IEEE-NSENS将定期关注对全球社会至关重要的特殊主题。例如,AI传感器,合成传感器,柔性、可穿戴传感器和电子产品,医疗保健生物传感器以及机器人微惯性传感器等。此次论坛将对人工智能,医疗保健和机器人技术中应用的智能微米和纳米级传感系统的最新研究成果进行传播。

Sheng Chen大图.jpg

以下为Sheng Chen在“IEEE传感器理论及产业应用论坛”上的精彩致辞实录,由云现场整理。

    大家下午好,今天我主要的演讲话题是基于图像质量评估网络重建单幅图像的超分辨率,我的演讲主要分6个环节。

    第一个是研究背景,成像超高像素的重建技术是当下计算机成像的一个非常热门的话题,它有非常重要的应用环节,它可以运用到远程感应和医学的成像当中。我来给大家分享几个重要的应用场景,在现场的医学成像当中,医生是需要高像素的成像来决定疾病的具体位置,高分辨率的设备没有办法通过MRI或者普通成像技术来完成的,因此我们需要更具有革命性的设备以帮助我们高效地解决这些问题。我们需要超高像素和超高分辨率的设备。

    我们训练了自己的模式,而且我们拿了291个图像培训,另外200个图像是从伯克利分部,也就是BSD提取出来的,在这些信息的搜集当中,我们就开始培训了128个图像的识别。

    接下来介绍一下网络结构,在图一中,我们的图像网络频率是非常高的,浅层的部分相对来说它的分辨率比较高。图二显示的是比较密集的连接块,也就是DCB结构,我们可以看到,1×1和3×3的序列图。现在我们来解释一下DCB块状的细节,我会给大家看两个图,我们的每个DCB都有好几层,这些都可以分成1×1和3×3的图层,而我们的网络可以被用成是一个模型,当这个模型训练到一定程度的时候,那么它就可以产生出一定的网络重建。由于我们产生了这些网络,所以这个网络会很快有非常好的表现。

    现在我们来看一下它的损失的功能,第一个是它的图像的损失,我们培训了一些当地的图像,通过这种方程式计算出它的图像会损失多少,然后会想一定的方式去进行弥补。与传统的方式相比,很多的一些设备它并没有很好地算法,而这种对抗式的网络可能会对某些图片产生一定的排斥。

    从表一当中我们可以看到,MOS的结果,这些MOS可以展示出不同的算法,我们可以看到MOE的计算结果是更好的。这张图可以显示出我们有更好的高分辨率,同时我们也用了不同的对抗网络。从图二可以看到,这个结果显示出了单一和双重的对抗网络它的结果是不太一样的。大家可以看到这两种不同网络呈现出来的图像结果也是不一样的。这是图三,可以看到,L1有更好的效果。

    总结一下,我们的模式可以调整整体的损失,而且这些总体的损失依旧是建立在L2和L1的成本的运算方程当中,它可以减少某些特点的相关性,最多可以减少到0。通过选择这些特点可以帮助我们提高准确度,帮助我们更好地了解这些图像的高频率。这种对抗性的网络是建在DCGAN和WGAN的结构上。