《表2 不同深度下测试集的平均PSNR和SSIM》
网络的深度是影响超分辨率重建效果的重要因素之一。适当增加网络层数,能够增强网络的非线性映射能力,提取更多纹理细节特征,便于后期重建,但是随着网络的加深,在训练过程中可能会出现难以收敛的现象。本文算法采用残差结构,可以加快网络收敛,避免网络过拟合的现象。当放大倍数为3时,分别训练及测试层数为14、16、18的卷积网络模型,即分别包括3、4、5个残差块,实验将LR图像块和对应标签作为网络的输入,训练过程采用SGD优化器,动量设置为0.9,学习率设置为0.0001,训练迭代5×105次。图5为测试集的平均PSNR值随迭代次数增长的曲线。从图中可以看出,18层网络模型重建性能最好。对比不同深度下测试集的PSNR均值和SSIM均值,见表2,结果说明了18层网络重建图像的PSNR和SSIM均为最高,所以本实验网络模型设计为18层。
图表编号 | XD00154281600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.16 |
作者 | 邓梦迪、贾瑞生、田煜、刘庆明 |
绘制单位 | 山东科技大学计算机科学与工程学院、山东科技大学山东省智慧矿山信息技术省级重点实验室、山东科技大学计算机科学与工程学院、山东科技大学山东省智慧矿山信息技术省级重点实验室、山东科技大学计算机科学与工程学院、山东科技大学山东省智慧矿山信息技术省级重点实验室、山东科技大学计算机科学与工程学院、山东科技大学山东省智慧矿山信息技术省级重点实验室 |
更多格式 | 高清、无水印(增值服务) |