪啪视频观看 | 午夜福利视频1000在线观看| 午夜福利成人在线免费观看| 国产午夜精品论理片| 色哟哟哟哟哟哟| 成年女人看的毛片在线观看| 又黄又爽又刺激的免费视频.| 色综合亚洲欧美另类图片| 精品日产1卡2卡| 欧美最黄视频在线播放免费| 麻豆一二三区av精品| 亚洲精品在线美女| 一区福利在线观看| 日韩欧美免费精品| 国产视频内射| 亚洲无线观看免费| 婷婷精品国产亚洲av在线| 床上黄色一级片| 久久久国产成人免费| 精品国内亚洲2022精品成人| 国产免费一级a男人的天堂| 国产av不卡久久| 国产成人aa在线观看| 成人欧美大片| 91久久精品电影网| 国产黄a三级三级三级人| 麻豆成人午夜福利视频| 久久久精品大字幕| av在线蜜桃| 欧美黄色片欧美黄色片| 给我免费播放毛片高清在线观看| 国产aⅴ精品一区二区三区波| 亚洲精品一卡2卡三卡4卡5卡| av欧美777| 毛片一级片免费看久久久久 | 精品免费久久久久久久清纯| x7x7x7水蜜桃| 亚洲中文日韩欧美视频| 国产精品影院久久| 国内毛片毛片毛片毛片毛片| 国产精品伦人一区二区| 婷婷亚洲欧美| 久久久成人免费电影| 久久久久九九精品影院| 精品久久久久久久久久免费视频| 永久网站在线| 女生性感内裤真人,穿戴方法视频| 日韩有码中文字幕| 欧美潮喷喷水| 亚洲乱码一区二区免费版| 俄罗斯特黄特色一大片| 最新在线观看一区二区三区| 国产成+人综合+亚洲专区| 精品久久久久久,| 99国产综合亚洲精品| 99热这里只有是精品在线观看 | 天堂√8在线中文| 最近在线观看免费完整版| 精品一区二区三区av网在线观看| 亚洲人成网站在线播放欧美日韩| 色噜噜av男人的天堂激情| 亚洲黑人精品在线| 亚洲国产精品久久男人天堂| 欧美激情久久久久久爽电影| 久久这里只有精品中国| 夜夜爽天天搞| 级片在线观看| 一区二区三区激情视频| 波多野结衣高清作品| 亚洲最大成人手机在线| 高潮久久久久久久久久久不卡| 每晚都被弄得嗷嗷叫到高潮| 国产精品三级大全| 国产美女午夜福利| 真人做人爱边吃奶动态| 人人妻人人澡欧美一区二区| 国产黄色小视频在线观看| 亚洲av不卡在线观看| 日本成人三级电影网站| 亚洲精品色激情综合| 精品欧美国产一区二区三| 国产激情偷乱视频一区二区| 人人妻,人人澡人人爽秒播| 深爱激情五月婷婷| 99国产精品一区二区三区| 久久久久亚洲av毛片大全| av视频在线观看入口| 又爽又黄a免费视频| 动漫黄色视频在线观看| 午夜福利欧美成人| 夜夜爽天天搞| 国产亚洲欧美98| 欧美潮喷喷水| 亚洲精品在线观看二区| 嫩草影院新地址| 日本在线视频免费播放| 亚洲第一区二区三区不卡| 淫秽高清视频在线观看| 精品久久久久久成人av| 亚洲精品在线美女| 亚洲最大成人av| 内地一区二区视频在线| 日本黄色视频三级网站网址| 欧美日韩中文字幕国产精品一区二区三区| 99热这里只有是精品在线观看 | 琪琪午夜伦伦电影理论片6080| 午夜激情欧美在线| 婷婷亚洲欧美| 亚洲精品色激情综合| 99久久精品国产亚洲精品| 国语自产精品视频在线第100页| 宅男免费午夜| 在线看三级毛片| 白带黄色成豆腐渣| 免费高清视频大片| 女人被狂操c到高潮| 小说图片视频综合网站| 国产三级黄色录像| 色av中文字幕| 我的老师免费观看完整版| 丝袜美腿在线中文| 欧美高清成人免费视频www| 九九久久精品国产亚洲av麻豆| 一级作爱视频免费观看| 天天一区二区日本电影三级| 欧美黑人欧美精品刺激| 国产精品亚洲av一区麻豆| 成年女人看的毛片在线观看| 国产成人福利小说| 91麻豆av在线| 永久网站在线| 国产黄色小视频在线观看| 精品人妻一区二区三区麻豆 | 高清日韩中文字幕在线| 51国产日韩欧美| 欧美精品啪啪一区二区三区| 波多野结衣高清作品| 一卡2卡三卡四卡精品乱码亚洲| 成年女人看的毛片在线观看| 国产精品精品国产色婷婷| 免费黄网站久久成人精品 | 男女之事视频高清在线观看| 99久久精品国产亚洲精品| 九九在线视频观看精品| 深爱激情五月婷婷| 级片在线观看| 国产男靠女视频免费网站| 97热精品久久久久久| 赤兔流量卡办理| 九九久久精品国产亚洲av麻豆| 可以在线观看的亚洲视频| 黄色配什么色好看| 亚洲av成人av| 免费看日本二区| 中文亚洲av片在线观看爽| or卡值多少钱| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 又粗又爽又猛毛片免费看| 男女视频在线观看网站免费| 天堂av国产一区二区熟女人妻| 最新中文字幕久久久久| 可以在线观看的亚洲视频| 网址你懂的国产日韩在线| 色综合站精品国产| 国产成人欧美在线观看| 成年女人看的毛片在线观看| 性色av乱码一区二区三区2| 亚洲三级黄色毛片| av欧美777| 成人性生交大片免费视频hd| 白带黄色成豆腐渣| 成年女人永久免费观看视频| av黄色大香蕉| 精品久久久久久,| 午夜精品久久久久久毛片777| 一个人看的www免费观看视频| 国产精品爽爽va在线观看网站| 黄色丝袜av网址大全| 久久久久亚洲av毛片大全| 18美女黄网站色大片免费观看| 成人永久免费在线观看视频| 哪里可以看免费的av片| 亚洲久久久久久中文字幕| 日韩人妻高清精品专区| 日韩欧美精品免费久久 | 国产黄a三级三级三级人| av在线老鸭窝| 中文字幕人成人乱码亚洲影| 三级毛片av免费| 欧美三级亚洲精品| 一个人观看的视频www高清免费观看| 99久久99久久久精品蜜桃| 亚洲精品色激情综合| 内地一区二区视频在线| 免费看a级黄色片| 欧美色视频一区免费| 波野结衣二区三区在线| 观看美女的网站| 免费一级毛片在线播放高清视频| 国产主播在线观看一区二区| 国产单亲对白刺激| 欧美+亚洲+日韩+国产| 男人的好看免费观看在线视频| 久久久久国产精品人妻aⅴ院| 90打野战视频偷拍视频| 精品一区二区三区av网在线观看| 丰满的人妻完整版| 成熟少妇高潮喷水视频| 自拍偷自拍亚洲精品老妇| 可以在线观看的亚洲视频| 亚洲第一区二区三区不卡| 岛国在线免费视频观看| 91狼人影院| 亚洲国产欧美人成| 亚洲av成人精品一区久久| 欧美+日韩+精品| 国产欧美日韩精品亚洲av| 国产综合懂色| 99久久精品热视频| 中文字幕免费在线视频6| 村上凉子中文字幕在线| 精品熟女少妇八av免费久了| 999久久久精品免费观看国产| 一本一本综合久久| 国产精品一区二区性色av| 日韩有码中文字幕| 中文字幕av成人在线电影| 亚洲国产色片| av在线蜜桃| 欧美成狂野欧美在线观看| 99视频精品全部免费 在线| 日本a在线网址| 国产精品亚洲美女久久久| 久久久精品欧美日韩精品| 国产精品野战在线观看| 久久久久久国产a免费观看| av在线老鸭窝| 国产精品一及| 又爽又黄a免费视频| 精品一区二区免费观看| 亚洲国产精品久久男人天堂| 亚洲成人中文字幕在线播放| 97超级碰碰碰精品色视频在线观看| 中文字幕av成人在线电影| 国产人妻一区二区三区在| 日本免费一区二区三区高清不卡| 亚洲成av人片免费观看| 中文亚洲av片在线观看爽| 一边摸一边抽搐一进一小说| 在线十欧美十亚洲十日本专区| 99国产综合亚洲精品| 日韩欧美在线乱码| 久久久久久国产a免费观看| 成人欧美大片| 亚洲精品粉嫩美女一区| 99热精品在线国产| www.999成人在线观看| 日韩大尺度精品在线看网址| 国产精品一区二区三区四区久久| av在线老鸭窝| 宅男免费午夜| 九色国产91popny在线| 久久久久久久久久黄片| 国产 一区 欧美 日韩| 色吧在线观看| 真实男女啪啪啪动态图| 深夜精品福利| 国内精品久久久久精免费| 欧美黄色片欧美黄色片| 国产高清三级在线| 免费电影在线观看免费观看| 男女那种视频在线观看| 国产高清视频在线观看网站| 欧美一级a爱片免费观看看| 一二三四社区在线视频社区8| 午夜精品一区二区三区免费看| 日本精品一区二区三区蜜桃| 国产精品电影一区二区三区| 久久久久久国产a免费观看| 午夜视频国产福利| 国产精品爽爽va在线观看网站| 国产亚洲精品av在线| 在线观看美女被高潮喷水网站 | 老熟妇仑乱视频hdxx| 亚洲成人久久爱视频| 成人国产一区最新在线观看| 亚洲人成电影免费在线| 日韩欧美国产一区二区入口| 麻豆av噜噜一区二区三区| 91av网一区二区| 国产精品久久电影中文字幕| 精品一区二区免费观看| 最近最新中文字幕大全电影3| 精品午夜福利在线看| 窝窝影院91人妻| 综合色av麻豆| 亚洲午夜理论影院| 欧美激情在线99| 小说图片视频综合网站| 午夜福利视频1000在线观看| 国产一区二区三区视频了| 久99久视频精品免费| 国产野战对白在线观看|