《表1 CAEFuse结构》
由于自编码网络提取信息准确率较低,单一的卷积神经网络忽略浅层特征,本文将卷积神经网络与自动编码器相结合,构建出CAEFuse网络.根据红外与可见光图像融合的特性设置卷积核的参数、调整网络框架,并根据融合特性提出一种基于图像纹理梯度信息的损失函数来指导网络训练.所提出的CAEFuse的网络框架如图2所示.该网络分为三个部分,第一部分是提取特征图的卷积编码层,第二部分为融合过程,将提取的两类图像的卷积特征图进行融合,第三部分是对于融合后的卷积特征图进行重建的解码层.第一、三部分构成一个自编码网络,需要利用数据集提前被训练,自编码网络的结构包含了三个3×3卷积核的卷积层,其步长为1,其参数设置如表1所示;在自编码网络训练好的基础上,利用第二部分的融合策略来实现编码网络中特征图的融合,再由解码网络重建融合图像.
图表编号 | XD009541700 严禁用于非法目的 |
---|---|
绘制时间 | 2019.12.01 |
作者 | 杨勇、刘家祥、黄淑英、张迎梅、吴嘉骅、李露奕 |
绘制单位 | 江西财经大学信息管理学院、江西财经大学信息管理学院、江西财经大学软件与通信工程学院、江西财经大学信息管理学院、江西财经大学信息管理学院、江西财经大学信息管理学院 |
更多格式 | 高清、无水印(增值服务) |